Indice. 1 Introduzione ai modelli lineari 2. 2 Dataset 3. 3 Il Modello 8. 4 In pratica Peso e percorrenza... 12

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Indice. 1 Introduzione ai modelli lineari 2. 2 Dataset 3. 3 Il Modello 8. 4 In pratica 12 4.1 Peso e percorrenza... 12"

Transcript

1 Indice 1 Introduzione ai modelli lineari 2 2 Dataset 3 3 Il Modello 8 4 In pratica Peso e percorrenza 12 1

2 Capitolo 1 Introduzione ai modelli lineari Quando si analizzano dei dati, spesso si vuole scoprire se esiste una particolare relazione tra essi A volte, in particolare, si vuole scoprire se una o più variabili in gioco dipendono dalle altre: y = f(x 1,, x p ; β), dove β sono dei parametri incogniti Se questa relazione fosse esatta non ci sarebbe nulla da studiare In realtà succede che y = f(x 1,, x p ; β) + ɛ In questa parte del corso studieremo la più semplice funzione f ovvero una funzione lineare nei parametri: y = β 0 + β 1 x + ɛ Perché la più semplice? 1 E facilmente interpretabile 2 E semplice da utilizzare 2

3 Capitolo 2 Dataset Iniziamo a vedere come si utilizza un modello di questo tipo su un dataset reale con l utilizzo del software R Per prima cosa dobbiamo caricare il dataset che utilizzeremo: autodat che potete trovare su Apriamo il file e vediamo che nella prima ci sono un file di questo si carica su R attraverso il comando > auto = readtable("autodat", header = TRUE) L oggetto auto è un data-frame e contiene le seguenti variabili: > names(auto) [1] "marca" "alimentazione" "aspirazione" "carrozzeria" [5] "trazione" "posizmotore" "distassi" "lunghezza" [9] "larghezza" "altezza" "peso" "cilindrata" [13] "compressione" "HP" "girimax" "percorrurbana" [17] "percorrstrada" "Ncilindri" per caricare ognuna di esse in memoria con il proprio nome dobbiamo utilizzare il comando: > attach(auto) 3

4 Potrebbe essere interessante stabilire se esiste una relazione tra la percorrenza urbana, il numero di kilometri che si fanno con un litro di carburante, e per esempio il peso Infatti possiamo immaginare che a parità di condizioni una pacchina più pesante consumi più di un altra più leggera Questo possiamo vederlo graficamente mettendo su un piano cartesiano le due variabili: sull ascissa mettiamo il peso e sull ordinata la percorrenza urbana, che d ora in poi chiamerò semplicemente percorrenza > plot(peso, percorrurbana) percorrurbana peso Figura 21: La percorrenza in funzione del peso 4

5 Ogni punto del grafico corrisponde ad una macchina Dal grafico si vede subito che aumentando il peso diminuisce la percorrenza Notiamo che c è un gruppo di punti che si discosta notevolmente dala parte restante del dataset In particolare questi punti hanno una percorrenza più alta e quindi un consumo più basso Questo può dipendere dal fatto che quel gruppo di macchine ha caratteristiche diverse rispetto alle altre Per scoprirlo possiamo estrarre quei punti singolarmente Per fare ciò possiamo utilizzare la funzione interattiva identify che permette di conoscere a quale riga del dataset corrisponde il punto semplicemente cliccandoci sopra con il mouse > plot(peso, percorrurbana) > v = identify(peso, percorrurbana) > v [1] A questo punto clicchiamo i punti che ci interessano e quando abbiamo finito clicchiamo con il pulsante destro sulla finestra grafica e scegliamo stop Vediamo per esempio che > alimentazione[v] [1] diesel diesel Levels: benz diesel Ovvero entrambe le macchine sono alimentate a diesel, che ha, come è noto, un consumo più basso rispetto alle macchine a benzina Ma è possibile anche fare grafici più sofisticati con R, in questo modo si ha un idea più chiara del dataset: 5

6 > plot(peso, percorrurbana, type = "n", ylab = "percorrenza urbana (km/litro)", + xlab = "peso") > d <- alimentazione == "benz" > points(peso[d], percorrurbana[d], col = 2, pch = 2) > points(peso[!d], percorrurbana[!d], col = 3, pch = 3) > legend(1550, 20, pch = c(2, 3), col = c(2, 3), legend = c("benzina", + "diesel")) percorrenza urbana (km/litro) benzina diesel peso Figura 22: La percorrenza in funzione del peso, differenze di alimentazione 6

7 in questo modo distinguiamo anche le macchine alimentate a benzina con le diesel E molto interessante confrontare anche più variabili insieme: > M = cbind(percorrurbana, cilindrata, Ncilindri, peso) > pairs(m, col = ifelse(d, 2, 3), pch = ifelse(d, 2, 3)) percorrurbana cilindrata Ncilindri peso Figura 23: Grafici incrociati 7

8 Capitolo 3 Il Modello Torniamo al nostro modello Immagiamo di avere un campione di n unità (per esempio n macchine) di cui sono disponibili per ogni unità alcune caratteristiche (la perccorrenza, il peso, etc) Siano x e y due caratteristiche, noi vogliamo studiare come si comporta la caratteristica y al variare di x Come già detto, l ipotesi più semplice che si può fare è quella di un modello lineare y = β 0 + β 1 x + ɛ, con β 0 e β 1 parametri incogniti Da un punto vista grafico y = β 0 + β 1 x è una retta con intercetta β 0 e coefficiente angolare β 1, il termine aggiuntivo ɛ è un errore In questo schema il nostro scopo è trovare la retta più vicina ai dati ovvero i valori β 0 e β 1 migliori Ma che vuol dire più vicina? E migliore in che senso? Per precisare meglio questi concetti 8

