62 CAPITOLO 3. STATISTICA DESCRITTIVA
|
|
- Adriana Simoni
- 4 anni fa
- Visualizzazioni
Transcript
1 62 CAPITOLO 3. STATISTICA DESCRITTIVA Raccogliamo su una popolazione di n individui i dati relativi a m caratteri (variabili) e riportiamoli in una matrice, dove le righe (n) sono relative ad individui diversi e le colonne (m) sono relative a caratteri diversi. x 11 x 12 x 1m x 21 x 22 x 2m X := (3.11)... x n1 x n2 x nm La costruzione della matrice ha senso, ovviamente, quando prendiamo in considerazione solo variabili numeriche. Esempi. Peso, altezza, età di un gruppo di persone; peso, dimensioni, porosità di un campione di laterizi, etc... È evidente che per ciascuna variabile (ovvero, per ogni colonna j) ha senso calcolare la media, la varianza e la deviazione standard: µ j := x j = 1 n n x ij ; σ 2 j := V ar[x j ] = 1 n 1 n (x ij µ j ) 2 ; := Std[x j ] = V ar[x j ], Se indichiamo con X h la variabile corrispondente all h esima colonna della matrice (3.11), possiamo definire la covarianza fra due caratteri qualunque (diciamo il j esimo e l l esimo): Cov[X j, X l ] := 1 La definizione implica ovviamente che Qundi, ad esempio (x ij µ j )(x il µ l ). Cov[X j, X j ] = V ar[x j ]. c 11 := Cov[X 1, X 1 ] = V ar[x 1 ] = 1 e per la simmetria della covarianza, i.e. Cov[X j, X l ] = Cov[X l, X j ] (x i1 µ 1 ) 2
2 3.3. CAMPIONI MULTIVARIATI, PCA E CLUSTERING 63 avremo, ad esempio c 12 := Cov[X 1, X 2 ] = c 21 = 1 (x i1 µ 1 )(x i2 µ 2 ). La matrice costruita con le covarianze c ij è dunque una matrice (k k), simmetrica, dove sulla diagonale compaiono le varianze dei caratteri in esame: c jj = Cov[X j, X j ] = V ar[x j, X j ]. c 11 c 12 c 1k c 12 c 22 c 2k... c k1 c k2 x kk (3.12) La matrice dei dati X può essere riportata ad una versione standardizzata, in modo da rendere le variabili adimensionali e a media nulla: x ij y ij := x ij x j, dove è la deviazione standard della variabile j esima. La matrice Y sostituisce la X e i dati standardizzati Y J sostituiscono i dati reali X j, j = 1, 2,..., k. Verifichiamo che gli Y J abbiano media nulla e varianza unitaria: Ȳ j := 1 n y ij = 1 n σ 2 j = V ar[y j ] := 1 poiché Ȳj = 0. Avremo quindi x ij µ j = 1 n ( x ij (y ij Ȳj) 2 = 1 n µ j ) y 2 ij = 0. V ar[y j ] = 1 y 2 ij = 1 (x ij µ j ) 2 σ 2 j = 1 ()σ 2 j (x ij µ j ) 2 = ()σ2 j ()σ 2 j = 1. Dalla matrice dei dati standardizzati Y, possiamo costruire la matrice di covarianza Cov[Y h, Y l ], che risulterà essere una matrice quadrata e simmetrica di dimensioni k k (k è il numero di variabili misurate sugli n individui). Esempio
