Metodi di previsione
|
|
- Rosa Vacca
- 4 anni fa
- Visualizzazioni
Transcript
1 Metodi di previsione Giovanni Righini Università degli Studi di Milano Corso di Logistica
2 I metodi di previsione I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali a partire dai dati. Le previsioni possono avere diversi orizzonti temporali: breve termine (es.: numero di chiamate ad un call center nelle prossime settimane) medio termine (es.: previsioni di vendita per il piano finanziario annuale di un azienda) lungo termine (es.: domanda di automobili a idrogeno nei prossimi decenni)
3 Testi di riferimento C. Vercellis, Modelli e decisioni : strumenti e metodi per le decisioni aziendali, Pitagora Editrice, Bologna 1997 G. Ghiani, R. Musmanno, Modelli e metodi per l organizzazione dei sistemi logistici, Pitagora Editrice, Bologna 2000 C. Vercellis, Business intelligence: modelli matematici e sistemi per le decisioni, McGraw-Hill, Milano 2006
4 Classificazione Esistono metodi qualitativi e quantitativi. Metodi qualitativi: Opinione di esperti Sondaggio di mercato Metodo Delphi Metodi qualitativi: Metodi esplicativi: si suppone esista un legame causa-effetto e lo si vuole rappresentare formalmente; Metodi estrapolativi: si vogliono desumere delle regolarità dalle osservazioni disponibili.
5 Metodi di regressione Analisi di regressione L obiettivo è di identificare un legame funzionale tra un effetto e le sue presunte cause. Si osserva una grandezza y (variabile dipendente) e si suppone sia funzione di altre grandezze x (variabili indipendenti). y = f(x) Se la variabile indipendente è una sola, si ha la regressione semplice. Conoscendo (da osservazioni precedenti) alcune coppie di valori (x i, y i ), si vuole trovare la funzione f() che meglio le spiega.
6 Metodi di regressione Analisi di regressione Invece di cercare una funzione, potenzialmente complicata, che spieghi esattamente le osservazioni, si preferisce cercare una funzione semplice che spieghi le osservazioni con una certa approssimazione. Si ammette quindi che i valori ottenuti dal calcolo di f(x i ) possano differire dai valori osservati y i. Se la funzione f() è una retta, si ha la regressione lineare. y = A+Bx +ǫ La differenza ǫ tra valori calcolati e valori osservati è il residuo ed è una variabile casuale che deve soddisfare due requisiti: distribuzione normale con media nulla indipendenza tra ǫ i ed ǫ j per ogni i j.
7 Metodi di regressione Metodo dei minimi quadrati Si assume come misura dell approssimazione Q = N (f(x i ) y i ) 2 i=1 che è la funzione obiettivo che si vuole minimizzare. Le incognite, o variabili decisionali, sono i parametri della retta, cioè A e B. Per trovare i loro valori ottimi, basta calcolare le derivate parziali di Q rispetto ad A e B e porle uguali a zero.
8 Metodi di regressione Metodo dei minimi quadrati data time
9 Metodi di regressione Metodo dei minimi quadrati Indicando i valori medi con N i=1 x = x N i i=1 e y = y i N N si ha: dove S xx = N i=1 (x i x) 2 S xy = N i=1 (x i x)(y i y) S yy = N i=1 (y i y) 2 B = S xy S xx e A = y Bx
10 Metodi di regressione Passaggio per l origine Se si vuole imporre che la retta di predizione y = A+Bx passi per l origine, si pone A = 0 e si stima solo B = N i=1 x iy i N i=1 x. i 2
11 Metodi di regressione Valutazione del modello A posteriori è importante valutare l affidabilità del modello usato. Pendenza della retta: Il modello si ritiene non-significativo se un dato intervallo di confidenza per B contiene il valore 0. Coefficiente di correlazione lineare (indice di Pearson): r = Sxy. Sxx S yy Si ha sempre 1 r 1. Se r > 0 la retta sale, se r < 0 la retta scende. Se r 1, la correlazione lineare è forte; se r 0, è debole. Stimatore della varianza: s 2 N i=1 = (f(x i) y i ) 2 N 2 = 1 N 2 (S yy BS xy ).