9 abbiamo bisogno di un struttura matematica più rigorosa Poniamo y 1 = β 0 + β 1 x 1 + ɛ 1 y i = β 0 + β 1 x i + ɛ i y n = β 0 + β 1 x n + ɛ n O meglio utilizzando una relazione matriciale: y = Xβ + ɛ dove y = y 1 y i X = 1 x 1 1 x i β = β 0 β 1 ɛ = ɛ 1 ɛ i y n 1 x n ɛ n Ora se poniamo ˆβ una stima di β, si ha per ogni x i che ŷ i = ˆβ 0 + ˆβ 1 x i e quindi ŷ = X ˆβ è la retta stimata Ora vogliamo minimizzare l errore che commettiamo approssimando i dati y i con i valori stimati ŷ i : a questo scopo per ogni i poniamo e i = y i ŷ i I valori e i vengono chiamati residui e rappresentano l errore commeso per ogni unità Abbiamo però bisogno di un errore globale che sintetizzi tutti gli errori contemporaneamente Ci sono vari modi per definire questo errore, il più utilizzato è sicuramente questo: n n D(β) = e 2 i = [y i β 0 + β 1 x i ] 2 i=1 i=1 9

10 La funzione D viene spesso chiamata devianza Per trovare il β migliore, come promesso all inizio, dobbiamo minimizzare questa funzione Questo è quello che si chiama criterio dei minimi quadrati Per andare avanti bisogna però fare alcune ipotesi sugli errori ɛ i, le ipotesi classiche sono quelle chiamate di omoschedasticità: E(ɛ i ) = 0 i = 1,, n V ar(ɛ i ) = σ 2 i = 1,, n Cov(ɛ i, ɛ j ) = 0 i, j = 1,, n i j Minimizzando la funzione D(β) otteniamo che ˆβ = ( X t X ) 1 X t y Utilizzando il valore trovato possiamo ottenere anche una stima del parametro incognito σ 2 : s 2 = D( ˆβ) n 2 s = D( ˆβ) n 2 Queste formule che avviamo costruito in un caso particolarmente semplice del modello lineare valgono in realtà più in generale Infatti possiamo immaginare che la variabili non dipenda da una sola caratteristica x ma da un certo numero di caratteristiche: x 1,, x p 1 : y = β 0 + β 1 x β p 1 x p 1 La formulazione del modello diventa a questo punto: y 1 = β 0 + β 1 x β p 1 x ip 1 + ɛ 1 y i = β 0 + β 1 x i1 + + β p 1 x ip 1 + ɛ i y n = β 0 + β 1 x n1 + + β p 1 x np 1 + ɛ n 10

11 Ma sempre nella forma matriciale y = Xβ + ɛ dove però a differenza di prima X = 1 x 11 x 1p 1 1 x i1 x ip 1 β = β 0 β 1 1 x n1 x np 1 β p 1 Il metodo dei minimi quadrati porta quindi a ˆβ = ( X t X ) 1 X t y da cui s 2 = D( ˆβ) n p s = D( ˆβ) n p 11

12 Capitolo 4 In pratica Analizziamo quindi il nostro dataset delle auto utilizzando il modello appena introdotto 41 Peso e percorrenza Possiamo a questo punto studiare la relazione tra peso e percorrenza Poniamo percorrenza = β 0 + β 1 peso + ɛ Per costruire tutte le stime che ci occorrono basta un solo semplice comando in R: lm > fit = lm(percorrurbana ~ peso) > fit Call: lm(formula = percorrurbana ~ peso) Coefficients: (Intercept) peso

13 Il nome lm sta per linear model e come vedete restituisce i coefficienti stimati: ˆβ0 (Intercept) e ˆβ 1 peso Ma il comando lm fa molto di più! Per ottenere una lista di tutti gli oggetti che restituisce dobbiamo dare > names(fit) [1] "coefficients" "residuals" "effects" "rank" [5] "fittedvalues" "assign" "qr" "dfresidual" [9] "xlevels" "call" "terms" "model" Tra le cose che restituisce lm troviamo i coefficienti stimati (coefficients), i residui (residuals), i valori stimati ŷ (fittedvalues) Graficamente il risultato è quello dato dalla figura 51 13

14 > plot(peso, percorrurbana) > abline(reg = fit, col = 2) percorrurbana peso Figura 41: Retta di regrssione e residui 14

15 In realtà informazioni più significative possono essere ricavate utilizzando il comando summary: > summary(fit) Call: lm(formula = percorrurbana ~ peso) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std Error t value Pr(> t ) (Intercept) <2e-16 *** peso <2e-16 *** --- Signif codes: 0 *** 0001 ** 001 * Residual standard error: 1826 on 201 degrees of freedom Multiple R-Squared: 05748, Adjusted R-squared: F-statistic: 2717 on 1 and 201 DF, p-value: < 22e-16 Ma analizziamo meglio l output di summary Per prima cosa salviamolo e vediamo le informazione che contiene: > sfit = summary(fit) > names(sfit) [1] "call" "terms" "residuals" "coefficients" [5] "aliased" "sigma" "df" "rsquared" [9] "adjrsquared" "fstatistic" "covunscaled" 15