3 64 CAPITOLO 3. STATISTICA DESCRITTIVA Consideriamo una matrice di covarianza per le variabili standardizzate Y h (h è l h simo carattere, h=1,2,...,k.), vettori di dimensione n, pari al numero di individui del campione: C Y := Cov[Y h, Y m ], h, m = 1, 2,..., k. Se indichiamo con Y (e con Y t la sua trasposta) la matrice (n k) dei dati standardizzati, e quindi a media nulla, è facile verificare che C Y = 1 Y t Y. Costruiamo, a titolo di esempio, una matrice C Y ad hoc, una matrice di piccole dimensioni (3 3), che abbia un paio di autovalori grandi: C Y = (3.13) Utilizzando Matlab, con l istruzione eig(c Y ), otteniamo gli autovalori di C Y : eig(c Y ) = (9, 7, 1), con due autovalori molto maggiori del terzo. Cerchiamo adesso una matrice U, ortogonale, che faccia passare dalle variabili standardizzate, ma fra loro correlate, Y (matrice n k), alla matrice di variabili Z, delle stesse dimensioni, ma di variabili standardizzate e incorrelate. Cerchiamo quindi di trovare delle combinazioni lineari delle Y che producano delle nuove variabili Z incorrelate: Z = Y U Z t = U t Y t. (3.14) Le nuove variabili Z, in quanto combinazione lineare delle variabili standardizzate Y hanno ancora media nulla. La matrice di covarianza per i vettori Z l, l = 1, 2,..., k, è ancora esprimibile come Abbiamo quindi, usando la (3.14): C Z := Cov[Z i, Z j ] = 1 Zt Z. C Z = 1 Zt Z = 1 Zt Y U = 1 U t Y t Y U = U t C Y U. (3.15) Consideriamo la seguente matrice ortogonale: U = (3.16)
4 3.3. CAMPIONI MULTIVARIATI, PCA E CLUSTERING 65 U è stata ottenuta come prodotto di due matrici di rotazione attorno a due assi non ortogonali (vedere gli angoli di Eulero). U = U 1 U 2 dove e U 1 = = U 2 = Osserviamo che, sempre utilizzando Matlab, = det U = 1. Se diagonalizziamo C Y, otteniamo: C Z = U t C Y U = (3.17) Possiamo adesso vedere come risulta la composizione diz in termini delle Y. La matrice dei dati standardizzati e incorrelati Z si ottiene dalla matrice dei dati standardizzati Y per mezzo del prodotto con la matrice ortogonale U: Z = Y U Vediamo che tipo di matrice di dati può generare una matrice di covarianza 3 3 e consideriamo una matrice di dati 2 3, ovvero una matrice dove sono rilevati tre caratteri diversi su due individui: z 11 z 12 z 13 Z = z 21 z 22 z 23
5 66 CAPITOLO 3. STATISTICA DESCRITTIVA Analogamente per la matrice Y avremo y 11 y 12 y 13 Y = y 21 y 22 y 23 Per effettuare il calcolo Y U con più semplicità possiamo scrivere U, definita in (3.16), come u 11 u 12 u 13 U = u 21 u 22 u 23 u 31 u 32 u 33 La variabile Z 1 è quella che ha varianza più grande (9) e corrisponde alla prima colonna della matrice Z: Z 1 = z 11 z 21 Calcolando esplicitamente z 11 = u 11 y 11 + u 21 y 12 + u 31 y 13 che, riassunta in termini vettoriali dà: z 21 = u 11 y 21 + u 21 y 22 + u 31 y 23 Z 1 = u 11 Y 1 + u 21 Y 2 + u 31 Y 3 = 0.5Y Y 2. Procedendo in modo del tutto analogo per abbiamo Z 2 = Z 2 = u 12 Y 1 + u 22 Y 2 + u 32 Y 3 = 0.75Y Y 2 0.5Y 3. z 12 z 22
1 Richiami di algebra lineare
1 Richiami di algebra lineare Definizione 11 (matrici e vettori) Una matrice A e un insieme di numeri A hk, h = 1,, m, k = 1,, n, ordinati in base alla coppia di indici h e k nel modo seguente A 1 A n
DettagliCorso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010.
