Appunti per gli studenti. Modelli Quantitativi per il Marketing materiale delle lezioni di laboratorio

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Appunti per gli studenti. Modelli Quantitativi per il Marketing materiale delle lezioni di laboratorio"

Transcript

1 UNIVERSITÀ DI BOLOGNA FACOLTÀ DI ECONOMIA CORSO DI LAUREA IN ECONOMIA E MARKETING Appunti per gli studenti Modelli Quantitativi per il Marketing materiale delle lezioni di laboratorio VERSIONE PRELIMINARE Margherita Fort 1 Questa versione: Febbraio Università di Bologna, Facoltà di Economia. La versione 2010 della dispensa contiene materiale svilluppato da Tommaso Reggiani. Per segnalare imprecisioni o contribuire al miglioramento della dispensa contattare: Ufficio: Dipartimento di Scienze Economiche, Piazza Scaravilli 2, Bologna. tel:

2 1 Introduzione Questa dispensa raccoglie gli appunti relativi al laboratorio informatico del corso di Modelli Quantitativi per il Marketing, corso di laurea in Economia e Marketing, tenuto da Margherita Fort nell anno accademico , materiale del corso tenuto dal docente nel con la collaborazione di Elisabetta Olivieri e materiale raccolto e presentato in precedenza da Chiara Monfardini. Il materiale è ampiamente basato sugli esempi proposti in Franses and Paap [2001] e su materiale sviluppato da Chiara Monfardini ed Elisa Montaguti. Il software di riferimento è GRETL, ma altri softwares, quali ad esempio R e STATA tra gli altri, possono essere utilizzati per svolgere gli esercizi 2. La scelta del software da utilizzare per le elaborazioni è, in ultima analisi, una scelta personale e richiede in ogni caso un certo investimento. L enfasi nelle esercitazioni e nel materiale qui presentato è sull approccio alla specificazione di un modello econometrico, la diagnostica e l interpretazione dei risultati e non sulla programmazione in GRETL. Vengono tuttavia illustrati dei codici al solo fine di rendere più facile agli studenti lo sviluppo autonomo di codice di programmazione per analisi di base. Gli autori non si assumono alcuna responsabilità per l utilizzo di questi codici in ambiti diversi da quelli del corso in oggetto. La versione 2010 della dispensa include materiale sviluppato da Tommaso Reggiani. 2 Maggiori informazioni sul software R su e su GRETL su Il software STATA permette una vasta gamma di elaborazioni statistiche e di gestione dei dati ed è ampiamente utilizzato da ricercatori in discipline quali, ad esempio, l economia, la sociologia, la psicologia, la biostatistica. Per maggiori informazioni sul software STATA, gli studenti sono invitati a consultare i collegamenti a sessioni introduttive su vari argomenti disponibili al sito ufficiale 2

3 2 Esercitazione 1 3 In questa sezione, tramite un semplice esercizio applicato, vengono raccolte delle informazioni di base su alcuni comandi basilari di GRETL che saranno utilizzati nelle prossime esercitazioni. Tutte le sequenze in carattere TypeWriter, stanno ad indicare le sequenze di comandi (via icone) necessari a produrre gli outputs e le elaborazioni oggetto di descrizione, spiegazione ed interpretazione. 2.1 Help di GRETL GRETL, come molti programmi, contiene al suo interno una guida per facilitarne l utilizzo. Per accedere al menu si può utilizzare il menu a tendina (ultimo menu in alto a destra) e quindi scegliere l opzione di interesse. Si può accedere alla guida ai comandi anche cliccando sul simbolo del salvagente nella finestra in basso. 2.2 Per cominciare... Prima di poter caricare i dati su GRETL, è bene sapere quale è la cartella preimpostata in cui il programma cerca e salva i file. Per conoscere la cartella di riferimento ed il suo percorso è sufficiente digitare controllare all apposita voce nel menu File. Per cambiare la cartella di lavoro dobbiamo andare nel menu File ed indicare la directory (nel nostro caso ad esempio C:\Econometria2\lab1): nella cartella scelta mettiamo i dati che devono essere utilizzati per le elaborazioni. Nella stessa cartella salveremo i files.inp (con i comandi utilizzati) e file.txt (con l output costruito ed i comandi) che verranno creati nella sessione di lavoro. 4 E inoltre utile salvare come icona (vedi opzione file oppure mouse tasto 3 Questa sezione è stata preparata da Tommaso Reggiani, utilizzando anche materiale svillupato da Elisabetta Olivieri e Margherita Fort. 4 E possibile salvare il file della sessione con i risultati dei comandi ed i comandi stessi con estensione diversa da quella di un file di testo. Qui si consiglia di usare l estensione.txt perchè essa è visibile con un semplice editor di testo. 3