12 Serie storiche Una serie storica è una sequenza di valori y t assunti da una grandezza di interesse in corrispondenza di istanti temporali t. Se essi definiscono un insieme discreto la serie storica viene detta a tempo discreto. Considereremo serie storiche a tempo discreto con istanti t uniformemente distanziati nel tempo (anni, settimane, giorni,...).
13 Classificazione I metodi estrapolativi si possono applicare alla previsione di un solo periodo o di più periodi in avanti. Metodi di scomposizione delle serie storiche Metodi di smoothing esponenziale: Metodo di Brown Metodo di Holt Metodo di Winters Modelli autoregressivi: Modelli autoregressivi (AR) Modelli a media mobile (MA)
14 Scomposizione di serie temporali Modelli di serie temporali Si fa l ipotesi che i valori osservati y t nella serie temporale siano il risultato della combinazione di componenti di natura diversa. Andamento tendenziale di lungo periodo m t Andamento dovuto ai cicli economici v t Andamento stagionale s t (noto il periodo L) Residuo casuale, imprevedibile r t. Relativamente al modo in cui le componenti si combinano si distinguono modelli additivi e moltiplicativi. Modelli additivi: y t = m t + v t + s t + r t Modelli moltiplicativi: y t = m t v t s t r t Nel seguito considereremo un modello moltiplicativo.
15 Scomposizione di serie temporali Media mobile Conoscendo il periodo L della componente stagionale, la si può rimuovere calcolando la media su tutti i periodi di lunghezza L. L dispari: (mv) t = L pari: (mv) t = t+ L 1 2 i=t L 1 y i 2 L 1 2 y t L + t+ L i=t 2 L y i y t+ 2 L L Per separare la componente tendenziale m dalla componente v, si ipotizza che la prima sia lineare e la si ricava con la regressione lineare semplice, dove il tempo è la variabile indipendente.
16 Scomposizione di serie temporali Indici di stagionalità La componente stagionale e aleatoria si ricava da (sr) t = y t (mv) t. Gli indici di stagionalità s 1,...,s L si ottengono come k s t = (sr) t+kl N t dove gli estremi della sommatoria sono tali da coprire tutti i (sr) calcolati in precedenza ed N t indica il numero degli addendi. Gli indici così ricavati vengono poi normalizzati: s t = Ls t L t=1 s t t = 1,...,L. Si ha quindi s t+kl = s t per ogni t e per ogni k intero.
17 Scomposizione di serie temporali Esempio: componente tendenziale Componente tendenziale 1200,0 1000,0 800,0 600,0 400,0 200,0 0, Periodi
18 Scomposizione di serie temporali Esempio: componente stagionale Componente stagionale 1,2 1,1 1,0 0,9 0,8 0,7 0, Periodi
19 Scomposizione di serie temporali Previsione La previsione è fatta combinando le componenti tendenziale m e stagionale s. Predizione 1100,0 1000,0 900,0 800,0 700,0 600,0 Serie storica Predizione 500,0 400, Periodi
20 Metodi di smoothing esponenziale Introduzione Sono metodi per la predizione di serie storiche semplici, versatili e accurati. Ne esistono diversi, che tengono o meno conto dell esistenza di componenti tendenziali e stagionali nella serie storica in esame. L idea di base è quella di pesare maggiormente le osservazioni più recenti rispetto a quelle più remote nel passato. Questo rende i metodi di smoothing capaci di adeguarsi rapidamente a variazioni improvvise nel valore della serie storica a causa di eventi che modificano la regolarità del fenomeno osservato (guasti tecnici, offerte speciali, fallimento di aziende concorrenti, crisi finanziarie...).
21 Metodi di smoothing esponenziale Metodo di Brown È il metodo di smoothing esponenziale semplice. Media smorzata: s t = αy t +(1 α)s t 1 t 2 s 1 = y 1 Predizione: f t+1 = s t con 0 α 1. Per α prossimo a 0 il modello è più inerte; per α prossimo a 1 è più reattivo. Il valore ottimo di α si ottiene minimizzando lo scarto quadratico medio.