16 Partiamo dall inizio La prima cosa che vediamo è la formula del modello (Call) Poi ci sono delle informazioni sui residui (Residuals) come il minimo il massimo e quartili Il vettore di tutti i residui può essere ricavato in vari modi: > fit$residuals > sfit$residuals > residuals(fit) > residuals(sfit) Notiamo (dalla mediana e dai quartili) che i residui non sono simmetrici rispetto allo 0 Questo probabilmente dipende dal fatto che stiamo considerando contemporaneamente sia macchine a benzina che diesel Poi troviamo una tabella con i coefficienti stimati e altre utili informazioni (Coefficients) Prendiamo ad esempio la seconda riga: > sfit$coef[2, ] Estimate Std Error t value Pr(> t ) e e e e-39 Essa si riferisce al coefficiente della variabile peso, ovvero β 1 Il primo valore è la sua stima ( ˆβ 1 ), il secondo è il suo errore standard e il terzo il rapporto fra questi due che corrisponde al valore t oss del test di ipotesi β 1 = 0 Più questo valore è alto più è bassa la probabiltà di sbagliare rifiutando l ipotesi che β 1 = 0 (sotto l ipotesi aggiuntiva di normalità degli errori) Un altro indice di ciò è dato dalla P ( X > t ) (con X va normale standard) ovvero il quarto valore: in questo caso è un numero molto vicino a 0 che vuol dire che β 1 0 La componente peso è quindi significativa per il modello (sempre nel caso di normalità) Il valore Residual standard error è il valore che per noi è dato da σ e degrees of freedom è il valore n p della formula che corrisponde al numero di gradi di libertà della variabile Chi-quadro che se ne ricava (osserviamo che nel nostro caso p = 2) Per ottenere questi valori basta digitare 16

17 > sfit$sigma [1] > sfit$df[2] [1] 201 Nel summary troviamo anche il Multiple R-Squared calcolato attraverso la formula: R 2 = 1 (yi ŷ i ) 2 ( y i y i ) 2 = ( ŷ i y i ) 2 ( y i y i ) 2 = varianzione spiegata varianzione totale Il valore R 2 viene chiamato coefficiente di determinazione e indica la quota di variabilità che siamo riusciti ad interpretare utilizzando il modello Questo è un valore tra 0 e 1; nel nostro caso è 057 che indica un discreto grado di accostamento tra dati osservati e interpolati Per ricavare questo valore dobbiamo scrivere > sfit$rsquared [1] Notiamo che R 2 = ρ 2 = s2 xy s 2 xs 2 y ma i due fattori hano significati diversi: il primo è un indice della bontà di adattamento mentre il secondo (la correlazione al quadrato) è un indice di dipendenza tra x e y L ultima informazione che troviamo nel summary è la statistica F : F-statistic: questa verrà spiegata in seguito Osserviamo che anche se ad una prima analisi abbiamo dei risultati confortanti guardando meglio il grafico si vede che c è un intero gruppo di dati (le macchine diesel) che si discostano notevolmente dalla retta; possiamo quindi, almeno ad una prima analisi distinguere le due situazioni creando due modelli differenti 17

18 > fitb = lm(percorrurbana[d] ~ peso[d]) > fitd = lm(percorrurbana[!d] ~ peso[!d]) > plot(peso, percorrurbana, type = "n", ylab = "percorrenza urbana (km/litro)", + xlab = "peso") > points(peso[d], percorrurbana[d], col = 2, pch = 2) > points(peso[!d], percorrurbana[!d], col = 3, pch = 3) > legend(45, 20, pch = c(2, 3), col = c(2, 3), legend = c("benzina", + "diesel")) > abline(reg = fitb, col = 2, lty = 2) > abline(reg = fitd, col = 3, lty = 4) percorrenza urbana (km/litro) peso 18

19 In questo caso però notiamo che per valori estremi del peso nelle macchine a benzina il modello lineare non sembra funzionare bene 19

> d = alimentazione == "benz" > mean(percorr.urbana[!d]) - mean(percorr.urbana[d]) [1] 2.385627. > sd(percorr.urbana[d]) [1] 2.

> d = alimentazione == benz > mean(percorr.urbana[!d]) - mean(percorr.urbana[d]) [1] 2.385627. > sd(percorr.urbana[d]) [1] 2. A questo punto vale la pena di soffermarci di più sull alimentazione. Intanto cerchiamo di indagare se l alimentazione è davvero un fattore significativo per la percorrenza come è luogo comune pensare.

Dettagli

Esercitazione Statistica Computazionale B Modelli di regressione lineare semplice Verifica di ipotesi - Analisi della varianza

Esercitazione Statistica Computazionale B Modelli di regressione lineare semplice Verifica di ipotesi - Analisi della varianza Esercitazione Statistica Computazionale B Modelli di regressione lineare semplice Verifica di ipotesi - Analisi della varianza 3 maggio 2005 Esercizio 1 Consideriamo l esempio del libro di testo Annette

Dettagli

STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 8: 27-05-2004

STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 8: 27-05-2004 esercitazione 8 p. 1/8 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 8: 27-05-2004 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it

Dettagli

Laboratorio R Corso di Algebra e Modelli lineari (Anno Accademico 2011-12)

Laboratorio 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

Dettagli

Validazione dei modelli Strumenti quantitativi per la gestione

Validazione dei modelli Strumenti quantitativi per la gestione Validazione dei modelli Strumenti quantitativi per la gestione Emanuele Taufer Validazione dei modelli Il data set Auto I dati Il problema analizzato Validation set approach Diagramma a dispersione Test