4 destro) ogni elaborazione o analisi effettuata. Questo permette di organizzare in modo rapido ed ordinato un completo backup dei risultati (grafici, descrizioni, regressioni etc..) che puo essere consultato tramite la Finestra Icone (in basso a sinistra, icona n.4). 2.3 Caricare i dati GRETL GRETL offre un ampia gamma di possibilità per importare dati in diversi formati. Per accedere ai comandi, è possibile utilizzare il menu che appare dal menu File nella finestra di GRETL: [ File > Apri dati > Importa ]. In questa nostra prima esercitazione, per prendere confidenza con il software, analizzeremo un dataset che raccoglie informazioni sulle variabili (genere, livello di istruzione, esperienza maturata in ambito lavorativo) che influenzano il livello dei salari all interno mercato del lavoro. Il campione di dati che utilizzeremo si riferisce ad un indagine condotta in USA per l anno 1980 (fonte dati: NLS) ed è composto da 3294 osservazioni Analisi descrittiva La fase di analisi descrittiva dei dati a nostra disposizione, rappresenta un passaggio preliminare molto importante. Se svolto con accuratezza e attenzione, ci premetterà di non incorrere in inutili errori nella successiva fase di analisi econometrica. 2.5 Descrizione delle Variabili Per prima cosa è necessario capire con precisione la tipologia e la descrizione dei dati che ci accingiamo ad analizzare [ Dati > Visualizza informazioni complete ]: vedere un esempio in Figura 1. exper indica gli anni di esperienza lavorativa maturati da ogni soggetto incluso nel dataset; male è una variabile dummy che vale 1 se il soggetto è uomo, assume valore 0 quando il soggetto è donna; 5 Il dataset e la relativa analisi seguono la traccia proposta in Verbeek (2007) cap. 2. 4

5 Figura 1: Descrizione delle variabili Descrizione: The WAGES1 files contain 3296 USA working individuals with the following information for The data are taken from the National Longitudinal Survey. Tipo di dati: non datato Intervallo: (n = 3294) Lista delle variabili: exper male school wage experience in years 1 if male, 0 otherwise years of schooling wage (in 1980 \$) per hour school indica gli anni di istruzione di ogni soggetto incluso nel dataset; wage indica il salario orario ricevuto da ogni lavoratore, espresso in US$ (nel 1980). Ora che conosciamo sommariamente la natura delle variabili a nostra disposizione, possiamo ispezionare dall interno la struttura del dataset [ Dati > Mostra valori ]. Osserviamo che il dataset è stato suddiviso in due parti: il primo gruppo di osservazioni (1-1569) si caratterizzano per avere la variabile male==0, ovvero vengono presentate tutte le osservazioni relative alle lavoratrici (donne); il secondo gruppo di osservazioni ( ) si riferisce invece ai lavoratori (uomini) dove la variabile assume valore male== Statistiche descrittive Procediamo ora a prendere confidenza direttamente con i dati producendo una serie di statistiche descrittive [Visualizza > Statistiche descrittive]: vedere un esempio in Figura 2. 5

