Analisi della Regressione Lineare
|
|
- Ladislao Porta
- 5 anni fa
- Visualizzazioni
Transcript
1 Analisi della Regressione Lineare Master in Tecnologie Bioinformatiche 29/09/06 Adriano Decarli 1
2 29/09/06 Adriano Decarli 2
3 29/09/06 Adriano Decarli 3
4 29/09/06 Adriano Decarli 4
5 29/09/06 Adriano Decarli 5
6 29/09/06 Adriano Decarli 6
7 29/09/06 Adriano Decarli 7
8 29/09/06 Adriano Decarli 8
9 29/09/06 Adriano Decarli 9
10 A B μ i = β 0 + β 1 X 1i + β 2 X 2i + β 3 X 1i X 2i μ i = β 0 + β 1 X 1i μ i = ( β 0 + β 2 ) + (β 1 + β 3 )X 1i Row group Corner group 29/09/06 Adriano Decarli 10
11 μ i = β 0 + β 1 X 1i + β 2 X 2i μ i = β 0 + β 1 X 1i μ i = ( β 0 + β 2 ) + β 1 X 1i Row group Corner group 29/09/06 Adriano Decarli 11
12 μ i = β 0 + β 1 X 1i 29/09/06 Adriano Decarli 12
13 μ i = β 0 + β 2 X 2i 29/09/06 Adriano Decarli 13
14 μ i = β 0 29/09/06 Adriano Decarli 14
15 β 3 = - β 1 μ i = β 0 + β 1 X 1i + β 2 X 2i + β 13 X 1i X 2i = X 2i = β 0 + β 1 (1- X 2i )X 1i + β 2 X 2i 29/09/06 Adriano Decarli 15
16 Regressione Lineare Semplice Molte decisioni sono basate sulla relazione esistente fra due o più variabili. La relazione esistente fra due variabili può essere espressa sottoforma di un equazione. Nella sua forma più semplice questa equazione può essere lineare: equazione lineare di regressione. Analisi della Regressione : insieme delle procedure statistiche che studiano il comportamento di una variabile in funzione di una od altre variabili. 29/09/06 Adriano Decarli 16
17 Le variabili nell equazione La variabile predetta Y è chiamata variabile dipendente. La variabile usata come predittore è chiamata variabile indipendente. La relazione tra una variabile dipendente ed una variabile indipendente approssimata da una retta è chiamata equazione lineare semplice. 29/09/06 Adriano Decarli 17
18 Diversi possibili modelli X1 X1 X2 Y X2 X2 X1 Y X1 Y Y X2 29/09/06 Adriano Decarli 18
19 Depth (m) Regressione lineare semplice : Esempio Profondità a cui un disco bianco non è più visibile nelle acque di un lago y = profondità 10 x Variabile = concentrazione di azoto nell acqua 8 Dipendente 6 Pendenza Intercetta y 0 1 = β + β x + ε β 0 Variabile Il residuo Indipendente misura lo scostamento tra il valore atteso dal modello e il valore realmente osservato N/volume water 29/09/06 Adriano Decarli β 1
20 Depth (m) Regressione Lineare Semplice: Esempio : Profondità a cui un disco bianco non è più visibile nelle acque di un lago y = profondità 10 x Variabile = concentrazione di azoto nell acqua 8 Dipendente 6 Pendenza Intercetta y 0 1 = β + β x + ε ß 0 Variabile Il residuo Indipendente misura lo scostamento tra il valore atteso dal modello e il valore realmente osservato N/volume water 29/09/06 Adriano Decarli ß 1
21 Regressione Multipla Esempio: y = Profondità x 1 = Concentrazione di N x 2 = Concentrazione di P Depth Concentration of P Depth Concentration of N y = β + β x + β x + β x x + ε /09/06 Adriano Decarli 21
22 Depth Analisi della Varianza (ANOVA) Esempio y = Profondità x 1 = Disco Blu x 2 = Disco Verde x 1 = 10 ; x 2 = White Blue Green Disc color y = x2 β + β x + β + ε 29/09/06 Adriano Decarli 22
23 Depth Analisi della Covarianza (ANCOVA) Esempio 10 y = Profondità x 1 = Disco blu x 2 = Disco verde x 3 = Concentrazione of N Concentration of N y = β + β x + β x + β x + β x x + β x x + ε /09/06 Adriano Decarli 23
24 A B Drugs C D Total y 1A y 1B y 1C y 1D y 2A y 2B y 2C y 2D y 3A y 3B y 3C y 3D y A y ja = jb B n n A B y y y y = y jc C = y jd D = n n C D y = n y ij y y y y A B C D = y + ε A = y + ε B = y + ε C = y + ε D
25 x 1 = 1 x = 2 1 x = 3 1 y y y y A B C D = y + ε A = y + ε B = y + ε C = y + ε D = β + ε 0 = β + β + ε 0 1 = β + β + ε 0 2 = β + β + ε 0 3 y = x3 β + β x + β x + β + ε ya B Stima di Totale = β 0 y = β + β β1 = yb ya 0 1 y = β + β β = y y C C A y = β + β β = y y D D A Sorgente di variabilità β 0 Trattamenti ( β ) 1 β2 β3 Residuo Gradi di libertà 1 p - 1 = 3 n-p =8 n = 12
26 Modello di Regressione Lineare Semplice Modello Equazione y = β 0 + β 1 x + ε E(y) = β 0 + β 1 x Regressione Lineare stimata y = b 0 + b 1 x 29/09/06 Adriano Decarli 26
27 Metodo dei Minimi Quadrati Criterio dei minimi quadrati : dove : min (y y$ ) 2 i i y i = valore osservato della variabile dipendente per la i-esima osservazione ^ y i = valore stimato della variabile dipendente per la i-esima osservazione. 29/09/06 Adriano Decarli 27
28 Metodo dei minimi quadrati Pendenza della retta di regressione stimata: b x y ( x y )/ n i i i i 1 = 2 2 i i x ( x ) / n Intercetta della retta di regressione stimata: _ b 0 = y - b 1 x dove : x i = valore della variabile indipendente per la i-esima osservazione y_ i = valore della variabile dipendente per la i-esima osservazione x _ = valore della media della variabile indipendente y = valore della media della variabile dipendente n = numero totale delle osservazioni _ 29/09/06 Adriano Decarli 28