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010 Statistica Esercitazione 4 12 maggio 2010 Dipendenza in media. Covarianza e
DettagliStatistica. Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2010/2011 Statistica Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza
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
DettagliAnalisi delle componenti principali
Analisi delle componenti principali Serve a rappresentare un fenomeno k-dimensionale tramite un numero inferiore o uguale a k di variabili incorrelate, ottenute trasformando le variabili osservate Consiste
DettagliProdotto scalare e matrici < PX,PY >=< X,Y >
Prodotto scalare e matrici Matrici ortogonali Consideriamo in R n il prodotto scalare canonico < X,Y >= X T Y = x 1 y 1 + +x n y n. Ci domandiamo se esistono matrici P che conservino il prodotto scalare,
DettagliSistemi lineari. Sia A R m n, x R n Ax = b è un vettore di m componenti. a m,1 x 1 + a m,2 x a m,n x n = b m
1 Sistemi lineari. Sia A R m n, x R n Ax = b è un vettore di m componenti. Numero di operazioni per calcolare b: m n moltiplicazioni m (n 1) addizioni. a 1,1 x 1 + a 1,2 x 2 +... + a 1,n x n = b 1 a 2,1
Dettaglib vettore(termine noto) y* proiezione ortogonale di b
Carla Guerrini 1 Sistemi sovradeterminati Sia A una matrice m n ove m > n sia b R m trovare una soluzione del sistema sovradeterminato Ax = b significa cercare di esprimere un vettore di R m come combinazione
DettagliEsercizi sulle coniche (prof.ssa C. Carrara)
Esercizi sulle coniche prof.ssa C. Carrara Alcune parti di un esercizio possono ritrovarsi in un altro esercizio, insieme a parti diverse. È un occasione per affrontarle da un altra angolazione.. Determinare
Dettagli= elemento che compare nella seconda riga e quinta colonna = -4 In generale una matrice A di m righe e n colonne si denota con
Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti su m righe e n colonne. I numeri che compaiono nella tabella si dicono elementi della matrice. La loro individuazione
Dettagli3. Vettori, Spazi Vettoriali e Matrici
3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e
DettagliAlgebra lineare e geometria AA Appunti sul cambio di base in uno spazio vettoriale
Algebra lineare e geometria AA. -7 Appunti sul cambio di base in uno spazio vettoriale Matrice di un applicazione lineare Siano V e W due spazi vettoriali su un campo K {R, C}, entrambi finitamente generati,
DettagliEsercizi sulle coniche (prof.ssa C. Carrara)
Esercizi sulle coniche prof.ssa C. Carrara Alcune parti di un esercizio possono ritrovarsi in un altro esercizio, insieme a parti diverse. È un occasione per affrontarle più volte.. Stabilire il tipo di
DettagliStatistica. Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2011/2012 Statistica Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate.
Dettagli3. Vettori, Spazi Vettoriali e Matrici
3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e
DettagliVettori e Matrici. Corso di Calcolo Numerico. 24 Aprile 2018
Vettori e Matrici 24 Aprile 2018 Richiami In MATLAB, ogni variabile ha una struttura di tipo vettoriale o array. Un array è un insieme di valori ordinati, cioè memorizza più dati all interno di una struttura
DettagliAnno 4 Matrice inversa
Anno 4 Matrice inversa 1 Introduzione In questa lezione parleremo della matrice inversa di una matrice quadrata: definizione metodo per individuarla Al termine della lezione sarai in grado di: descrivere
DettagliANALISI MULTIDIMENSIONALE DEI DATI (AMD)
ANALISI MULTIDIMENSIONALE DEI DATI (AMD) L Analisi Multidimensionale dei Dati (AMD) è una famiglia di tecniche il cui obiettivo principale è la visualizzazione, la classificazione e l interpretazione della
DettagliVarianza totale e generalizzata Analisi Esplorativa
Varianza totale e generalizzata Analisi Esplorativa Aldo Solari 1 / 49 1 Varianza totale 2 Varianza generalizzata 3 Appendice 2 / 49 Variabilità Nel caso p = 1, la variabilità (o dispersione) presente
Dettagli3. Elementi di Algebra Lineare.
CALCOLO NUMERICO Francesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari 3. Elementi di Algebra Lineare. 1 Sistemi lineari Sia A IR m n, x IR n di n Ax = b è un vettore di m componenti.
DettagliStatistica per l Impresa
Statistica per l Impresa a.a. 2017/2018 Tecniche di Analisi Multidimensionale L analisi delle componenti principali 14 maggio 2018 Introduzione L Obiettivo dell ACP L Analisi delle Componenti Principali
DettagliLeLing12: Ancora sui determinanti.