6 Figura 2: Statistiche descrittive Statistiche descrittive, usando le osservazioni Media Mediana Minimo Massimo exper 8,0434 8,0000 1, ,000 male 0, ,0000 0, ,0000 school 11,631 12,000 3, ,000 wage 5,7576 5,2058 0, ,809 Dev. Std. Coeff. di variazione Asimmetria Curtosi exper 2,2907 0, , ,65477 male 0, , , ,9910 school 1,6575 0, , ,2380 wage 3,2692 0, ,9709 9,6341 Il valore medio 0.52 assunto dalla variabile dummy male indica la proporzione di uomini nel campione, confermando il fatto che nel nostro campione le osservazioni maschili eccedono quelle femminili (M: 1725; 52% vs F: 1569; 48%). Per quanto concerne il livello di istruzione, il campo di variazione della variabile (range) va da un minimo di 3 anni ad un massimo di 16 anni (laurea) dedicati agli studi. La media, che si attesta a poco meno di 12 anni di educazione (diploma/maturità) ci informa del fatto che in media la forza lavoro USA, già nel 1980, era caratterizzata da un alto livello di capitale umano. Il salario orario varia da un minimo di 0.07 $/h ad un massimo di circa 40 $/h e presenta una media pari a circa 5.8$/h. Alcuni richiami di statistica utili per l intepretazione: Mediana: si definisce come il valore assunto dalle unità statistiche che si trovano al centro della distribuzione. In sostanza la Mediana bipartisce la distribuzione in due sotto-distribuzioni di pari numerosità: la prima a sinistra della Mediana (costituita dalla metà delle unità la cui modalità è minore o uguale alla Mediana) e la seconda a destra della Mediana (costituita dalla metà delle unità la cui modalità è maggiore o uguale alla Mediana). Deviazione Standard - D.S.(Scarto Quadratico Medio): è un indice di dispersione (vale a dire una misura di variabilità di una popolazione o di una variabile casuale) 6

7 derivato direttamente dalla varianza, ha la stessa unità di misura dei valori osservati (mentre la varianza ha come unità di misura il quadrato dell unità di misura dei valori di riferimento). La deviazione standard misura la dispersione dei dati intorno al valore atteso. Coefficiente di Variazione - C.V.: è un indice di dispersione che permette di confrontare misure di fenomeni riferite a unità di misura differenti, in quanto si tratta di un numero puro (ovvero non riferito ad alcuna specifica unità di misura). Indice di Asimmetria: = 0, nel caso di perfetta simmetria < 0, per l asimmetria a sinistra (es. school) > 0, per l asimmetria a destra (es. wage) Coefficiente di Curtosi: = 0 la curva si definisce normocurtica, cioè piatta come una normale < 0 la curva si definisce platicurtica, cioè più piatta di una normale > 0 la curva si definisce leptocurtica, cioè più appuntita di una normale (es. wage). A questo punto siamo in grado di approfondire l analisi delle singole variabili a nostra disposizione. 2.7 Grafico delle Frequenze Possiamo produrre il grafico delle frequenze della variabile exper [ Variabile > Grafico delle frequenze ]: vedere Figura Analsi delle Frequenze Cumulate Possiamo ottenere l analisi delle frequenze cumulate per la variabile school[ Variabile > Frequenze cumulate ]: vedere Figura Misure di Concentrazione Per la variabile wage, in particolare, è interessante calcolare il coefficiente di concentrazione di Gini [ Variabile > Coefficiente di Gini ]. Vedere Figura 5. 7

8 Figura 3: Grafico Frequenze : exper Il coefficiente di Gini, rappresenta una misura della diseguaglianza di una distribuzione. È spesso usato per misurare la diseguaglianza nella distribuzione del reddito o anche della ricchezza. È un indice compreso tra 0 ed 1. Valori bassi del coefficiente indicano una distribuzione tendenzialmente uguale, con il valore 0 che corrisponde all uguaglianza perfetta, ad esempio la situazione in cui tutti percepiscano esattamente lo stesso reddito; valori alti del coefficiente indicano una distribuzione più diseguale, con il valore 1 che corrisponde alla più completa disuguaglianza, ovvero la situazione in cui una persona percepisce tutto il reddito del paese mentre tutti gli altri hanno un reddito nullo Campionamenti Essendo il nostro dataset suddiviso fra uomini e donne, è interessante osservare come si modifichino i caratteri a seconda del genere. 8

9 Figura 4: Statistica descrittiva delle frequenze cumulate: school Distribuzione di frequenza per school, oss Frequenza Rel. Cum ,03% 0,03% 4 2 0,06% 0,09% 5 5 0,15% 0,24% ,43% 0,67% ,73% 1,40% ,61% 4,01% ,89% 8,89% * ,11% 21,01% **** ,07% 41,07% ******* ,07% 77,14% ************ ,29% 87,43% *** ,01% 95,45% ** ,07% 99,51% * ,49% 100,00% 2.11 Campione degli Uomini Al fine di procedere con tale analisi di genere, isoliamo per primo il sottocampione (subset) di osservazioni riferite agli uomini [ Campione >Imposta in base a condizione > male==1 ]. Possiamo controllare il corretto isolamento del subset maschile ispezionando direttamente i dati dal loro interno e controllando i valori assunti dalla variabile male (==1) [ Dati > Mostra valori ]. Produciamo quindi anche in questo caso la batteria standard di statistiche descrittive relative al sotto-campione maschile [ Visualizza > Statistiche descrittive ]: vedere Figura Campione delle Donne Procediamo ora ad isolare il sottocampione di osservazioni riferite alle donne. Step (1) Ripristino campione completo: [ Campione > Ripristino campione completo ] 9