29 Un semplice esempio Soggetto Test Voto /09/06 Adriano Decarli 29
30 Diagramma di dispersione X -Test 29/09/06 Adriano Decarli 30
31 Retta stimata con il metodo dei minimi quadrati 10 Y-Voto X-Test 29/09/06 Adriano Decarli 31
32 Qualche calcolo Soggetto Test Voto x*x x*y Somma Media 10,75 6,875 29/09/06 Adriano Decarli 32
33 b Stima della pendenza x y ( x y )/ n i i i i 1 = 2 2 i i x ( x ) / n 611 [(86 * 55)/8] b = = [(86) 2 /8] / = = 0, / /09/06 Adriano Decarli 33
34 Stima dell intercetta e valori attesi b 0 = ÿ - b 1 x a = 6,875 0,626*10,75 = 0,135 Y = 0, ,626 * X 29/09/06 Adriano Decarli 34
35 Test Voto Stimati Residui ,661 0, ,407 0, ,915-0, ,78-0, ,78 0, ,288 0, ,034-0, ,153-0,153 29/09/06 Adriano Decarli 35
36 Coefficiente di Determinazione Relazione tra SST, SSR, SSE Coefficiente di Determinazione SST = SSR + SSE ^ i i i i ( y y) = ( y y) + ( y y ) ^ dove : r 2 = SSR/SST SST = Somma dei quadrati totale SSR = Somma dei quadrati spiegata dalla Regressione SSE = Somma dei quadrati non spiegata dalla Regressione 29/09/06 Adriano Decarli 36
37 Esempio: Test-Voti Coefficiente di Determinazione r 2 = SSR/SST = / =.8324 La relazione lineare fra le due variabili è molto forte perché 83% della variabilità dei voti può essere spiegata dalla variabilità che i soggetti avevano mostrato al test attitudinale. 29/09/06 Adriano Decarli 37
38 Coefficiente di Correlazione Coefficiente di Correlazione r xy = (segno di b 1) Coefficiente di Determinazione r xy = (segno di b 1 ) r 2 dove : ˆ = b + b x y 0 1 b 1 = la pendenza della retta di regressione stimata 29/09/06 Adriano Decarli 38
39 Esempio : Test - Voti Coefficiente di Correlazione stimato r xy = (sign of b 1 ) r 2 Il segno di b 1 nell equazione : è positivo. r xy = = Y = 0, ,626 * (segnodi b1 ) X 29/09/06 Adriano Decarli 39
40 Assunti Assunti relativi al termine di errore ε L errore ε è una variabile casuale con media 0. La varianza di ε, indicata con σ 2, ha valore uguale per tutti i valori della variabile independente. I valori di ε sono indipendenti. L errore ε è distribuito normalmente. 29/09/06 Adriano Decarli 40
41 Test di Significatività Per saggiare la significatività della relazione di regressione, effettuiamo un test di ipotesi per determinare se il valore di β 1 è uguale a zero. Test comunemente usati sono: t Test F Test Ambedue i test richiedono la stima di σ 2, la varianza di ε nel modello di regressione. 29/09/06 Adriano Decarli 41
42 Test di Significatività Stima di σ 2 L errore quadratico medio (MSE) fornisce la stima di σ 2, indicato usualmente con s 2 con : s 2 = MSE = SSE/(n-2) SSE = ( y i yˆ i ) 2 = ( y i b 0 b x 1 i ) 2 29/09/06 Adriano Decarli 42
43 Test di Significatività Stima di σ La stima di σ è data dalla radice di σ 2. Il valore risultante s è chiamato errore standard della stima. s = MSE = SSE n 2 29/09/06 Adriano Decarli 43
44 Test di Significatività : t Test Ipotesi Test Statistico t H 0 : β 1 = 0 H a : β 1 = 0 b = 1 s b 1 Area di rifiuto Rifiuto H 0 se t < -t α/2 o t > t α/2 ; t α/2 è ricavato dalla distribuzione t con n - 2 gradi di libertà. 29/09/06 Adriano Decarli 44
45 Test di significatività : Test F Ipotesi Test Statistico Area di rifiuto H 0 : β 1 = 0 H a : β 1 = 0 F = MSR/MSE Rifiuto H 0 se F > F α F α è riferito alla distribuzione F con 1 g.l. per il numeratore e n - 2 g.l. per il denominatore. 29/09/06 Adriano Decarli 45
46 Esempio: Test - Voti Test t Ipotesi H 0 : β 1 = 0 H a : β 1 = 0 Area di rifiuto Per α =.05 e g.l. = 6, t.025 = Rifiuto H 0 se t > Test t = 0.626/0.644 = 4.63 Conclusione Rifiuto H 0 29/09/06 Adriano Decarli 46
47 Esempio : Test - Voti F Test Ipotesi H 0 : β 1 = 0 H a : β 1 = 0 Area di rifiuto Per α =.05 e g.l = 1, 6: F.05 = Test Rifiuto H 0 se F > F = MSR/MSE = 12.38/0.415 = Conclusione Rifiutiamo H 0. 29/09/06 Adriano Decarli 47
48 Intervallo di confidenza per β 1 L intervallo di confidenza di β 1 è dato da: b1 ± tα / 2sb1 dove b 1 è il valore stimato s è il margine d errore con n - 2 t α / 2 b t α / 2 1 è il valore di t che definisce un area pari ad α/2 nella coda di una distribuzione t gradi di libertà. 29/09/06 Adriano Decarli 48
49 Esempio: Test - Voti Area di rifiuto Rifiuto H 0 se 0 non è compreso nell intervallo di confidenza per β 1. Intervallo di confidenza al 95% di β 1 b ± t s = / (0.115) = 1 α / 2 b Conclusione Rifiuto H / da a /09/06 Adriano Decarli 49
50 Cautele nell interpretazione Rifiutando H 0 : β 1 = 0 e concludendo che la relazione tra x e y è significativa non permette di affermare l esistenza di una relazione causa-effetto tra x e y. Il rifiuto di H 0 : β 1 = 0 non permette di concludere che la relazione tra x and y sia lineare 29/09/06 Adriano Decarli 50