Dettagli

Regressione lineare multipla Strumenti quantitativi per la gestione

Regressione lineare multipla Strumenti quantitativi per la gestione Regressione lineare multipla Strumenti quantitativi per la gestione Emanuele Taufer Regressione lineare multipla (RLM) Esempio: RLM con due predittori Stima dei coefficienti e previsione Advertising data

Dettagli

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE

STATISTICA 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

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8

CORSO 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

Dettagli

La previsione delle vendite dei lm

La previsione delle vendite dei lm La previsione delle vendite dei lm L'industria cinematograca è un business con un alto prolo e un'elevata variabilità nei ricavi. Nel 2005, gli americani hanno speso 8.8 miliardi di dollari di biglietti

Dettagli

Laboratorio di Statistica con R

Laboratorio di Statistica con R Laboratorio di Statistica con R R è un vero e proprio linguaggio di programmazione. Il suo nome, è dovuto probabilmente al nome dei suoi sviluppatori:robert Gentleman e Ross Ihaka Le principali funzioni

Dettagli

Lezione n. 2 (a cura di Chiara Rossi)

Lezione n. 2 (a cura di Chiara Rossi) Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,

Dettagli

Gli OLS come statistica descrittiva

Gli OLS come statistica descrittiva Gli OLS come statistica descrittiva Cos è una statistica descrittiva? È una funzione dei dati che fornisce una sintesi su un particolare aspetto dei dati che a noi interessa; naturalmente, è auspicabile

Dettagli

Elaborazione dei dati su PC Regressione Multipla

Elaborazione dei dati su PC Regressione Multipla 21 Elaborazione dei dati su PC Regressione Multipla Analizza Regressione Statistiche Grafici Metodo di selezione Analisi dei dati 21.1 Introduzione 21.2 Regressione lineare multipla con SPSS 21.3 Regressione

Dettagli

Capitolo 12 La regressione lineare semplice

Capitolo 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

Dettagli

1 BREVE RIPASSO DEI TEST STATISTICI 2 I TEST STATISTICI NEI SOFTWARE ECONOMETRICI E IL P-VALUE 3 ESERCIZI DI ALLENAMENTO

1 BREVE RIPASSO DEI TEST STATISTICI 2 I TEST STATISTICI NEI SOFTWARE ECONOMETRICI E IL P-VALUE 3 ESERCIZI DI ALLENAMENTO I TEST STATISTICI E IL P-VALUE Obiettivo di questo Learning Object è ripassare la teoria ma soprattutto la pratica dei test statistici, con un attenzione particolare ai test che si usano in Econometria.

Dettagli

3) ANALISI DEI RESIDUI

3) 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,

Dettagli

Esercitazione n.2 Inferenza su medie

Esercitazione n.2 Inferenza su medie Esercitazione n.2 Esercizio L ufficio del personale di una grande società intende stimare le spese mediche familiari dei suoi impiegati per valutare la possibilità di attuare un programma di assicurazione

Dettagli

Esercizio 1 GRAFICO 1. X e Y sono indipendenti. X e Y non sono correlate. La correlazione tra X e Y è <1. X e Y sono perfettamente correlate

Esercizio 1 GRAFICO 1. X e Y sono indipendenti. X e Y non sono correlate. La correlazione tra X e Y è <1. X e Y sono perfettamente correlate Esercizio 1 Osservare il grafico 1 riportato in figura che mette in relazione una variabile dipendente Y ed una variabile indipendente X e rispondere alle seguenti domande. 400 300 200 GRAFICO 1 100 0

Dettagli

Appunti di Statistica Descrittiva

Appunti di Statistica Descrittiva Appunti di Statistica Descrittiva 30 dicembre 009 1 La tabella a doppia entrata Per studiare dei fenomeni con caratteristiche statistiche si utilizza l espediente della tabella a doppia entrata Per esempio

Dettagli

Guida rapida - versione Web e Tablet

Guida rapida - versione Web e Tablet Guida rapida - versione Web e Tablet Cos è GeoGebra? Un pacchetto completo di software di matematica dinamica Dedicato all apprendimento e all insegnamento a qualsiasi livello scolastico Gestisce interattivamente

Dettagli

UNIVERSITA DEGLI STUDI DI PADOVA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA IN STATISTICA E TECNOLOGIA INFORMATICA

UNIVERSITA DEGLI STUDI DI PADOVA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA IN STATISTICA E TECNOLOGIA INFORMATICA UNIVERSITA DEGLI STUDI DI PADOVA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA IN STATISTICA E TECNOLOGIA INFORMATICA TESI DI LAUREA CONFRONTO TRA MODELLI STATISTICI NON PARAMETRICI :UNA APPLICAZIONE

Dettagli

Traccia delle lezioni svolte in laboratorio Excel 2003. Excel 2003 Excel 2010

Traccia delle lezioni svolte in laboratorio Excel 2003. Excel 2003 Excel 2010 Traccia delle lezioni svolte in laboratorio Excel 2003 Excel 2003 Excel 2010 INTRODUZIONE A EXCEL EXCEL è un programma di Microsoft Office che permette di analizzare grandi quantità di dati (database)

Dettagli

0. Piano cartesiano 1

0. Piano cartesiano 1 0. Piano cartesiano Per piano cartesiano si intende un piano dotato di due assi (che per ragioni pratiche possiamo scegliere ortogonali). Il punto in comune ai due assi è detto origine, e funziona da origine