22 Metodi di smoothing esponenziale Metodo di Holt È il metodo di smoothing esponenziale con correzione di tendenza. Media smorzata: s t = αy t +(1 α)(s t 1 + m t 1 ) t 2 m t = β(s t s t 1 )+(1 β)m t 1 t 2 s 1 = y 1 m 1 = y 2 y 1 Predizione: f t+1 = s t + m t. con 0 β 1, ottimizzato minimizzando lo scarto quadratico medio.
23 Metodi di smoothing esponenziale Metodo di Winters È il metodo di smoothing esponenziale con correzione di tendenza e di stagionalità (di periodo L noto). Media smorzata: s t = α y t q t L +(1 α)(s t 1 + m t 1 ) t 2 m t = β(s t s t 1 )+(1 β)m t 1 t 2 q t = γ y t s t +(1 γ)q t L t L+1 s 1 = y 1 m 1 = y 2 y 1 q t = y t L τ=1 yτ/l t = 1,...,L con 0 γ 1, ottimizzato minimizzando lo scarto quadratico medio. La predizione è f t+1 = (s t + m t )q t L+1.
24 Metodi di smoothing esponenziale Eliminazione tendenza e stagionalità Per rimuovere da una serie storica la componente di tendenza o di stagionalità: calcolare la media mobile per rimuovere la tendenza differenziazioni successive B t (h) = y t y t h per rimuovere la tendenza identificare la tendenza con l analisi di regressione identificare la componente di stagionalità tramite scomposizione della serie Quindi è possibile: applicare il modello di Winters alla serie storica; applicare il modello di Holt alla serie storica destagionalizzata; applicare il modello di Brown alla serie storica dopo aver rimosso tendenza e stagionalità.
25 Modelli autoregressivi Introduzione I modelli autoregressivi si basano sull ipotesi che i valori di una serie temporale siano correlati con i valori passati. L autocorrelazione è la correlazione tra i valori di una serie storica ed i valori precedenti. Si definisce p?esima autocovarianza di una serie Y t la covarianza tra i valori della serie Y t ed i valori della serie traslata nel tempo di p periodi: γ p = cov(y t, Y t p ) Si definisce p-esima autocorrelazione corr(y t, Y t p ) = ρ p = cov(y t, Y t?p ) σ 2 Y t σ 2 Y t p
26 Modelli autoregressivi Stazionarietà Affinché il modello autoregressivo produca risultati significativi è necessario che la serie sia stazionaria, cioè che la sua media e la sua varianza non dipendano da t. Perciò la serie non deve contenere componenti tendenziali. Per rimuovere la tendenza è possibile ad esempio sostituire la serie iniziale Y = {y t } con la serie costituita dalla differenze tra i valori di Y in periodi consecutivi, cioè Y = {y t y t 1 }. In un modello AR di ordine p si assume y t = β 0 +β 1 y t β p y t p +ǫ t dove ǫ t è un (piccolo, si spera) rumore casuale a media nulla (rumore bianco). t
27 Modelli autoregressivi Calibrazione del modello: selezione di p Nella scelta di p bisogna considerare il trade-off fra la semplicità del modello (numero di parametri da stimare) e la sua (eventuale) maggiore capacità esplicativa. Se p è troppo basso si perdono informazioni dai valori più remoti. Se p è troppo alto la calibrazione è inutilmente complessa e si rischia di introdurre il rumore casuale nel modello (e quindi nelle previsioni). Esistono vari criteri per scegliere p: test di significatività del parametro di indice più elevato: se risulta non significativo, si diminuisce di 1 l ordine del modello e si ripete. criterio di informazione Bayesiano (BIC). criterio di informazione di Akaike (AIC).