51 Uso della retta di regressione stimata Stima Puntuale Per qualsiasi valore di x possiamo trovare il valore stimato di y. Le stime puntuali non forniscono alcuna informazione sulla precisione associata alla stima Nell esempio : L equazione stimata Y = x fornisce un valore stimato di y per x = che è /09/06 Adriano Decarli 51
52 Uso della retta di regressione stimata Stime intervallari Vi sono due tipi di stime intervallari: 1. Intervallo di confidenza della stima è l intervallo entro cui cade il valor medio di Y per un dato valore di x. 2. Intervallo di confidenza della previsione è l intervallo entro cui cade un valore individuale di y corrispondente ad un definito valore di x. 29/09/06 Adriano Decarli 52
53 Intervallo di confidenza del valore atteso di y Sia y p il valore atteso di y per un definito valore di x p. Cioè y p = b 0 + b 1 x p La varianza di y p è data da s yp 2 s yp 2 = s 2 [ 1/n + {(x p x m ) 2 / (x - x m ) 2 }] Dove: s 2 = MSE 29/09/06 Adriano Decarli 53
54 Uso della equazione di regressione per la stima e la previsione Intervallo di confidenza di E(y p ) y t s $ p ± α / 2 $ Stima dell intervallo di previsone di y p y p y p + t α/2 s ind dove t α/2 si riferisce ad una distribuzione t con n - 2 gradi di libertà e S ind = radice quadrata di (s 2 + s 2 yp ) 29/09/06 Adriano Decarli 54
55 Stima puntuale Esempio I soggetti che hanno ottenuto un valore di 10 al test attitudinale, avranno mediamente un voto pari a: y ^= (10) = Intervallo di confidenza per E(y p ) Il relativo intervallo di confidenza al 95% di questo voto medio è : (2.447) = Intervallo di confidenza per y p Il relativo intervallo di confidenza al 95% di un singolo voto è: (2.447) = /09/06 Adriano Decarli 55
56 Analisi dei Residui - 1 Residuo per l osservazione i y i y i Residuo standardizzato per l osservazione i ^ dove: y s i y i 29/09/06 Adriano Decarli 56 ^ y i ^ y i s = s 1 h ^ y y i i i
57 Analisi dei residui -2 dove h i = [1/n + {(x i x m ) 2 / (x i x m ) 2 }] Il termine h i è anche utilizzato come misura di Leverage dell i-esima osservazione. Se il valore è più grande di 6/n, l osservazione è considerata essere influente nella stima dei parametri della regressione. 29/09/06 Adriano Decarli 57
58 Analisi dei residui - 3 Utilizzata per valutare la validità delle assunzioni sottese all analisi della regressione. Le assunzioni relative all errore sono : E(ε) =0; la varianza ε è uguale per tutti i valori di x; i valori di ε sono indipendenti; εha una distribuzione normale. 29/09/06 Adriano Decarli 58
59 Plot dei residui Plot dei residui vs. x Fornisce un indicazione relativamente al pattern di distribuzione dei residui attorno al valore atteso 0, e fornisce un indicazione relativamente alla omoscedasticità della varianza. Se i valori dei residui sono funzione di x allora non vale l assunto di omoscedasticità. Pattern particolari della distribuzione dei residui segnalano inadeguatezza del modello. 29/09/06 Adriano Decarli 59
60 Plot dei residui Grafico dei residui vs y(atteso) Simile a quello vs x. Utilizzato quando vi sono più variabili indipendenti. Residui standardizzati vs y(atteso) Fornisce indicazioni riguardo alla normalità del termine di errore ε. Se il 95% dei punti si trovano nell intervallo ( + 2 ; 2 ) si può concludere che ε è normale. 29/09/06 Adriano Decarli 60
61 Normal probability plot In ascissa i residui e i, in ordinata la scala delle deviate gaussiane standardizzate; Disporre gli e i in ordine crescente ed indicare con e (i ) l i- esimo a partire dal minimo; calcolare p (i ) = [ i- 0.5]/n, per i=1,,n e ricavare da una tavola della distribuzione cumulativa gaussiana la corrispondente deviata z (i ) ; riportare sul grafico le n coppie di valori [e (i ),z (i ) ] ; se l insieme dei valori e i è distribuito in modo normale, le coppie di valori [e (i ),z (i ) ] giacciono su una linea retta. 29/09/06 Adriano Decarli 61
62 Analisi dei residui Outliers Un osservazione inusuale quando confrontata con gli altri punti. Alcuni package identificano come outlier una osservazione quando il residuo standardizzato ad essa corrispondente assume valori < -2 o > +2. Questa regola a volte non ha successo nell identificare come outlier osservazioni inusualmente lontane dalla nuvola dei punti. 29/09/06 Adriano Decarli 62
63 DEFINIZIONE GENERALE DI UN MODELLO STATISTICO Ci limiteremo alla classe di modelli definita come modelli lineari generalizzati. Sono esplicitabili attraverso tre componenti: a) La funzione di distribuzione di probabilità f(y) della variabile di risposta y. Dipende da µ (e anche da altri parametri). b) La funzione di regressione lineare (predittore lineare) che lega le p variabili indipendenti ai parametri (da stimare) del modello η = β x ' = β 0 x 0 + β 1 x β p x p c) La funzione di trasformazione (Link function) che lega il predittore lineare η alla media µ η = g ( µ ) 29/09/06 Adriano Decarli 63