Dettagli

6. Modelli statistici: analisi della regressione lineare

6. Modelli statistici: analisi della regressione lineare BIOSTATISTICA 6. Modelli statistici: analisi della regressione lineare Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL

RAPPRESENTAZIONE 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

Dettagli

Excel Terza parte. Excel 2003

Excel Terza parte. Excel 2003 Excel Terza parte Excel 2003 TABELLA PIVOT Selezioniamo tutti i dati (con le relative etichette) Dati Rapporto tabella pivot e grafico pivot Fine 2 La tabella pivot viene messa di default in una pagina

Dettagli

STATISTICA INFERENZIALE

STATISTICA INFERENZIALE STATISTICA INFERENZIALE Premessa importante: si ipotizza che il comportamento della popolazione rispetto ad una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p

Dettagli

Regressione logistica. Strumenti quantitativi per la gestione

Regressione logistica. Strumenti quantitativi per la gestione Regressione logistica Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/4a_rlg.html#(1) 1/25 Metodi di classificazione I metodi usati per analizzare

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

Esempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica.

Esempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica. Esempio Risultati sperimentali Approssimazione con il criterio dei minimi quadrati Esempio Interpolazione con spline cubica. Esempio 1 Come procedere? La natura del fenomeno suggerisce che una buona approssimazione

Dettagli

Massimi e minimi vincolati di funzioni in due variabili

Massimi e minimi vincolati di funzioni in due variabili Massimi e minimi vincolati di funzioni in due variabili I risultati principali della teoria dell ottimizzazione, il Teorema di Fermat in due variabili e il Test dell hessiana, si applicano esclusivamente

Dettagli

INTRODUZIONE A R INTRODUZIONE A R

INTRODUZIONE A R INTRODUZIONE A R Negli anni 90 i Bell Laboratories sviluppano un nuovo ambiente per l analisi statistica: S. Sulla base di tale linguaggio viene successivamente sviluppato un software con il nome S-PLUS. R nasce come ambiente

Dettagli

Modello di regressione lineare

Modello di regressione lineare Modello di regressione lineare a cura di Giordano dott. Enrico enrico.giordano@meliorbanca.com Nel presente lavoro viene descritto in modo dettagliato (attraverso anche un impatto visivo), l analisi di

Dettagli

Progetto costo I. O. I.A. A 5 9 4 B 8 15 9 C 4 3 3 D 9 7 1

Progetto costo I. O. I.A. A 5 9 4 B 8 15 9 C 4 3 3 D 9 7 1 Tecniche di Valutazione Economica Processo di aiuto alla decisione lezione 13.04.2005 Modello di valutazione Dobbiamo riuscire a mettere insieme valutazioni che sono espresse con dimensioni diverse. Abbiamo

Dettagli

APPUNTI DI MATEMATICA LE DISEQUAZIONI NON LINEARI

APPUNTI DI MATEMATICA LE DISEQUAZIONI NON LINEARI APPUNTI DI MATEMATICA LE DISEQUAZIONI NON LINEARI Le disequazioni fratte Le disequazioni di secondo grado I sistemi di disequazioni Alessandro Bocconi Indice 1 Le disequazioni non lineari 2 1.1 Introduzione.........................................

Dettagli

Analisi della performance temporale della rete

Analisi della performance temporale della rete Analisi della performance temporale della rete In questo documento viene analizzato l andamento nel tempo della performance della rete di promotori. Alcune indicazioni per la lettura di questo documento:

Dettagli

Come costruire una distribuzione di frequenze per caratteri quantitativi continui

Come costruire una distribuzione di frequenze per caratteri quantitativi continui Come costruire una distribuzione di frequenze per caratteri quantitativi continui Consideriamo i dati contenuti nel primo foglio di lavoro (quello denominato dati) del file esempio2.xls. I dati si riferiscono

Dettagli

Analisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it

Analisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it 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

Dettagli

Regressione Lineare con un Singolo Regressore

Regressione 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

Dettagli

Modelli statistici per l analisi dei dati e la valutazione d efficacia Il caso del Comune di Perugia

Modelli statistici per l analisi dei dati e la valutazione d efficacia Il caso del Comune di Perugia Modelli statistici per l analisi dei dati e la valutazione d efficacia Il caso del Comune di Perugia Alessandra Pelliccia Matteo Cataldi Matteo Filippo Donadi 0 AGENDA Fonti Descrizione dei dati Variabili

Dettagli

ELEMENTI DI CALCOLO DELLE PROBABILITA

ELEMENTI DI CALCOLO DELLE PROBABILITA Statistica, CLEA p. 1/55 ELEMENTI DI CALCOLO DELLE PROBABILITA Premessa importante: il comportamento della popolazione rispetto una variabile casuale X viene descritto attraverso una funzione parametrica

Dettagli

Prof.ssa Paola Vicard

Prof.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.