28 Modelli autoregressivi Stima dei parametri β I valori dei parametri β si possono calibrare minimizzando i quadrati degli errori di previsione riferiti al passato. La previsione per il periodo t + 1 è cŷ t+1 = β 0 + p β i y t i e nello stesso modo, iterando, si può ottenere la previsione per qualunque istante successivo a t. i=1
29 Modelli autoregressivi Modelli a media mobile (MA) In un modello MA di ordine q si assume y t = q θ i ǫ t i i=0 dove ǫ è un rumore bianco. Questo implica che y abbia media nulla. Quindi, prima di interpretare una serie temporale con un modello MA dobbiamo rimuovere la sua eventuale componente tendenziale (per differenziazione) ed i suo valore medio (sottraendolo dalla serie). Per fare una previsione dobbiamo selezionare un valore opportuno per q e stimare i parametri θ, come nel caso precedente.
30 Modelli autoregressivi Modelli ARMA In un modello ARMA(p, q), sommiamo un modello AR(p) e un modello MA(q). Esistono modelli SARMA (dove S sta per seasonal) che si usano per serie temporali con stagionalità. Un trattamento completo e rigoroso dei modelli ARMA richiede lo studio dei processi stocastici, che è una branca della statistica (che non può rientrare in questo corso).
Metodi di previsione
Metodi di previsione Giovanni Righini Università degli Studi di Milano Corso di Logistica I metodi di previsione I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali
DettagliSerie storiche Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Serie storiche Introduzione Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si
DettagliPer alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi.
Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si propongono di identificare
DettagliAnalisi delle serie storiche parte V Modelli autoregressivi
Analisi delle serie storiche parte V Modelli autoregressivi a.a. 2016/2017 Economiche Internazionali 1 Definizioni introduttive Autoregressione: modello di regressione che spiega una serie temporale con
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliRegressione Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il costo mensile Y di produzione e il corrispondente volume produttivo X per uno dei propri stabilimenti. Volume
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
DettagliSTATISTICA. Regressione-3 L inferenza per il modello lineare semplice
STATISTICA Regressione-3 L inferenza per il modello lineare semplice Regressione lineare: GRAFICO DI DISPERSIONE & & analisi residui A. Valutazione preliminare se una retta possa essere una buona approssimazione
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliStatistica Applicata all edilizia Lezione: Analisi delle serie storiche: parte I
Lezione: Analisi delle serie storiche: parte I E-mail: orietta.nicolis@unibg.it 27 aprile 21 Programma Programma Le serie storiche (o temporali) Sequenze di osservazioni effettuate nella sucessione dei
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
DettagliIl modello di regressione lineare multipla. Il modello di regressione lineare multipla
Introduzione E la generalizzazione del modello di regressione lineare semplice: per spiegare il fenomeno d interesse Y vengono introdotte p, con p > 1, variabili esplicative. Tale generalizzazione diventa
Dettagli1 Serie temporali. 1.1 Processi MA
1 Serie temporali Un processo stocastico 1 {X t, t T }, dove T = N o T = Z, si dice stazionario se (X 1,..., X n ) e (X k+1,...,x k+n ) hanno la stessa distribuzione per ogni n 1 e per ogni k T. Un processo
DettagliStatistica inferenziale
Dipartimento di Fisica a.a. 2004/2005 Fisica Medica 2 Statistica inferenziale 6/5/2005 Relazione tra dati Possono esistere in uno studio connessioni tra dati differenti che possono legare caratteristiche:
DettagliMetodo dei Minimi Quadrati. Dott. Claudio Verona
Metodo dei Minimi Quadrati Dott. Claudio Verona E in generale interessante studiare l andamento di una variabile in funzione di un altra e capire se c è una funzione matematica che le lega. Viceversa è
Dettagli1 Modelli per serie storiche univariate
1 Modelli per serie storiche univariate Caratteristiche delle serie storiche: fy t g l ordine t non puo essere variato; v.c. non indipendenti; non replicabili (i dati si ottengono da una sola realizzazione)
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
DettagliUniversità degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 6
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Associazione, correlazione e dipendenza tra caratteri In un collettivo di 11 famiglie è stata
DettagliRegressione lineare. Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche.
Regressione lineare Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche Siano x ed y due variabili legate tra loro da una forma funzionale del
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliUniversità degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliFacoltà di Psicologia Università di Padova Anno Accademico Corso di Psicometria - Modulo B
Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 27/12/2010 Regressione lineare Modello geometrico
DettagliStatistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1
Statistica Capitolo 1 Regressione Lineare Semplice Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare il significato del coefficiente di correlazione lineare
DettagliNel modello omoschedastico la varianza dell errore non dipende da i ed è quindi pari a σ 0.