64 FUNZIONE DI VEROSIMIGLIANZA Sia: f ( y µ,φ) ( y, ) i x i la funzione densità di probabilità che dipende dalla media µ (a cui il predittore lineare η è legato) e da un vettore di parametri φ non legato a η con x i (x oi, x pi ), il vettore delle variabili (di risposta ed esplicative) osservate sull unità statistica i; µ i il valore atteso µ per l i-esima osservazione 29/09/06 Adriano Decarli 64
65 Se la raccolta dei dati è frutto di un campionamento casuale semplice, la probabilità di ottenere le osservazioni: y 1, y 2,.., y n è data da: f Ottenute le osservazioni: L ( y µ, φ) f ( y µ, φ)... f ( y µ, φ) ( µ ) ( ) 1, µ 2,..., µ n, φ = L ϑ; y = f ( yi µ i, φ) è la funzione di verosimiglianza n i= 1 n n 29/09/06 Adriano Decarli 65
66 L cioè è proporzionale alla probabilità di ottenere il campione osservato, considerata come funzione dei parametri ignoti µ µ,..., µ, φ 1, 2 n Dal punto di vista della rappresentazione algebrica L(ϑ; y) e f(y; ϑ) sono le stesse In f l enfasi è sulle variabili casuali y con ϑ fissate, in L sul parametro ϑ con y (le osservazioni) fissate 29/09/06 Adriano Decarli 66
67 Sia Ω lo spazio dei parametri (tutti i valori che ϑ può assumere). Lo stimatore di massima verosimiglianza di ϑ è definito come il vettore ϑˆ tale per cui: L ( ϑˆ, y) L( ϑ, y) ϑ Ω Analogamente se l( ; y) = log L( ϑ; y) vettore per cui l ϑ si ha che ϑˆ è quel ( ϑˆ, y) l( ϑ, y) ϑ Ω 29/09/06 Adriano Decarli 67
68 (,1) y N µ f 1 2π ( y; µ ) = exp ( y µ ) con ϑ = µ f( y, ϑ) = exp yϑ a( ϑ) + b( y) = exp = exp yµ Esempio Normale 2 2 ( y + µ 2yµ ) µ y = 2 29/09/06 Adriano Decarli 68 1 ln 2π 2 = 1 ln 2π = exp yϑ ϑ + y ln 2π 2 2 2
69 29/09/06 Adriano Decarli 69 Esempio Binomiale ( ) y B n,p ( ) ( ) ( ) n y y n y p 1 p 1 p y n p 1 p y n y;p f = = ( ) + + = y n ln p 1 n ln p 1 p yln exp ϑ = p 1 p ln da cui ( ) p 1 e p = ϑ ϑ ϑ = pe e p ϑ ϑ + = e 1 e p ϑ + = ϑ ϑ ϑ y n ln e 1 e e 1 n ln y exp ( ) + + ϑ = ϑ y n ln e n ln 1 y exp
70 Esempio Poisson y P( µ ) f ( y; ϑ) = = e µ µ y! exp y [ µ + ylnµ ln( y! )] con ϑ = lnµ = exp [ ϑ yϑ e + ( ln( y! ))] 29/09/06 Adriano Decarli 70
71 Sono casi particolari di GLM le seguenti comuni procedure: 1) Regressione lineare con variabili indipendenti quantitative e distribuzione normale dell errore 2) Analisi di tabelle multidimensionali risultanti da disegni fattoriali (anche incompleti e non ortogonali) 3) Analisi della covarianza 4) Analisi di tabelle contenenti frequenze, con modelli loglineari 5) Analisi in scala logit di tabelle contenenti proporzioni 6) analisi probit di curve dose-risposta 29/09/06 Adriano Decarli 71
Statistica. Esercitazione 16. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 16 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 24 Studio della relazione tra due variabili Commonly Asked Questions Qual è la relazione tra la spesa
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Misura dell associazione tra due caratteri Uno store manager è interessato a studiare la relazione
DettagliCarta di credito standard. Carta di credito business. Esercitazione 12 maggio 2016
Esercitazione 12 maggio 2016 ESERCIZIO 1 Si supponga che in un sondaggio di opinione su un campione di clienti, che utilizzano una carta di credito di tipo standard (Std) o di tipo business (Bsn), si siano
DettagliANALISI MULTIVARIATA
ANALISI MULTIVARIATA Marcella Montico Servizio di epidemiologia e biostatistica... ancora sulla relazione tra due variabili: la regressione lineare semplice VD: quantitativa VI: quantitativa Misura la
DettagliUNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA
UNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA CORSO DI COSTRUZIONI IDRAULICHE A.A. 00-0 PROF. LUIGI DA DEPPO ING. NADIA URSINO ESERCITAZIONE N : Progetto
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Esercizio 1 (stima puntuale) In un processo di controllo di qualità, siamo interessati al numero mensile di guasti
DettagliAnalisi della varianza
1. 2. univariata ad un solo fattore tra i soggetti (between subjects) 3. univariata: disegni fattoriali 4. univariata entro i soggetti (within subjects) 5. : disegni fattoriali «misti» L analisi della
DettagliIndice Aspetti generali sul campionamento da popolazioni finite Campionamento probabilistico Disegno campionario semplice
Indice 1 Aspetti generali sul campionamento da popolazioni finite.. 1 1.1 Rilevazionicensuarieerilevazionicampionarie... 1 1.2 Lineemetodologichediunarilevazionestatistica... 3 1.3 Popolazioni, etichette,
DettagliEsercitazione # 6. a) Fissato il livello di significatività al 5% si tragga una conclusione circa l opportunità di avviare la campagna comparativa.