LeLing2: Ancora sui determinanti. Ārgomenti svolti: Sviluppi di Laplace. Prodotto vettoriale e generalizzazioni. Rango e determinante: i minori. Il polinomio caratteristico. Ēsercizi consigliati: Geoling
DettagliAPPUNTI SULLA DIAGONALIZZAZIONE Corso Prof. F.Podestà, a.a
APPUNTI SULLA DIAGONALIZZAZIONE Corso Prof FPodestà, aa 003-004 Sia V uno spazio vettoriale e sia f : V V una applicazione lineare una tale applicazione da uno spazio vettoriale in se stesso è chiamata
DettagliA =, c d. d = ad cb. c d A =
Geometria e Algebra (II), 271112 1 Definizione D ora innanzi, al posto di dire matrice quadrata di tipo n n o matrice quadrata n n diremo matrice quadrata di ordine n o in breve matrice di ordine n Il
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliElementi di Algebra Lineare Matrici e Sistemi di Equazioni Lineari
Elementi di Algebra Lineare Matrici e Sistemi di Equazioni Lineari Antonio Lanteri e Cristina Turrini UNIMI - 2016/2017 Antonio Lanteri e Cristina Turrini (UNIMI - 2016/2017 Elementi di Algebra Lineare
DettagliAnalisi statistica e matematico-finanziaria II. Alfonso Iodice D Enza Università degli studi di Cassino e del Lazio Meridionale
delle sui delle Analisi statistica e matematico-finanziaria II Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino e del Lazio Meridionale sulle particolari ali dei dati Outline
DettagliScheda n. 9: PCA - parte prima
Scheda n. 9: PCA - parte prima November 22, 2008 1 Introduzione Supponiamo di esaminare n variabili aleatorie (gaussiane -anche se questa richiesta non è necessaria-) X 1,..., X n. Un esempio possono essere
DettagliPossiamo scrivere le tre precedenti espressioni in un'unica equazione matriciale:
A1. Considerazioni sul cambio di un sistema di riferimento cartesiano ortogonale Sia xyz un sistema di riferimento cartesiano ortogonale di origine O e di riferimento cartesiano pure di origine O. un secondo
DettagliNozioni e Richiami di Algebra Lineare
Nozioni e Richiami di Algebra Lineare Chiara Giusy Genovese Università di Bologna Scuola di Economia, Management e Statistica CLAMEP Statistica per l analisi dei dati 11 Novembre 2014 Indice Introduzione
Dettaglic) Ancora in corrispondenza allo stesso valore di p e ponendo Y = minorazione, fornita dalla diseguaglianza di Chebichev, per la probabilita
Laurea Triennale in Matematica Corso di Calcolo delle Probabilita I A.A. 00/00 (Docenti: M. Piccioni, F. Spizzichino) a prova di esonero 6 giugno 00 Risolvere almeno tre dei seguenti esercizi.. Indichiamo
DettagliCorso di Geometria BIAR, BSIR Esercizi 3: soluzioni
Corso di Geometria - BIAR, BSIR Esercizi : soluzioni Rango e teorema di Rouché-Capelli Esercizio. Calcolare il rango di ciascuna delle seguenti matrici: ( ) ( ) ( ) A =, A =, A =, A 4 = ( ). a a a Soluzione.
DettagliCorso di Laurea in Matematica - Esame di Geometria 1. Prova scritta del 7 settembre 2015
Corso di Laurea in Matematica - Esame di Geometria 1 Prova scritta del 7 settembre 215 Cognome Nome Numero di matricola Voto ATTENZIONE. Riportare lo svolgimento completo degli esercizi. corretti, non
DettagliLeLing9: Prodotto tra matrici.