Regressione [] el modello di regressione lineare si assume una relazione di tipo lineare tra il valore medio della variabile dipendente Y e quello della variabile indipendente X per cui Il modello si scrive
DettagliT punti Qual è la differenza concettuale e pratica tra Megatrend e Trend
1 Appello 24/06/2003 T1. -----4 punti Si spieghi brevemente a quale tipologia di fenomeno (espresso da una serie storica) è applicabile uno schema Holt-Winters con tutti i parametri tendenti a zero T2.-----
DettagliStima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.
Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione
DettagliRegressione & Correlazione
Regressione & Correlazione Monia Ranalli Ranalli M. Dipendenza Settimana # 4 1 / 20 Sommario Regressione Modello di regressione lineare senplice Stima dei parametri Adattamento del modello ai dati Correlazione
DettagliStima del valore di una costante in presenza di rumore esponenzialmente correlato. Carlo Fisicaro
Stima del valore di una costante in presenza di rumore esponenzialmente correlato Carlo Fisicaro OBIETTIVO Stimare il valore della costante β adimensionale per mezzo di misurazioni soggette a rumore stocastico
DettagliVogliamo determinare una funzione lineare che meglio approssima i nostri dati sperimentali e poter decidere sulla bontà di questa approssimazione.
S.S.I.S. TOSCANA F.I.M. II anno FUNZIONI DI REGRESSIONE E METODO DEI MINIMI QUADRATI Supponiamo di star conducendo uno studio sulla crescita della radice di mais in funzione del contenuto di saccarosio
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 10. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 10 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 REGRESSIONE LINEARE Date due variabili quantitative, X e Y, si è
DettagliLa media e la mediana sono indicatori di centralità, che indicano un centro dei dati.
La media e la mediana sono indicatori di centralità, che indicano un centro dei dati. Un indicatore che sintetizza in un unico numero tutti i dati, nascondendo quindi la molteplicità dei dati. Per esempio,
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliMetodi Quantitativi per Economia, Finanza e Management. Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello
Metodi Quantitativi per Economia, Finanza e Management Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello 1. Introduzione ai modelli di regressione 2. Obiettivi 3. Le
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
DettagliIl modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009)
Il modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009) Quesito: Posso stimare il numero di ore passate a studiare statistica sul voto conseguito all esame? Potrei calcolare il coefficiente di correlazione.
DettagliUniversità di Pavia Econometria. Richiami di Statistica. Eduardo Rossi
Università di Pavia Econometria Richiami di Statistica Eduardo Rossi Università di Pavia Campione casuale Siano (Y 1, Y 2,..., Y N ) variabili casuali tali che le y i siano realizzazioni mutuamente indipendenti
DettagliRegressione Lineare Semplice e Correlazione
Regressione Lineare Semplice e Correlazione 1 Introduzione La Regressione è una tecnica di analisi della relazione tra due variabili quantitative Questa tecnica è utilizzata per calcolare il valore (y)
DettagliCognome e Nome:... Matricola e corso di laurea:...
Statistica - corso base Prof. B. Liseo Prova di esame dell 8 gennaio 2014 Cognome e Nome:................................................................... Matricola e corso di laurea:...................................................