Statistica Matematica A Esercitazione # 6 DUE MEDIE CON VARIANZE NOTE: Esercizio # Le ditte A e B producono sfere luminose. Una volta attivata la reazione chimica che rende luminosa una di queste sfere,
DettagliEsercitazioni di statistica
Esercitazioni di statistica Misure di associazione: Indipendenza assoluta e in media Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 22 ottobre 2014 Stefania Spina Esercitazioni
DettagliITCS Erasmo da Rotterdam. Anno Scolastico 2014/2015. CLASSE 4^ M Costruzioni, ambiente e territorio
ITCS Erasmo da Rotterdam Anno Scolastico 014/015 CLASSE 4^ M Costruzioni, ambiente e territorio INDICAZIONI PER IL LAVORO ESTIVO DI MATEMATICA e COMPLEMENTI di MATEMATICA GLI STUDENTI CON IL DEBITO FORMATIVO
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliStatistica 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
DettagliMINISTERO DELL'ISTRUZIONE, DELL'UNIVERSITÀ, DELLA RICERCA SCUOLE ITALIANE ALL ESTERO
Sessione Ordinaria in America 4 MINISTERO DELL'ISTRUZIONE, DELL'UNIVERSITÀ, DELLA RICERCA SCUOLE ITALIANE ALL ESTERO (Americhe) ESAMI DI STATO DI LICEO SCIENTIFICO Sessione Ordinaria 4 SECONDA PROVA SCRITTA
DettagliSTATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia
STATISTICA GIUSEPPE DE NICOLAO Dipartimento di Informatica e Sistemistica Università di Pavia SOMMARIO V.C. vettoriali Media e varianza campionarie Proprietà degli stimatori Intervalli di confidenza Statistica
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
DettagliEsercizi di Calcolo delle Probabilità e Statistica Matematica
Esercizi di Calcolo delle Probabilità e Statistica Matematica Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche 1. Esercizio (1 marzo 211 n.
DettagliProf.ssa Paola Vicard
Questa nota consiste perlopiù nella traduzione (con alcune integrazioni) da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo i dati nel file esercizio10_dati.xls.
DettagliProtocollo dei saperi imprescindibili Ordine di scuola: professionale
Protocollo dei saperi imprescindibili Ordine di scuola: professionale DISCIPLINA: MATEMATICA RESPONSABILE: CAGNESCHI F. IMPERATORE D. CLASSE: prima servizi commerciali Utilizzare le tecniche e le procedure
Dettagli2. Variabilità mediante il confronto di valori caratteristici della
2. Variabilità mediante il confronto di valori caratteristici della distribuzione Un approccio alternativo, e spesso utile, alla misura della variabilità è quello basato sul confronto di valori caratteristici
DettagliRiassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice
cap 0 Romane - def_layout 1 12/06/12 07.51 Pagina V Prefazione xiii Capitolo 1 Nozioni introduttive 1 1.1 Introduzione 1 1.2 Cenni storici sullo sviluppo della Statistica 2 1.3 La Statistica nelle scienze
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliRegressione Mario Guarracino Data Mining a.a. 2010/2011
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume
Dettagli3) ANALISI DEI RESIDUI
3) ANALISI DEI RESIDUI Dopo l analisi di regressione si eseguono alcuni test sui residui per avere una ulteriore conferma della validità del modello e delle assunzioni (distribuzione normale degli errori,
DettagliMetodologie Quantitative
Metodologie Quantitative Regressione Logistica II M Q Marco Perugini Milano-Bicocca 1 La regressione logistica La regressione logistica si propone di studiare e quantificare le relazioni tra una o più
DettagliMATEMATICA GENERALE Prova d esame del 4 giugno 2013 - FILA A
MATEMATICA GENERALE Prova d esame del 4 giugno 2013 - FILA A Nome e cognome Matricola I Parte OBBLIGATORIA (quesiti preliminari: 1 punto ciascuno). Riportare le soluzioni su questo foglio, mostrando i
Dettagliˆp(1 ˆp) n 1 +n 2 totale di successi considerando i due gruppi come fossero uno solo e si costruisce z come segue ˆp 1 ˆp 2. n 1
. Verifica di ipotesi: parte seconda.. Verifica di ipotesi per due campioni. Quando abbiamo due insiemi di dati possiamo chiederci, a seconda della loro natura, se i campioni sono simili oppure no. Ci
DettagliL indagine statistica
1 L indagine statistica DEFINIZIONE. La statistica è quella disciplina che si occupa della raccolta di dati quantitativi relativi a diversi fenomeni, della loro elaborazione e del loro utilizzo a fini
DettagliEsercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue
Esercizi del Corso di Statistica Parte I - Variabili Aleatorie Continue 1. Costruire la variabile uniforme U sull intervallo [a, b], con a IR e b IR. 2. Sia X una variabile aleatoria tale che: 0 x < 1
Dettagli4. Confronto tra medie di tre o più campioni indipendenti
BIOSTATISTICA 4. Confronto tra medie di tre o più campioni indipendenti Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO
DettagliCENNI DI METODI STATISTICI
Corso di Laurea in Ingegneria Aerospaziale CENNI DI METODI STATISTICI Docente: Page 1 Page 2 Page 3 Due eventi si dicono indipendenti quando il verificarsi di uno non influisce sulla probabilità di accadimento
DettagliSoluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini)
Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini) Esercizio 1 In uno studio sugli affitti mensili, condotto su un campione casuale di 14 monolocali nella città nella città
DettagliIl Metodo Scientifico