Geometria Lingotto LeLing9: Prodotto tra matrici Ārgomenti svolti: Prodotto tra matrici Dimostrazione del teorema del rango L algebra delle matrici quadrate: Il prodotto tra matrici non e commutativo Rotazioni
DettagliCorso di Geometria Meccanica, Elettrotecnica Esercizi 11: soluzioni
Corso di Geometria 0- Meccanica Elettrotecnica Esercizi : soluzioni Esercizio Scrivere la matrice canonica di ciascuna delle seguenti trasformazioni lineari del piano: a) Rotazione di angolo π b) Rotazione
DettagliLaboratorio di Calcolo Numerico Laboratorio 8: Vettori e Matrici
Laboratorio di Calcolo Numerico Laboratorio 8: Vettori e Matrici Claudia Zoccarato E-mail: claudia.zoccarato@unipd.it Dispense: Moodle Dipartimento ICEA 03 Maggio 2017 Richiami In MATLAB, ogni variabile
Dettagli1 Equazioni parametriche e cartesiane di sottospazi affini di R n
2 Trapani Dispensa di Geometria, Equazioni parametriche e cartesiane di sottospazi affini di R n Un sottospazio affine Σ di R n e il traslato di un sottospazio vettoriale. Cioe esiste un sottospazio vettoriale
DettagliAnalisi Multivariata Prova intermedia del 20 aprile 2011
Analisi Multivariata Prova intermedia del 20 aprile 20 Esercizio A Sia X N 3 (µ, Σ) con µ = [ 3,, 4] e 2 0 Σ = 2 5 0 0 0 2 Quali delle seguenti variabili casuali è indipendente? Motivare la risposta. A.
Dettagli1. Si scriva una function Matlab che implementa il seguente metodo di punto fisso
Domanda 1 1. Si scriva una function Matlab che implementa il seguente metodo di punto fisso x n+1 = x n f(x n), n = 0, 1, 2,... K dove x 0 è il punto iniziale, f(x) = x 3 cos(x) e K è una costante assegnata.
Dettaglied un operazione di moltiplicazione per scalari reali u u 2u
Geometria e Algebra (II), 0... Consideriamo il piano della geometria euclidea, intuitivamente inteso, e sia un punto fissato in esso. Sull insieme P dei vettori del piano applicati nel punto sono definite
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 16/06/2016 NOME: COGNOME: MATRICOLA: Esercizio 1 Cinque lettere
DettagliAltre trasformazioni elementari
Altre trasformazioni elementari Si possono definire altri tipi di trasformazioni elementari Analogamente alle trasformazioni di Gauss, esse danno luogo a fattorizzazioni Trasformazione elementari di Givens
DettagliFattorizzazione QR e matrici di Householder
Fattorizzazione QR e matrici di Householder ottobre 009 In questa nota considereremo un tipo di fattorizzazione che esiste sempre nel caso di matrici quadrate non singolari ad entrate reali. Definizione
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
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliVettore (o matrice) casuale (o aleatorio): vettore (o matrice) i cui elementi sono variabili aleatorie
Variabili (vettori e matrici) casuali Variabile casuale (o aleatoria): Variabile che può assumere un insieme di valori ognuno con una certa probabilità La variabile aleatoria rappresenta la popolazione
DettagliAlfonso Iodice D Enza
Strumenti quantitativi per l economia e la finanza I Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino e del Lazio Meridionale ali dei Il coefficiente () Statistica 1 / 50 Outline
DettagliEsercizi Di Geometria 1 (BAER) Canale 1 Da consegnare Lunedi 19 Ottobre
Esercizi Di Geometria (BAER Canale Da consegnare Lunedi 9 Ottobre SETTIMANA 3 (2 8 Ottobre Moltiplicazione di matrici Gli esercizi sono presi dal libro Intorduction to Linear Algebra di Serge Lang Esercizio
DettagliDefinizione 1. Una matrice n m a coefficienti in K é una tabella del tipo. ... K m, detto vettore riga i-esimo, ed a im
APPUNTI ed ESERCIZI su matrici, rango e metodo di eliminazione di Gauss Corso di Laurea in Chimica, Facoltà di Scienze MM.FF.NN., UNICAL (Dott.ssa Galati C.) Rende, 23 Aprile 2010 Matrici, rango e metodo
DettagliUniversità degli Studi di Bergamo Scuola di Ingegneria Corso di Geometria e Algebra Lineare Appello 4 luglio 2016 Parte B Tema B1
Università degli Studi di Bergamo Scuola di Ingegneria Corso di Geometria e Algebra Lineare Appello luglio 6 Parte B Tema B Tempo a disposizione: due ore. Calcolatrici, libri e appunti non sono ammessi.