DettagliEsperimentazioni di Fisica 1. Prova in itinere del 12 giugno 2018
Esperimentazioni di Fisica 1 Prova in itinere del 1 giugno 018 Esp-1 Prova in Itinere n. - - Page of 6 1/06/018 1. (1 Punti) Quesito L incertezza da associare alle misurazioni eseguite con un certo strumento
DettagliLM 88 SOCIOLOGIA E RICERCA SOCIALE. Metodi Statistici per la Ricerca Sociale. Regressione lineare e correlazione
LM 88 SOCIOLOGIA E RICERCA SOCIALE Metodi Statistici per la Ricerca Sociale Regressione lineare e correlazione 1. Su un campione di individui sono rilevati i caratteri X (peso in Kg) e Y (altezza in cm),
DettagliIl METODO DEI MINIMI QUDRATI
Il METODO DEI MINIMI QUDRATI Nelle scienze sperimentali si osserva o si ipotizza l esistenza di relazioni fra due o più grandezze. Limitando lo studio a problemi che stabiliscono relazioni fra due sole
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
Dettagli1. variabili dicotomiche: 2 sole categorie A e B
Variabile X su scala qualitativa (due categorie) modello di regressione: variabili quantitative misurate almeno su scala intervallo (meglio se Y è di questo tipo e preferibilmente anche le X i ) variabili
DettagliREGRESSIONE E CORRELAZIONE
REGRESSIONE E CORRELAZIONE Nella Statistica, per studio della connessione si intende la ricerca di eventuali relazioni, di dipendenza ed interdipendenza, intercorrenti tra due variabili statistiche 1.
DettagliR - Esercitazione 6. Andrea Fasulo Venerdì 22 Dicembre Università Roma Tre
R - Esercitazione 6 Andrea Fasulo fasulo.andrea@yahoo.it Università Roma Tre Venerdì 22 Dicembre 2017 Il modello di regressione lineare semplice (I) Esempi tratti da: Stock, Watson Introduzione all econometria
DettagliAnalisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 35 Il modello di regressione
DettagliUniversità degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1 Lezione 1 - Mercoledì 27 Settembre 2017 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliRappresentazione grafica di coppie di variabili (x i,y i ) correlate e non. E indicato il valore del coefficiente di correlazione lineare r
1 Rappresentazione grafica di coppie di variabili (x i,y i ) correlate e non. E indicato il valore del coefficiente di correlazione lineare r Ovviamente tra le coppie (x i,y i ) può sussistere una correlazione
DettagliLa regressione lineare. Rappresentazione analitica delle distribuzioni
La regressione lineare Rappresentazione analitica delle distribuzioni Richiamiamo il concetto di dipendenza tra le distribuzioni di due caratteri X e Y. Ricordiamo che abbiamo definito dipendenza perfetta
DettagliCorso in Fonti, metodi e strumenti per l analisi dei flussi turistici A.A Barbara Baldazzi
Serie storiche Corso in Fonti, metodi e strumenti per l analisi dei flussi turistici A.A. 2013-2014 Barbara Baldazzi Corso di Laurea PROGEST Facoltà di Lettere e Filosofia Università di Tor Vergata La
DettagliStatistica di base per l analisi socio-economica
Laurea Magistrale in Management e comunicazione d impresa Statistica di base per l analisi socio-economica Giovanni Di Bartolomeo gdibartolomeo@unite.it Definizioni di base Una popolazione è l insieme
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 1 Outline 1 () Statistica 2 / 1 Outline 1 2 () Statistica 2 / 1 Outline 1 2 3 () Statistica 2 / 1
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 Ingegneria Gestionale Facoltà di Ingegneria, Università
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
DettagliEsercizi di riepilogo Lezioni
Esercizi di riepilogo Lezioni 16-17-18 1 Es1: Statistiche del secondo ordine [Pap, 9-2] Si ha un processo X con Determinare media, varianza, e covarianza delle v.a. Z=X(5) e W=X(8) Il processo X è stazionario?
DettagliTeoria dei Segnali Introduzione ai processi stocastici
Teoria dei Segnali Introduzione ai processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it Teoria dei Segnali Introduzione ai processi
DettagliESERCITAZIONI N. 3 corso di statistica
ESERCITAZIONI N. 3corso di statistica p. 1/18 ESERCITAZIONI N. 3 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONI N. 3corso di statistica p. 2/18 Introduzione Media e Varianza Covarianza
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico
DettagliSoluzioni ottava esercitazione
Soluzioni ottava esercitazione. (a) Notiamo subito che la densità f(x θ) appartiene alla famiglia esponenziale con t(x) = ln(x) e c(θ) =, funzione strettamente decrescente. Quindi anche il rapporto di
DettagliECONOMETRIA APPLICATA PER L IMPRESA. Test di Radici Unitarie - Esercizio 5
Modelli Dinamici - Esercizio 5 1 ECONOMETRIA APPLICATA PER L IMPRESA Test di Radici Unitarie - Esercizio 5 Davide Raggi davide.raggi@unibo.it 16 marzo 2010 Modelli Dinamici - Esercizio 5 2 Introduzione
DettagliRelazione tra variabili (cont.) Due variabili continue. Una variabile continua e un altra qualitativa o discreta.