Dettagli

Teoria della Stima. Stima della Media e di una Porzione di Popolazione. Introduzione. Corso di Laurea in Scienze Motorie AA2002/03 - Analisi dei Dati

Teoria della Stima. Stima della Media e di una Porzione di Popolazione. Introduzione. Corso di Laurea in Scienze Motorie AA2002/03 - Analisi dei Dati Teoria della Stima. Stima della Media e di una Porzione di Popolazione Introduzione La proceduta in base alla quale ad uno o più parametri di popolazione si assegna il valore numerico calcolato dalle informazioni

Dettagli

LEZIONE n. 5 (a cura di Antonio Di Marco)

LEZIONE 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,

Dettagli

Esercizi test ipotesi. Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010

Esercizi test ipotesi. Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Esercizi test ipotesi Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Verifica delle ipotesi - Esempio quelli di Striscia la Notizia" effettuano controlli casuali per vedere se le pompe

Dettagli

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) 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

Dettagli

1 Associazione tra variabili quantitative COVARIANZA E CORRELAZIONE

1 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)

Dettagli

Elementi di Statistica descrittiva Parte I

Elementi di Statistica descrittiva Parte I Elementi di Statistica descrittiva Parte I Che cos è la statistica Metodo di studio di caratteri variabili, rilevabili su collettività. La statistica si occupa di caratteri (ossia aspetti osservabili)

Dettagli

Capitolo 7 Guida operativa del programma TQ Controlla

Capitolo 7 Guida operativa del programma TQ Controlla Capitolo 7 Guida operativa del programma TQ Controlla Panoramica delle funzionalità Fornisce un ampio ventaglio di strumenti per il controllo statistico dei processi (SPC) in modo da soddisfare ogni esigenza

Dettagli

RELAZIONE 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 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

Dettagli

LE FUNZIONI A DUE VARIABILI

LE FUNZIONI A DUE VARIABILI Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre

Dettagli

Domanda e Offerta - Elasticità Dott. ssa Sabrina Pedrini

Domanda e Offerta - Elasticità Dott. ssa Sabrina Pedrini Microeconomia, Esercitazione 1 (19/02/2015) Domanda e Offerta - Elasticità Dott. ssa Sabrina Pedrini Domande a risposta multipla 1) Siamo di fronte a uno shock positivo di offerta se: a) in corrispondenza

Dettagli

Strumenti statistici per l analisi di dati genetici

Strumenti statistici per l analisi di dati genetici Strumenti statistici per l analisi di dati genetici Luca Tardella + Maria Brigida Ferraro 1 email: luca.tardella@uniroma1.it Lezione #1 Introduzione al software R al suo utilizzo per l implementazione

Dettagli

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

Confronto di metodologie statistiche per l analisi di risultati di Customer Satisfaction

Confronto di metodologie statistiche per l analisi di risultati di Customer Satisfaction Confronto di metodologie statistiche per l analisi di risultati di Customer Satisfaction S. Gorla: Citroën Italia S.p.A. e Consigliere di giunta AicqCN; E. Belluco: statistico, PG. Della Role: master Black

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA 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

Dettagli

FACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA

FACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA FACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA NB Come potete vedere facendo la somma dei punteggi il numero di quesiti è superiore a quello

Dettagli

CAPITOLO III CONFRONTI TRA DISTRIBUZIONI

CAPITOLO III CONFRONTI TRA DISTRIBUZIONI CAPITOLO III CONFRONTI TRA DISTRIBUZIONI 3.1 CONFRONTI TRA DISTRIBUZIONI OSSERVATE E DISTRIBUZIONI TEORICHE OD ATTESE. Nella teoria statistica e nella pratica sperimentale, è frequente la necessità di

Dettagli

TEST DI AUTOVALUTAZIONE INTERVALLI DI CONFIDENZA E TEST

TEST DI AUTOVALUTAZIONE INTERVALLI DI CONFIDENZA E TEST TEST DI AUTOVALUTAZIONE INTERVALLI DI CONFIDENZA E TEST I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Statistica 1 Parte A 1.1 La formula µ = x ± s n

Dettagli

Indice Statistiche Univariate Statistiche Bivariate

Indice Statistiche Univariate Statistiche Bivariate Indice 1 Statistiche Univariate 1 1.1 Importazione di un file.data.............................. 1 1.2 Medie e variabilità................................... 6 1.3 Distribuzioni di frequenze...............................

Dettagli

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

Dettagli

Parte I. Concetti preliminari. Statistica per la Neuropsicologia. Sommario. Notes. Notes. Notes. Davide Crepaldi

Parte I. Concetti preliminari. Statistica per la Neuropsicologia. Sommario. Notes. Notes. Notes. Davide Crepaldi MoMo Lab, Department of Psychology, University of Milano-Bicocca, Italy davide.crepaldi1@unimib.it Ospedale S. Antonio Abate 25 novembre 2011 Parte I Concetti preliminari Sommario Strumento e pensiero

Dettagli

STATISTICA DESCRITTIVA UNIVARIATA

STATISTICA DESCRITTIVA UNIVARIATA Capitolo zero: STATISTICA DESCRITTIVA UNIVARIATA La STATISTICA è la scienza che si occupa di fenomeni collettivi che richiedono lo studio di un grande numero di dati. Il termine STATISTICA deriva dalla

Dettagli

LABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE

LABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE LABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE DESCRIZIONE DEI DATI DA ESAMINARE Sono stati raccolti i dati sul peso del polmone di topi normali e affetti da una patologia simile

Dettagli

Carichiamo il segnale contenuto nel file ecg_es_20121128.mat

Carichiamo il segnale contenuto nel file ecg_es_20121128.mat Esercitazione su analisi segnale ECG Carichiamo il segnale contenuto nel file ecg_es_20121128.mat Il file contiene due variabili - dt, che vale 0.004 - ecg, che è vettore lungo 6500 campioni La frequenza