DettagliElementi di Algebra Lineare
Elementi di Algebra Lineare Corso di Calcolo Numerico, a.a. 2009/2010 Francesca Mazzia Dipartimento di Matematica Università di Bari 13 Marzo 2006 Francesca Mazzia (Univ. Bari) Elementi di Algebra Lineare
DettagliAnalisi della correlazione canonica
Analisi della correlazione canonica Su un collettivo di unità statistiche si osservano due gruppi di k ed m variabili L analisi della correlazione canonica ha per obiettivo lo studio delle relazioni di
DettagliAppunti di Geometria - 2
Appunti di Geometria - Samuele Mongodi - s.mongodi@sns.it Cambi di base e applicazioni lineari Richiami Sia V uno spazio vettoriale di dimensione n sul campo K, con base assegnata e,..., e n } (ad esempio
DettagliFONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA CHIMICA E DEI MATERIALI 27 GIUGNO 2016
FONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA CHIMICA E DEI MATERIALI 7 GIUGNO 06 MATTEO LONGO Ogni versione del compito contiene solo due tra i quattro esercizi 6-7-8-9. Esercizio. Considerare
Dettagli0 0 c. d 1. det (D) = d 1 d n ;
Registro Lezione di Algebra lineare del 23 novembre 216 1 Matrici diagonali 2 Autovettori e autovalori 3 Ricerca degli autovalori, polinomio caratteristico 4 Ricerca degli autovettori, autospazi 5 Matrici
DettagliGeometria BAER Canale A-K Esercizi 8
Geometria BAER 6-7 Canale A-K Esercizi 8 Esercizio Si consideri il sottospazio (a) Si trovi una base ortonormale di U (b) Si trovi una base ortonormale di U U = L v =, v, v 3 = (c) Si scriva la matrice
DettagliMATRICI. Matrici Una matrice A con n-righe e m-colonne, ad elementi reali, è una tabella con la seguente forma: a 2 m. a n m) i j R, 1 i n, 1 j m.
MATRICI Matrici Una matrice A con n-righe e m-colonne, ad elementi reali, è una tabella con la seguente forma: 11 a 12 a 1 3 a 1m A=(a a 21 a 2 3 a 2m con a a n1 a n2 a n 3 a nm i j R, 1 i n, 1 j m. per
Dettagli3 Soluzione di sistemi lineari
3 Soluzione di sistemi lineari Prima di addentrarci nello studio dei metodi numerici, è doveroso introdurre le matrici e alcune strutture particolari di matrici nonchè alcuni concetti fondamentali quali
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliIsometrie e cambiamenti di riferimento
Isometrie e cambiamenti di riferimento Isometrie Le isometrie sono trasformazioni del piano o dello spazio che conservano angoli e distanze. Esempi sono le rotazioni del piano, le riflessioni in una retta
DettagliDistribuzione normale multidimensionale
Capitolo 2 Distribuzione normale multidimensionale La funzione di densità normale undimensionale ha la forma seguente Anderson, 1984 fx ce 1 2 Ax b2 ce 1 2 x bax b La costante di normalizzazione c è data
DettagliAlgebra lineare e geometria AA Appunti sul cambio di base in uno spazio vettoriale
Algebra lineare e geometria AA. 8-9 Appunti sul cambio di base in uno spazio vettoriale Matrice di un applicazione lineare Siano V e W due spazi vettoriali su un campo K {R, C}, entrambi finitamente generati,
DettagliFrancesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari. MATLAB: Elementi di Algebra Lineare
1 Francesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari MATLAB: Elementi di Algebra Lineare 2 Elementi di Algebra Lineare. Una matrice è una tabella di numeri ordinata per righe
DettagliESERCIZIO 1. X Y Tot Tot
ESERCIZIO 1 Per descrivere il numero di guasti mensili cui sono soggette le due parti A e B di un impianto industriale viene utilizzata la seguente distribuzione di probabilità: X Y 0 1 2 Tot. 0 0.2 0.1
DettagliStatistica computazionale. Informazioni sul docente. Parte I. Informazioni preliminari. Stefano Tonellato. Anno Accademico