Unita Naturali Il Metodo Scientifico La Fisica si occupa di descrivere ed interpretare i fenomeni naturali usando il metodo scientifico. Passi del metodo scientifico: Schematizzazione: modello semplificato
DettagliESERCIZI 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
DettagliMarketing mix, break even point e profitto. massimo
Marketing mix, break even point e profitto massimo per l introduzione di un nuovo prodotto Nella vita dell impresa una delle attività centrali della funzione di marketing riguarda la pianificazione dei
DettagliI ESERCITAZIONE. Gruppo I 100 individui. Trattamento I Nuovo Farmaco. Osservazione degli effetti sul raffreddore. Assegnazione casuale
I ESERCITAZIONE ESERCIZIO 1 Si vuole testare un nuovo farmaco contro il raffreddore. Allo studio partecipano 200 soggetti sani della stessa età e dello stesso sesso e con caratteristiche simili. i) Che
DettagliI metodi per la misura della prognosi
C.I. di Metodologia clinica I metodi per la misura della prognosi Obiettivo Conoscere ed utilizzare i principali strumenti per identificare i fattori di rischio e i fattori prognostici 1 Gallo C. Gallo_
Dettagli7 Disegni sperimentali ad un solo fattore. Giulio Vidotto Raffaele Cioffi
7 Disegni sperimentali ad un solo fattore Giulio Vidotto Raffaele Cioffi Indice: 7.1 Veri esperimenti 7.2 Fattori livelli condizioni e trattamenti 7.3 Alcuni disegni sperimentali da evitare 7.4 Elementi
DettagliMISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE
MISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE La distanza focale f di una lente convergente sottile è data dalla formula: da cui 1 f = 1 p + 1 q f = pq p + q dove p e q sono, rispettivamente, le
DettagliIl modello di regressione lineare multivariata
Il modello di regressione lineare multivariata Eduardo Rossi 2 2 Università di Pavia (Italy) Aprile 2013 Rossi MRLM Econometria - 2013 1 / 39 Outline 1 Notazione 2 il MRLM 3 Il modello partizionato 4 Collinearità
DettagliTest di restrizioni lineari nel MRLM: Esempi
Test di restrizioni lineari nel MRLM: Esempi Eduardo Rossi Università degli Studi di Pavia Corso di Econometria Marzo 2012 Rossi Test F: esempi 2012 1 / 23 Funzione di produzione Cobb-Douglas Esempio GDP
DettagliMetodi di Distanza. G.Allegrucci riproduzione vietata
Metodi di Distanza La misura più semplice della distanza tra due sequenze nucleotidiche è contare il numero di siti nucleotidici che differiscono tra le due sequenze Quando confrontiamo siti omologhi in
DettagliLaboratorio R Corso di Algebra e Modelli lineari (Anno Accademico 2011-12)
Laboratorio R Corso di Algebra e Modelli lineari (Anno Accademico 011-1) REGRESSIONE LINEARE SEMPLICE OPEN STATISTICA 8.44 Per 8 settimanali, appartenenti alla medesima fascia di prezzo e presenti in edicola
DettagliQuantificare la variabilità dei processi ecologici
Scopo ecologia Quantificare la variabilità dei processi ecologici Comprensione dei meccanismi fondamentale per identificare gli effetti del disturbo antropico e per prevenire alterazioni su scala globale
DettagliANALISI DEI DATI PER IL MARKETING 2014
ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it MISURE DI DISTANZA E SIMILARITA 1 SCOPI DEL CALCOLO Problema: misurare la diversità (ovvero la rassomiglianza) tra
DettagliTEST DI AUTOVALUTAZIONE TEST SU DUE CAMPIONI
TEST DI AUTOVALUTAZIONE TEST SU DUE CAMPIONI I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Statistica Parte A. Per verificare l efficacia di un farmaco
DettagliPrefazione all edizione originale. Prefazione all edizione italiana
Indice Prefazione all edizione originale Prefazione all edizione italiana xiii xv 1 Il miglioramento della qualità nel moderno ambiente produttivo 1 1.1 Significato dei termini qualità e miglioramento
DettagliDefinizione Dati due insiemi A e B, contenuti nel campo reale R, si definisce funzione reale di variabile reale una legge f : A
Scopo centrale, sia della teoria statistica che della economica, è proprio quello di esprimere ed analizzare le relazioni, esistenti tra le variabili statistiche ed economiche, che, in linguaggio matematico,
DettagliRegressione Logistica: un Modello per Variabili Risposta Categoriali
: un Modello per Variabili Risposta Categoriali Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 1 / 54 Introduzione Premessa I modelli di regressione
DettagliSTUDIO DI SETTORE VK20U
ALLEGATO 5 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VK20U ATTIVITÀ PROFESSIONALE SVOLTA DA PSICOLOGI CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore attribuisce
DettagliRelazioni tra variabili
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Corso di Laurea in Medicina e Chirurgia - A.A. 009-10 Scuole di specializzazione in: Medicina Legale, Medicina del Lavoro, Igiene e Medicina
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema
DettagliEconometria. lezione 17. variabili dipendenti binarie. Econometria. lezione 17. AA 2014-2015 Paolo Brunori
AA 2014-2015 Paolo Brunori domande di mutui rigettate - nei dati raccolti a Boston negli anni 90 il tasso di rifiuto è 28% per i neri e 9% per i bianchi - si può parlare di discriminazione? - è possibili
DettagliVARIANZA CAMPIONARIA E DEVIAZIONE STANDARD. Si definisce scarto quadratico medio o deviazione standard la radice quadrata della varianza.