Dettagli

Strumenti informatici 2.3 - Le statistiche descrittive con Excel e SPSS

Strumenti informatici 2.3 - Le statistiche descrittive con Excel e SPSS Strumenti informatici 2.3 - Le statistiche descrittive con Excel e SPSS Per ottenere le statistiche descrittive di una o più variabili in Excel occorre utilizzare le funzioni, che sono operatori matematici,

Dettagli

1 Massimi e minimi liberi 1. 2 Massimi e minimi vincolati 7. 3 Soluzioni degli esercizi 12

1 Massimi e minimi liberi 1. 2 Massimi e minimi vincolati 7. 3 Soluzioni degli esercizi 12 UNIVR Facoltà di Economia Sede di Vicenza Corso di Matematica 1 Massimi e minimi delle funzioni di più variabili Indice 1 Massimi e minimi liberi 1 Massimi e minimi vincolati 7 3 Soluzioni degli esercizi

Dettagli

Master della filiera cereagricola. Impresa e mercati. Facoltà di Agraria Università di Teramo. Giovanni Di Bartolomeo Stefano Papa

Master della filiera cereagricola. Impresa e mercati. Facoltà di Agraria Università di Teramo. Giovanni Di Bartolomeo Stefano Papa Master della filiera cereagricola Giovanni Di Bartolomeo Stefano Papa Facoltà di Agraria Università di Teramo Impresa e mercati Parte prima L impresa L impresa e il suo problema economico L economia studia

Dettagli

Tutorial e lavoro su altre caratteristiche di Grasshopper Arch. A. Di Raimo

Tutorial e lavoro su altre caratteristiche di Grasshopper Arch. A. Di Raimo Tutorial e lavoro su altre caratteristiche di Grasshopper Arch. A. Di Raimo Abbiamo già introdotto il concetto di parametro: come abbiamo osservato si tratta ancora di una variabile che ci permette di

Dettagli

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile

Dettagli

4. Funzioni elementari algebriche

4. Funzioni elementari algebriche ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 4. Funzioni elementari algebriche A. A. 2013-2014 1 Funzioni elementari Sono dette elementari un insieme di funzioni dalle quali si ottengono, mediante

Dettagli

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ Prof. Francesco Tottoli Versione 3 del 20 febbraio 2012 DEFINIZIONE È una scienza giovane e rappresenta uno strumento essenziale per la scoperta di leggi e

Dettagli

Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica. Rcmdr

Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica. Rcmdr Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica Rcmdr http://www.r-project.org http://qplab.psy.unipd.it Che cos è Rcmdr? Rcmdr è un pacchetto che possiamo scaricare dal CRAN e installare su

Dettagli

Analisi matriciale delle reti di Petri (P/T) - sifoni e trappole -

Analisi matriciale delle reti di Petri (P/T) - sifoni e trappole - Analisi matriciale delle reti di Petri (P/T) - sifoni e trappole - - richiami preliminari sulle proprietà strutturali - Abbiamo visto che alcune caratteristiche dei sistemi dinamici (DES compresi) non

Dettagli

Il risultato di un analisi chimica è un informazione costituita da: un numero un incertezza un unità di misura

Il risultato di un analisi chimica è un informazione costituita da: un numero un incertezza un unità di misura Il risultato di un analisi chimica è un informazione costituita da: un numero un incertezza un unità di misura Conversione del risultato in informazione utile È necessario fare alcune considerazioni sul

Dettagli

ANALISI DEI DATI PER IL MARKETING 2014

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

Dettagli

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione) Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso

Dettagli

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete Funzioni in due variabili Raccolta di FAQ by Andrea Prevete 1) Cosa intendiamo, esattamente, quando parliamo di funzione reale di due variabili reali? Quando esiste una relazione fra tre variabili reali

Dettagli

Verifica di ipotesi sui coefficienti di regressione. Verifica di ipotesi sul coefficiente angolare

Verifica di ipotesi sui coefficienti di regressione. Verifica di ipotesi sul coefficiente angolare Verifica di ipotesi sui coefficienti di regressione Per il momento supponiamo di muoverci nel contesto del modello gaussiano. Vogliamo capire se alcune nostre congetture sui coefficienti di regressione

Dettagli

Inferenza statistica. Statistica medica 1

Inferenza statistica. Statistica medica 1 Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella

Dettagli

Creare tabelle con Word

Creare tabelle con Word Creare tabelle con Word Premessa In questa breve guida userò spesso il termine "selezionare". "Selezionare", riferito ad un documento informatico, vuol dire evidenziare con il mouse, o con altre combinazioni

Dettagli

FASCI DI RETTE. scrivere la retta in forma esplicita: 2y = 3x + 4 y = 3 2 x 2. scrivere l equazione del fascio di rette:

FASCI DI RETTE. scrivere la retta in forma esplicita: 2y = 3x + 4 y = 3 2 x 2. scrivere l equazione del fascio di rette: FASCI DI RETTE DEFINIZIONE: Si chiama fascio di rette parallele o fascio improprio [erroneamente data la somiglianza effettiva con un fascio!] un insieme di rette che hanno tutte lo stesso coefficiente

Dettagli

Bisanzio Software Srl AMICA IMPORTA. Come importare dati nella famiglia di prodotti AMICA GESTIONALE (www.amicagestionale.it)

Bisanzio Software Srl AMICA IMPORTA. Come importare dati nella famiglia di prodotti AMICA GESTIONALE (www.amicagestionale.it) Bisanzio Software Srl AMICA IMPORTA Come importare dati nella famiglia di prodotti AMICA GESTIONALE (www.amicagestionale.it) Nicola Iarocci 10/05/2010 AMICA IMPORTA Stato del documento: BOZZA Stato del