Statistica computazionale Stefano Tonellato Dipartimento di Statistica Università Ca Foscari Venezia Anno Accademico 2007-2008 sul docente Parte I preliminari Nome: Stefano Tonellato e-mail: stone@unive.it
DettagliGeometria BAER I canale Foglio esercizi 3
Geometria BAER I canale Foglio esercizi 3 Esercizio. Discutere le soluzioni del seguente sistema lineare nelle incognite,, z al variare del parametro k. 3 + kz = k k + 3z = k k + z = Soluzione: Il determinante
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
DettagliIl Modello della Analisi Fattoriale Esplorativa e i Metodi di Classificazione Automatica (Analisi di Raggruppamento)
Il Modello della Analisi Fattoriale Esplorativa e i Metodi di Classificazione Automatica (Analisi di Raggruppamento) Se all interno di un insieme di informazioni articolato in una matrice di dati X si
DettagliGeometria BAER Canale A-K Esercizi 8
Geometria BAER Canale A-K Esercizi 8 Esercizio. Si consideri il sottospazio U = L v =, v, v 3 =. (a) Si trovino le equazioni cartesiane ed una base ortonormale di U. (b) Si trovi una base ortonormale di
DettagliAppendice 1. Spazi vettoriali
Appendice. Spazi vettoriali Indice Spazi vettoriali 2 2 Dipendenza lineare 2 3 Basi 3 4 Prodotto scalare 3 5 Applicazioni lineari 4 6 Applicazione lineare trasposta 5 7 Tensori 5 8 Decomposizione spettrale
DettagliGeometria BAER I canale Foglio esercizi 2
Geometria BAER I canale Foglio esercizi 2 Esercizio 1. Calcolare il determinante e l inversa (quando esiste) della matrice ( ) cos θ sin θ R θ =, θ [0, 2π] sin θ cos θ Soluzione: Il determinante ( é cos
Dettaglia a 1n A = a n1... a nn a 11 x a 1n x n = b 1 a n1 x a nn x n = b n ] sono determinati. 2- La matrice A = [ a ij
Recupero. 2, Determinanti. 1. Determinanti Consideriamo una matrice A = a 11... a 1n.. a n1... a nn quadrata di ordine n ad elementi in R. Sappiamo che sono equivalenti la affermazioni 1- tutti i sistemi
DettagliProdotti scalari e matrici
Prodotti scalari e matrici 1 Forme bilineari e matrici In questa sezione vogliamo studiare la corrispondenza biunivoca che esiste tra l insieme delle forme bilineari su di un certo spazio vettoriale V
DettagliApplicazioni lineari simmetriche e forme quadratiche reali.
Applicazioni lineari simmetriche e forme quadratiche reali 1 Applicazioni lineari simmetriche Consideriamo lo spazio IR n col prodotto scalare canonico X Y = t XY = x 1 y 1 + + x n y n Definizione Un applicazione
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 luglio 6 Vettori aleatori e funzioni di v.a. Esercizio Si lanciano due dadi equi. Qual è la probabilità che la somma sia? [ ] Siano X, X le v.a.
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
DettagliEquivalentemente, le colonne di A sono linearmente indipendenti se e solo se
Lezioni di Algebra Lineare. Versione novembre 2008 VI. Il determinante Il determinante det A di una matrice A, reale e quadrata, è un numero reale associato ad A. Dunque det è una funzione dall insieme
Dettagli(P x) (P y) = x P t (P y) = x (P t P )y = x y.
Matrici ortogonali Se P è una matrice reale n n, allora (P x) y x (P t y) per ogni x,y R n (colonne) Dim (P x) y (P x) t y (x t P t )y x t (P t y) x (P t y), CVD Ulteriori caratterizzazioni delle matrici
DettagliProva scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 2015/ Settembre 2016
Prova scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 205/206 20 Settembre 206 Esercizio. Un dado equilibrato viene lanciato ripetutamente. Indichiamo con X n il risultato dell n-esimo
DettagliEsercizi del 10 maggio 2012 da riconsegnare il 17 maggio 2012
Analisi Multivariata Esercizi del 10 maggio 2012 da riconsegnare il 17 maggio 2012 La Tabella 1 contiene la classificazione in base alla qualifica e all abitudine al fumo di 193 dirigenti e impiegati di
DettagliEsercizi di ripasso: geometria e algebra lineare.