VARIANZA CAMPIONARIA E DEVIAZIONE STANDARD Si definisce varianza campionaria l indice s 2 = 1 (x i x) 2 = 1 ( xi 2 n x 2) Si definisce scarto quadratico medio o deviazione standard la radice quadrata della
DettagliStudio di funzione. Tutti i diritti sono riservati. E vietata la riproduzione, anche parziale, senza il consenso dell autore. Funzioni elementari 2
Studio di funzione Copyright c 2009 Pasquale Terrecuso Tutti i diritti sono riservati. E vietata la riproduzione, anche parziale, senza il consenso dell autore. Funzioni elementari 2 Studio di funzione
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva
Università del Piemonte Orientale Corsi di Laurea Triennale Corso di Statistica e Biometria Introduzione e Statistica descrittiva Corsi di Laurea Triennale Corso di Statistica e Biometria: Introduzione
DettagliISTITUTO D'ISTRUZIONE SUPERIORE A. MOTTI
ISTITUTO D'ISTRUZIONE SUPERIORE A. MOTTI ISTITUTO PROFESSIONALE DI ENOGASTRONOMIA E OSPITALITA ALBERGHIERA CON I PERCORSI: ACCOGLIENZA TURISTICA, CUCINA, SALA-BAR ISTITUTO TECNICO PER IL TURISMO Sede Amministrativa:
Dettagli1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.
Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
DettagliLimited Dependent Variable Models
Limited Dependent Variable Models Logit Tobit Probit Modelli Logit e Probit Latent variable models for binary choice Models for descrete dependent variable Traducendo Spesso vogliamo studiare (le determinanti
DettagliLineamenti di econometria 2
Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) Regressione con Variabili Dummy Regressione con Variabili Dummy La
DettagliRAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL
RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL 1 RAPPRESENTAZIONE GRAFICA Per l analisi dati con Excel si fa riferimento alla versione 2007 di Office, le versioni successive non differiscono
DettagliCorrezione dell Esame di Statistica Descrittiva (Mod. B) 1 Appello - 28 Marzo 2007 Facoltà di Astronomia
Correzione dell Esame di Statistica Descrittiva (Mod. B) 1 Appello - 8 Marzo 007 Facoltà di Astronomia ESERCIZIO 1 La seguente tabella riporta la distribuzione congiunta della situazione lavorativa e dello
DettagliSTIMARE valori ed eseguire ANALISI DI REGRESSIONE
STIMARE valori ed eseguire ANALISI DI REGRESSIONE È possibile impostare una serie di valori che seguono una tendenza lineare semplice oppure una tendenza con crescita esponenziale. I valori stimati vengono
DettagliLa 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
Dettagli1. Richiami di Statistica. Stefano Di Colli
1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche
Dettagli1 Associazione tra variabili quantitative COVARIANZA E CORRELAZIONE
1 Associazione tra variabili quantitative ASSOCIAZIONE FRA CARATTERI QUANTITATIVI: COVARIANZA E CORRELAZIONE 2 Associazione tra variabili quantitative Un esempio Prezzo medio per Nr. Albergo cliente (Euro)
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato
DettagliDott.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
DettagliS P E T T R O S C O P I A. Dispense di Chimica Fisica per Biotecnologie Dr.ssa Rosa Terracciano
S P E T T R O S C O P I A SPETTROSCOPIA I PARTE Cenni generali di spettroscopia: La radiazione elettromagnetica e i parametri che la caratterizzano Le regioni dello spettro elettromagnetico Interazioni
DettagliINDICAZIONI PER LA RICERCA DEGLI ASINTOTI VERTICALI
2.13 ASINTOTI 44 Un "asintoto", per una funzione y = f( ), è una retta alla quale il grafico della funzione "si avvicina indefinitamente", "si avvicina di tanto quanto noi vogliamo", nel senso precisato
DettagliELEMENTI 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
DettagliSTATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE
STATISTICA DESCRITTIVA SCHEDA N. : REGRESSIONE LINEARE Nella Scheda precedente abbiamo visto che il coefficiente di correlazione fra due variabili quantitative X e Y fornisce informazioni sull esistenza
DettagliRelazioni 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
Dettagli2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale
BIOSTATISTICA 2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk
DettagliSyllabus: argomenti di Matematica delle prove di valutazione
Syllabus: argomenti di Matematica delle prove di valutazione abcdef... ABC (senza calcolatrici, senza palmari, senza telefonini... ) Gli Argomenti A. Numeri frazioni e numeri decimali massimo comun divisore,
DettagliLEZIONI DI STATISTICA
ez10 l GIOVANNI GIRONE Ordinario nell'università di Bari TOMMASO SALVEMINI Ordinario nel!' Università di Roma LEZIONI DI STATISTICA Volume Secondo CACUCCI EDITORE - BARI - 1992 CENTRO " G. ASTENGO» INVENTARIO
DettagliIN MATLAB distribuzione di frequenza. >> x(1)=7.5; >> for i=2:7 x(i)=x(i-1)+5; end. IN MATLAB distribuzione di frequenza
IN MATLAB distribuzione di frequenza 2-1 4. Usare la function histc(dati,x) 2-2 1. Riportare i dati in un file (ad esempio dati.mat); 2. load ascii dati: viene creata una variabile dati contenente il campione;
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliRIDUZIONE DELLE DISTANZE
RIDUZIONE DELLE DISTANZE Il problema della riduzione delle distanze ad una determinata superficie di riferimento va analizzato nei suoi diversi aspetti in quanto, in relazione allo scopo della misura,
DettagliPROGRAMMA. Borse di studio riservate a elementi con orientamento nelle discipline economico-aziendali lett. A dell art.