10 Figura 5: Indice di Concentrazione di Gini: wage; Gini=0, Figura 6: Statistiche descrittive sul subset uomini Statistiche descrittive, usando le osservazioni Media Mediana Minimo Massimo exper 8,3264 8,0000 2, ,000 male 1,0000 1,0000 1,0000 1,0000 school 11,442 12,000 3, ,000 wage 6,3130 5,6543 0, ,809 Dev. Std.Coeff. di variazione Asimmetria Curtosi exper 2,3592 0, , ,79417 male 0, ,00000 NA NA school 1,7373 0, , ,2408 wage 3,4989 0, ,9197 8,8164 Step (2) Definizione del sottocampione femminile: [ Campione > Imposta in base a condizione > male==0 ] 10

11 Possiamo controllare il corretto isolamento del subset femminile ispezionando direttamente i dati dal loro interno controllando i valori assunti dalla variabile male (==0) [ Dati > Mostra valori ]. Produciamo anche in questo caso la batteria di statistiche descrittive inerenti il sottocampione femminile[ Visualizza > Statistiche descrittive ]: vedere Figura 7. Figura 7: Statistiche descrittive subset donne Statistiche descrittive, usando le osservazioni Media Mediana Minimo Massimo exper 7,7323 8,0000 1, ,000 male 0, , , ,00000 school 11,837 12,000 5, ,000 wage 5,1469 4,6933 0, ,497 Dev. Std.Coeff. di variazione Asimmetria Curtosi exper 2,1715 0, , ,21116 male 0,00000 NA NA NA school 1,5394 0, , ,89434 wage 2,8762 0, , , Confronto Uomini vs Donne Con questa prima serie di statistiche descrittive dei due sottocampioni, disponiamo di informazioni utili al fine di eseguire un analisi comparativa fra le differenti caratteristiche presentate dagli uomini e donne intervistate. In primo luogo, è importante notare come in media le donne abbiano circa mezzo anno di scolarità in più rispetto agli uomini, i quali di converso mostrano in media circa mezzo anno in più di esperienza nel mondo del lavoro. Anche gli stipendi medi mostrano una sensibile differenza fra i due sessi: in media gli uomini guadagnano 1.17$/h in più rispetto alle donne (6.31$/h vs 5.14$/h). Ritorniamo ora al campione completo [ Campione > Ripristina campione completo ] per procedere con la nostra analisi. 11

12 2.14 Regressioni OLS Sulla base delle statistiche descrittive nei sottocampioni, abbiamo osservato un premio salariare a favore degli uomini, in altre parole abbiamo notato che il salario orario medio degli uomini è più alto rispetto alle donne. Ora riprodurremo lo stesso risultato utilizzando un modello di regressione semplice, stimato con il metodo dei minimi quadrati ordinari. Utilizziamo come variabile dipendente wage e includiamo tra le esplicative ( controlliamo per ) la variabile dummy male. wage = β 0 + β 1 male [ Modello > OLS: wage/cost,male ] Il risultato della stima è riportato in Figura 8. Figura 8: Regressione 1: wage = β 0 + β 1 male Modello 1: OLS, usando le osservazioni Variabile dipendente: wage coefficiente errore std. rapporto t p-value const 5, , ,37 0,0000 *** male 1, , ,39 6,71e-025 *** Media var. dipendente 5, SQM var. dipendente 3, Somma quadr. residui 34076,92 E.S. della regressione 3, R-quadro 0, R-quadro corretto 0, F(1, 3292) 107,9338 P-value(F) 6,71e-25 Log-verosimiglianza -8522,228 Criterio di Akaike 17048,46 Criterio di Schwarz 17060,66 Hannan-Quinn 17052,82 Note: SQM = scarto quadratico medio; E.S. = errore standard La costante β 0 ci informa del reddito percepito da un soggetto donna (male==0), mentre β 1 ci informa del premio salariale di cui possono beneficiare gli uomini (male==1). Entrambi i paramenti sono statisticamente significativi al livello del 1% (p-value inferiore a 0.01). Proviamo ora a introdurre nella regressione anche 12