Esercizi di ripasso: geometria e algebra lineare. Esercizio. Sia r la retta passante per i punti A(2,, 3) e B(,, 2) in R 3. a. Scrivere l equazione cartesiana del piano Π passante per A e perpendicolare
DettagliParte 12b. Riduzione a forma canonica
Parte 2b. Riduzione a forma canonica A. Savo Appunti del Corso di Geometria 202-3 Indice delle sezioni. Coniche, 2. Esempio di riduzione, 4 3. Teoremi fondamentali, 6 4. Come determinare l equazione canonica,
DettagliI. Foglio di esercizi su vettori linearmente dipendenti e linearmente indipendenti. , v 2 = α v 1 + β v 2 + γ v 3. α v 1 + β v 2 + γ v 3 = 0. + γ.
ESERCIZI SVOLTI DI ALGEBRA LINEARE (Sono svolti alcune degli esercizi proposti nei fogli di esercizi su vettori linearmente dipendenti e vettori linearmente indipendenti e su sistemi lineari ) I. Foglio
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
8 CAPIOLO 9. IMA DEI PARAMERI MEODO DEI MINIMI QADRAI 9.3 Il metodo dei minimi quadrati in formalismo matriciale Nel caso si debba applicare il metodo minimi quadrati con molti parametri risulta vantaggioso
DettagliParte 8. Prodotto scalare, teorema spettrale
Parte 8. Prodotto scalare, teorema spettrale A. Savo Appunti del Corso di Geometria 3-4 Indice delle sezioni Prodotto scalare in R n, Basi ortonormali, 4 3 Algoritmo di Gram-Schmidt, 7 4 Matrici ortogonali,
Dettagli2 2 2 A = Il Det(A) = 2 quindi la conica è non degenere, di rango 3.
Studio delle coniche Ellisse Studiare la conica di equazione 2x 2 + 4xy + y 2 4x 2y + 2 = 0. Per prima cosa dobbiamo classificarla. La matrice associata alla conica è: 2 2 2 A = 2 2 2 Il DetA = 2 quindi
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
Dettaglib = p + q l q Diciamo che p e la proiezione ortogonale di b su l, e che q e la proiezione ortogonale di b su l.
Matematica II, 4... rtogonalita nel piano. Fissato nel piano un punto, consideriamo il piano vettoriale P. Diamo per intuitivamente nota la nozione di ortogonalita fra due vettori non nulli. Per convenzione,
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza di Variabili Aleatorie Sistema di Variabili
Dettagli0.1 Forme quadratiche
0.1. FORME QUADRATICHE 1 0.1 Forme quadratiche In questa sezione possiamo applicare il Teorema degli Assi Principali per giustificare alcune fatti che sono stati utilizzati nella riduzione a forma canonica
Dettagli05. Determinare una base ortonormale per ognuno dei seguenti spazi vettoriali.
T.1 BASI ORTONORMALI, MATRICI ORTOGONALI 01. Sia V il sottospazio di IR 3 generato dalla base B : (1, 0, 2), (0, 2, 1). Verificare che anche C : (1, 2, 1), (1, 4, 0) è base per V e ortonormalizzare le
DettagliSPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE
SPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE. Esercizi Esercizio. In R calcolare il modulo dei vettori,, ),,, ) ed il loro angolo. Esercizio. Calcolare una base ortonormale del sottospazio
DettagliStatistical Process Control
Statistical Process Control ESERCIZI II Esercizio 1. Una ditta che produce schermi a cristalli liquidi deve tenere in controllo il numero di pixel non funzionanti. Vengono ispezionati venti schermi alla
DettagliVariabili casuali multidimensionali
Capitolo 1 Variabili casuali multidimensionali Definizione 1.1 Le variabili casuali multidimensionali sono k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità.
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliComputazione per l interazione naturale: Richiami di algebra lineare
Computazione per l interazione naturale: Richiami di algebra lineare Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it
Dettagli1 Coniche. s (x, y, t ) (1) 1 (x, y, t )F r 2
1 Coniche Studieremo le curve nel piano euclideo, cioè nel piano con un sistema di riferimento cartesiano ortogonale fissato, oppure nel completamento proiettivo di questo piano, ottenuto con l introduzione
Dettagli