PROGRAMMA Borse di studio riservate a elementi con orientamento nelle discipline economico-aziendali lett. A dell art. 1 del bando EVENTUALE TEST PRESELETTIVO su tutte le materie previste per la prova
DettagliEsercizio 2 Si consideri la funzione f definita dalle seguenti condizioni: e x. per x 1 f(x) = α x + e 1 per 1 < x
FUNZIONI Esercizio 1 Studiare la funzione f(x) = ln ( ) x e disegnarne il grafico. x 1 Esercizio 2 Si consideri la funzione f definita dalle seguenti condizioni: { e x per x 1 f(x) = α x + e 1 per 1
DettagliSTUDIO DI SETTORE VG73B
ALLEGATO 12 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG73B SPEDIZIONIERI, INTERMEDIARI DEI TRASPORTI E CORRIERI CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore
Dettagli2. Analisi Statistica dei Dati
Frequenza e Probabilità Distribuzione di probabilità Media e varianza Regressione statistica Test del χ Correlazione lineare Analisi della varianza Media e varianza multivariata Gaussiana Multivariata
DettagliReti di Telecomunicazioni 1
Reti di Telecomunicazioni 1 AA2011/12 Sistemi a coda Blocco E4 Ing. Francesco Zampognaro e-mail: zampognaro@ing.uniroma2.it Lucidi Prof. Stefano Salsano 1 Modelli per sistemi telefonici - La coda M/M/S/S
DettagliPrelazione. Lista delle Figure. Lista delle Tabelle
Indice Prelazione Indice Lista delle Figure Lista delle Tabelle VI IX XV XVI 1 Nozioni Introduttive 1 1.1 Inferenza Statistica 1 1.2 Campionamento 5 1.3 Statistica e Probabilità 7 1.4 Alcuni Problemi e
DettagliRELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della
RELAZIONE TRA VARIABILI QUANTITATIVE Lezione 7 a Accade spesso nella ricerca in campo biomedico, così come in altri campi della scienza, di voler studiare come il variare di una o più variabili (variabili
DettagliInferenza statistica
Inferenza statistica Si tratta di un complesso di tecniche, basate sulla teoria della probabilità, che consentono di verificare se sia o no possibile trasferire i risultati ottenuti per un campione ad
DettagliRELAZIONE 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
DettagliRegressione Lineare con un Singolo Regressore
Regressione Lineare con un Singolo Regressore Quali sono gli effetti dell introduzione di pene severe per gli automobilisti ubriachi? Quali sono gli effetti della riduzione della dimensione delle classi
DettagliSTUDIO DI SETTORE WG87U
ALLEGATO 21 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE WG87U CONSULENZA FINANZIARIA, AMMINISTRATIVO-GESTIONALE E AGENZIE DI INFORMAZIONI COMMERCIALI CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE
DettagliMetodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli
Programma dell insegnamento di Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli Corso di Laurea in Metodi Quantitativi per l Economia e la Gestione delle Aziende A.A. 2007-08 Disciplina
DettagliLezione 3: Il problema del consumatore:
Corso di Economica Politica prof. S.Papa Lezione 3: Il problema del consumatore: scelta ottimale Facoltà di Economia Università di Roma La Sapienza Lucidi liberamente tratti dai lucidi del prof. Rodano
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi
DettagliPROBLEMI DI SCELTA dipendenti da due variabili d azione
prof. Guida PROBLEMI DI SCELTA dipendenti da due variabili d azione in un problema di programmazione lineare, si ricorda che la funzione obiettivo z=f(x,y)=ax+by+c assume il suo valore massimo (o minimo)
DettagliVALIDAZIONE SECONDO LE NORME ISO ED UNI-ENV-ISO DEL METODO COLORIMETRICO QUANTITATIVO MBS CONTA DI COLIFORMI IN ACQUE SUPERFICIALI
VALIDAZIONE SECONDO LE NORME ISO ED UNI-ENV-ISO DEL METODO COLORIMETRICO QUANTITATIVO MBS CONTA DI COLIFORMI IN ACQUE SUPERFICIALI Le metodiche sperimentali e le analisi statistiche che vengono applicate
DettagliCORSO DI MACROECONOMETRIA. Oggetto del corso, testo e orari di ricevimento. Programma. Facoltà di Economia. prof. Mario Forni
prof. Mario Forni 1 2 Oggetto del corso, testo e orari di ricevimento Programma Analisi statistica delle serie temporali Applicazioni economiche (previsione, scomposizione ciclo-trend) Ma le applicazioni
DettagliUNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA A. A. 2008-2009 FACOLTÀ DI ECONOMIA. Programma del modulo di STATISTICA I (6 crediti)
UNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA A. A. 2008-2009 FACOLTÀ DI ECONOMIA Programma del modulo di STATISTICA I (6 crediti) ECOCOM (lettere A-Lh): ECOCOM (lettere Li-Z): ECOBAN: ECOAMM (Lettere A-Lh):
DettagliIndice. pag. 15. Prefazione. Introduzione» 17
Indice Prefazione 15 Introduzione 17 1. Pianificazione della qualità 1.1. Il concetto di 6 sigma 1.1.1. Le aree e le fasi del sei sigma 1.2. I processi produttivi e la variabilità 1.2.1. Cause comuni 1.2.2.
Dettagli