Relazione tra variabili (cont.) Due variabili continue. Una variabile continua e un altra qualitativa o discreta. María Eugenia Castellanos Nueda (DEIO) Estadística Aplicada a la Publicidad Noviembre de
DettagliESERCITAZIONE N. 7 corso di statistica
ESERCITAZIONE N. 7corso di statistica p. 1/15 ESERCITAZIONE N. 7 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONE N. 7corso di statistica p. 2/15 Introduzione Variabili aleatorie continue
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII
Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII Un breve richiamo sul test t-student Siano A exp (a 1, a 2.a n ) e B exp (b 1, b 2.b m ) due set di dati i cui
DettagliCAP 2 PREVISIONE DELLA DOMANDA
CAP 2 PREVISIONE DELLA DOMANDA 2.1 INRODUZIONE La previsione della domanda è fondamentale per numerose attività di progettazione e gestione di sistemi logistici, e può essere classificata in tre categorie:
DettagliCorso in Statistica Medica
Corso in Statistica Medica Introduzione alle tecniche statistiche di elaborazione dati Regressione e correlazione Dott. Angelo Menna Università degli Studi di Chieti G. d Annunziod Annunzio Anno Accademico
DettagliTecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
DettagliPAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore
PAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore medio, Errore quadratico medio (eqm), Deviazione standard,
DettagliTest delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
DettagliIl Modello di Scomposizione
Approccio Classico: Metodi di Scomposizione Il Modello di Scomposizione Il modello matematico ipotizzato nel metodo classico di scomposizione è: y t =f(s t, T t, E t ) dove y t è il dato riferito al periodo
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 13 aprile 211 Programma 1 Approccio stocastico all analisi delle serie storiche Programma 1 Approccio stocastico
DettagliProva d'esame di Statistica I - Corso Prof.ssa S. Terzi
Prova d'esame di Statistica I - Corso Prof.ssa S. Terzi Esercizio 1 Data la variabile casuale X con funzione di densità f(x) = 2x, per 0 x 1; f(x) = 0 per x [0, 1], determinare: a) P( - 0,5 < X< 0,7) b)
DettagliEsercizi su Regressione e Connessione
Esercizi su Regressione e Connessione Stefano Cabras 31 marzo 2009 Sommario Questa serie di esercizi è principalmente incentrata sulla regressione e la connessione, tuttavia in alcuni esercizi le soluzioni
DettagliMetodologia Sperimentale Agronomica / Metodi Statistici per la Ricerca Ambientale
DIPARTIMENTO DI SCIENZE AGRARIE E AMBIENTALI PRODUZIONE, TERRITORIO, AGROENERGIA Marco Acutis marco.acutis@unimi.it www.acutis.it CdS Scienze della Produzione e Protezione delle Piante (g59) CdS Biotecnologie
DettagliAnalisi e scelta dei dati di input
Analisi e scelta dei dati di input Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) Analisi e
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015 1 2 3 4 5 6 7 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliStatistica multivariata Donata Rodi 17/10/2016
Statistica multivariata Donata Rodi 17/10/2016 Quale analisi? Variabile Dipendente Categoriale Continua Variabile Indipendente Categoriale Chi Quadro ANOVA Continua Regressione Logistica Regressione Lineare
DettagliSTATISTICA. Esercitazione 5
STATISTICA Esercitazione 5 Esercizio 1 Ad un esame universitario sono stati assegnati in modo casuale due compiti diversi con i seguenti risultati: Compito A Compito B Numero studenti 102 105 Media dei
DettagliSettimana 3. G. M. Marchetti. Marzo 2017
Settimana 3 G. M. Marchetti Marzo 2017 1 / 26 Prima parte Relazioni tra variabili e regressione lineare 2 / 26 Una legge fisica approssimata Il fisico scozzese Forbes 3 / 26 L esperimento di Forbes Sulla
DettagliUniversità degli Studi di Padova
Università degli Studi di Padova Facoltà di Ingegneria Dipartimento di Tecnica e Gestione dei Sistemi Industriali Tesi di Laurea di Primo Livello Modelli di Previsione: Esplicativi ed Estrapolativi Relatore:
DettagliCalcolo delle probabilità (3/7/2001) (Ing. Elettronica, Informatica, Telecomunicazioni - Latina)
Calcolo delle probabilità (3/7/00). La distribuzione di probabilità di un numero aleatorio X non negativo soddisfa la condizione P (X > x + y X > y) = P (X > x), x > 0, y > 0. Inoltre la previsione di
DettagliOld Faithful, Yellowstone Park. Statistica e biometria. D. Bertacchi. Dati congiunti. Tabella. Scatterplot. Covarianza. Correlazione.