Dettagli

17 Gli scenari. cartelle di lavoro; unendoli poi in un

17 Gli scenari. cartelle di lavoro; unendoli poi in un 17 Gli scenari Quando siamo alle prese con la valutazione delle spese effettuate oppure delle entrate, quando lavoriamo con investimenti, richieste di finanziamenti, o qualunque altra operazione finanziaria,

Dettagli

Matlab per applicazioni statistiche

Matlab per applicazioni statistiche Matlab per applicazioni statistiche Marco J. Lombardi 19 aprile 2005 1 Introduzione Il sistema Matlab è ormai uno standard per quanto riguarda le applicazioni ingegneristiche e scientifiche, ma non ha

Dettagli

EMBA PART TIME 2012 ROMA I ANNO

EMBA PART TIME 2012 ROMA I ANNO BUSINESS STATISTICS: ASSIGNMENT II: EMBA PART TIME 2012 ROMA I ANNO PROF. MOSCONI ESERCIZIO 1: USO DEL MODELLO DI REGRESSIONE PER DETERMINARE IL VALORE DEGLI IMMOBILI. ESERCIZIO 2: PREVISIONE DI VARIABILI

Dettagli

Elementi di Statistica

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

Dettagli

Il modello di regressione lineare multivariata

Il 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

Dettagli

Analisi grafica residui in R. Da output grafico analisi regressionelm1.csv Vedi dispensa. peso-statura

Analisi grafica residui in R. Da output grafico analisi regressionelm1.csv Vedi dispensa. peso-statura Analisi grafica residui in R Da output grafico analisi regressionelm1.csv Vedi dispensa peso-statura 1) Il plot in alto a sinistra mostra gli errori residui contro i loro valori stimati. I residui devono

Dettagli

Prof. Silvio Reato Valcavasia Ricerche. Il piano cartesiano

Prof. Silvio Reato Valcavasia Ricerche. Il piano cartesiano Il piano cartesiano Per la rappresentazione di grafici su di un piano si utilizza un sistema di riferimento cartesiano. Su questo piano si rappresentano due rette orientate (con delle frecce all estremità

Dettagli

è decidere sulla verità o falsità

è decidere sulla verità o falsità I test di ipotesi I test di ipotesi Il test delle ipotesi consente di verificare se, e in quale misura, una determinata ipotesi (di carattere sociale, biologico, medico, economico, ecc.) è supportata dall

Dettagli

Statistica con R. Jody Tubi. Email: jodytubi@outlook.it

Statistica con R. Jody Tubi. Email: jodytubi@outlook.it Statistica con R Jody Tubi. Email: jodytubi@outlook.it INTRODUZIONE. Accesso ai dati. La diffusione dei PC ha reso disponibile una quantità di dati immensa: le imprese private dispongo di dati su clienti

Dettagli

Introduzione a ROOT. 1. Informazioni generali

Introduzione a ROOT. 1. Informazioni generali Introduzione a ROOT 1. Informazioni generali ROOT è un ambiente visualizzazione e trattamento dati interattivo sviluppato al CERN (si veda il sito ufficiale http://root.cern.ch interamente sviluppato in

Dettagli

Introduzione. Margine di ampiezza... 2 Margine di fase... 5 Osservazione... 6 Margini di stabilità e diagrammi di Bode... 6

Introduzione. Margine di ampiezza... 2 Margine di fase... 5 Osservazione... 6 Margini di stabilità e diagrammi di Bode... 6 ppunti di Controlli utomatici Capitolo 7 parte II Margini di stabilità Introduzione... Margine di ampiezza... Margine di fase... 5 Osservazione... 6 Margini di stabilità e diagrammi di ode... 6 Introduzione

Dettagli

Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione

Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione Versione 11/03/2004 Contenuto e scopo esercitazione Contenuto esempi di problema di programmazione

Dettagli

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S

Dettagli

09 - Funzioni reali di due variabili reali

09 - Funzioni reali di due variabili reali Università degli Studi di Palermo Facoltà di Economia CdS Sviluppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 09 - Funzioni reali di due variabili reali Anno Accademico 2013/2014

Dettagli

1. Sia dato un poliedro. Dire quali delle seguenti affermazioni sono corrette.

1. Sia dato un poliedro. Dire quali delle seguenti affermazioni sono corrette. . Sia dato un poliedro. (a) Un vettore x R n è un vertice di P se soddisfa alla seguenti condizioni: x P e comunque presi due punti distinti x, x 2 P tali che x x e x x 2 si ha x = ( β)x + βx 2 con β [0,

Dettagli

L espressione torna invece sempre vera (quindi la soluzione originale) se cambiamo contemporaneamente il verso: 1 < 0.

L espressione torna invece sempre vera (quindi la soluzione originale) se cambiamo contemporaneamente il verso: 1 < 0. EQUAZIONI E DISEQUAZIONI Le uguaglianze fra espressioni numeriche si chiamano equazioni. Cercare le soluzioni dell equazione vuol dire cercare quelle combinazioni delle lettere che vi compaiono che la

Dettagli

Lezione 6 (16/10/2014)

Lezione 6 (16/10/2014) Lezione 6 (16/10/2014) Esercizi svolti a lezione Esercizio 1. La funzione f : R R data da f(x) = 10x 5 x è crescente? Perché? Soluzione Se f fosse crescente avrebbe derivata prima (strettamente) positiva.

Dettagli