13 le variabili school e exper per verificare il loro specifico impatto (tenendo costanti gli altri fattori, interpretazione ceteris paribus). Il risultato della stima è riportato in Figura 9. wage = β 0 + β 1 male + β 2 school + β 3 exper [ Modello > OLS: wage/cost,male,school,exper ] Figura 9: Regressione 2: wage = β 0 + β 1 male + β 2 school + β 3 exper Modello 3: OLS, usando le osservazioni Variabile dipendente: wage coefficiente errore std. rapporto t p-value const -3, , ,269 4,50e-013 *** male 1, , ,49 5,50e-035 *** school 0, , ,48 4,62e-080 *** exper 0, , ,253 1,59e-07 *** Media var. dipendente 5, SQM var. dipendente 3, Somma quadr. residui 30527,87 E.S. della regressione 3, R-quadro 0, R-quadro corretto 0, F(3, 3290) 167,6302 P-value(F) 4,0e-101 Log-verosimiglianza -8341,091 Criterio di Akaike 16690,18 Criterio di Schwarz 16714,58 Hannan-Quinn 16698,92 Note: SQM = scarto quadratico medio; E.S. = errore standard Utilizzando questa specificazione del modello, possiamo osservare come a parità di anni di educazione (school) e anni di esperienza nel mercato del lavoro (exper) un uomo guadagna 1.34$/h in più rispetto ad una donna. A parità di genere ed esperienza nel mercato del lavoro, un anno in più di educazione porta ad un aumento di 0.64$ il salario orario. Infine, a parità di genere e di anni di educazione ricevuta, un anno in più di esperienza lavorativa genera un incremento pari a 0.12$/h. Un utile modo per rendere molto intuitiva l interpretazione dei risultati derivanti dal modello di regressione, consiste nell applicare una trasformata logaritmica 13

14 alle variabili di interesse, così da ottenere risultati che possono essere interpretati in termini percentuali, ottenendo così misure di elasticità. Nella nostra indagine circa le determinanti che concorrono ad influenzare i salari, è quindi necessario creare tre nuove variabili su scala logaritmica: wage l wage [ Aggiungi > Logaritmi ] school l school [ Aggiungi > Logaritmi ] exper l exper [ Aggiungi > Logaritmi ] L interpretazione della specificazione Log(Y ) = β 0 +β 1 Log(X) è la seguente: una variazione pari all 1% di X, determina una variazione pari a β 1 % in Y, quindi β 1 rappresenta l elasticità di Y rispetto X. Calcoliamo l elasticità del salario al variare del grado di educazione (vedi risultati della stima in Figura 10) l wage = β 0 + β 1 l school [Modello > OLS : l wage/l school] Figura 10: Regressione 3.a: l wage = β 0 + β 1 l school Modello 3: OLS, usando le osservazioni Variabile dipendente: l_wage coefficiente errore std. rapporto t p-value const -1, , ,303 3,30e-010 *** l_school 1, , ,88 8,39e-055 *** Media var. dipendente 1, SQM var. dipendente 0, Somma quadr. residui 1186,072 E.S. della regressione 0, R-quadro 0, R-quadro corretto 0, F(1, 3292) 252,3170 P-value(F) 8,39e-55 Log-verosimiglianza -2991,646 Criterio di Akaike 5987,292 Criterio di Schwarz 5999,491 Hannan-Quinn 5991,659 Note: SQM = scarto quadratico medio; E.S. = errore standard 14