Coppie o vettori di dati Spesso i dati osservati sono di tipo vettoriale. Ad esempio studiamo 222 osservazioni relative alle eruzioni del geyser Old Faithful. Old Faithful, Yellowstone Park. Old Faithful
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
9.3. IL METODO DEI MINIMI QUADRATI IN FORMALISMO MATRICIALE 121 9.3 Il metodo dei minimi quadrati in formalismo matriciale Per applicare il MMQ a funzioni polinomiali, ovvero a dipendenze di una grandezza
DettagliLa media e la mediana sono indicatori di centralità, che indicano un centro dei dati.
La media e la mediana sono indicatori di centralità, che indicano un centro dei dati. Un indicatore che sintetizza in un unico numero tutti i dati, nascondendo quindi la molteplicità dei dati. Per esempio,
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
DettagliEsperimentazioni di Fisica 1. Prova d esame del 20 febbraio 2018 SOLUZIONI
Esperimentazioni di Fisica 1 Prova d esame del 20 febbraio 2018 SOLUZIONI Esp-1-Soluzioni - - Page 2 of 6 01/02/2018 1. (12 Punti) Quesito. In un esperimento è stata misurata la grandezza Y in funzione
DettagliIl metodo dei minimi quadrati. Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo:
Il metodo dei minimi quadrati Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo: Dove A e B sono costanti y = A + Bx (ad esempio in un moto uniformemente
DettagliCorso di STATISTICA EGA - Classe 1 aa Docenti: Luca Frigau, Claudio Conversano
Corso di STATISTICA EGA - Classe 1 aa 2017-2018 Docenti: Luca Frigau, Claudio Conversano Il corso è organizzato in 36 incontri, per un totale di 72 ore di lezione. Sono previste 18 ore di esercitazione
DettagliArgomenti della lezione:
Lezione 7 Argomenti della lezione: La regressione semplice Il modello teorico Il calcolo dei parametri Regressione lineare Esamina la relazione lineare tra una o più variabili esplicative (o indipendenti,
DettagliCOGNOME.NOME...MATR..
STATISTICA 29.01.15 - PROVA GENERALE (CHALLENGE) Modalità A (A) ai fini della valutazione verranno considerate solo le risposte riportate dallo studente negli appositi riquadri bianchi: in caso di necessità
DettagliRichiami di probabilità e statistica
Richiami di probabilità e statistica Una variabile casuale (o aleatoria) X codifica gli eventi con entità numeriche x ed è caratterizzata dalla funzione di distribuzione di probabilità P(x) : P(x)=Pr ob[x
DettagliTOPOGRAFIA 2013/2014. Prof. Francesco-Gaspare Caputo
TOPOGRAFIA 2013/2014 L operazione di misura di una grandezza produce un numero reale che esprime il rapporto della grandezza stessa rispetto a un altra, a essa omogenea, assunta come unità di misura. L
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE Modelli delle Sorgenti di Traffico Generalità Per la realizzazione di un modello analitico di un sistema di telecomunicazione dobbiamo tenere in considerazione 3 distinte sezioni
Dettagli