15 All incremento dell 1% del grado di istruzione, il salario cresce dello 1.08% circa. Calcoliamo ora l elasticità del salario al variare del grado di esperienza all interno del mercato del lavoro (risultati della stima in Figura 11) l wage = β 0 + β 1 l exper [Modello > OLS : l wage/l exper] Figura 11: Regressione 3.b: l wage = β 0 + β 1 l exper Modello 4: OLS, usando le osservazioni Variabile dipendente: l_wage coefficiente errore std. rapporto t p-value const 1, , ,23 4,86e-057 *** l_exper 0, , ,775 1,46e-011 *** Media var. dipendente 1, SQM var. dipendente 0, Somma quadr. residui 1259,417 E.S. della regressione 0, R-quadro 0, R-quadro corretto 0, F(1, 3292) 45,90566 P-value(F) 1,46e-11 Log-verosimiglianza -3090,469 Criterio di Akaike 6184,938 Criterio di Schwarz 6197,138 Hannan-Quinn 6189,305 Note: SQM = scarto quadratico medio; E.S. = errore standard All incremento dell 1% del grado di esperienza all interno del mercato del lavoro, il salario cresce dello 0.23% circa Registro dei Comadi Al fine di avere traccia di tutti i principali comandi effettuati durante la sessione di lavoro in GRETL, è possibile ottenere e salvare il Log dei comandi [ Strumenti > Visualizza log comandi > Salva ] 15

16 3 Esercitazioni 2 & 3: analisi dell efficiacia di azioni di marketing Descrizione del problema (da Franses and Paap [2001], capitolo 2 -sez e capitolo 3): Osservando i dati sulle vendite settimanali di ketchup Heinz si notano dei picchi nelle vendite. Interessa esplorare se questi picchi siano collegati alle promozioni attive sul prodotto, ed in ultima analisi verificare quale tra promozioni alternative sia la più efficace. Descrizione dei dati (da Franses and Paap [2001], capitolo 3): Il file heinz chpt3.csv contiene i dati relativi alle vendite settimanali di ketchup Heinz, misurate in dollari (US) e contiene 124 osservazioni, rilevate tra il 1985 ed il 1988 in un supermercato da A.C. Nielsen. In particolare, le variabili incluse nel data set sono: obs numero progressivo ad indicare la settimana di riferimento per la rilevazione; sales livello delle vendite settimanali misurate in dollari; price prezzo per articolo di prodotto, espresso in dollari; displayonly variabile dummy che vale 1 se il ketchup è in promozione di tipo display (ovvero in esposizione) e 0 altrimenti; coupononly variabile dummy che vale 1 se il ketchup è in promozione di tipo coupon (ovvero sul prodotto viene posto un bollino che indica che è in promozione) e 0 altrimenti; displaycoupon variabile dummy che vale 1 se il ketchup è sia in promozione di tipo coupon che in promozione di tipo display e 0 altrimenti. Obiettivi specifici dell analisi: 1. Studiare l associazione tra il livello settimanale delle vendite ed il prezzo. Commentare i risultati. 2. Studiare l associazione tra il livello settimanale delle vendite ed il prezzo, esprimendo le variabili in euro anzichè in dollari. Commentare i risultati alla luce di quanto ottenuto al punto Studiare l associazione tra il logaritmo delle vendite ed il logaritmo del prezzo. Svolgere l analisi sia esprimendo le quantità in dollari che in euro. Commentare i risultati. 16

17 4. Aggiornare le analisi al punto 3 tenendo conto della presenza di promozioni sul prodotto ketchup Heinz senza considerare l interazione tra le promozioni. Qual è secondo voi la promozione più vantaggiosa per l azienda? Motivate la risposta. 5. Esplorate se le conclusioni a cui siete giunti al punto 4, stimando un modello di regressione lineare con il metodo dei minimi quadrati, sono affidabili, usando i residui del modello per fare diagnostica. Motivate le vostre analisi e commentate i risultati delle analisi suddette. 6. Pare sensato, seguendo i risultati di precedenti analisi empiriche che valutano l effetto di promozioni dello stesso tipo su altri prodotti alimentari, considerare una specificazione del modello più flessibile che tenga conto della dinamica. In particolare, si vuole considerare il modello lsales w = α 0 + α 1 lsales w 1 + α 2 lprice w + α 3 lprice w 1 + α 4 displayonly w + α 5 displayonly w 1 + α 6 coupononly w + α 7 coupononly w 1 + α 8 displaycoupon w + α 9 displaycoupon w 1 + ε w Stimare il modello con il metodo dei minimi quadrati ordinari e valutare se tale metodo di stima risulta appropriato per il problema in esame. Commentare i risultati anche tenendo conto di quanto ottenuto al punto Alla luce dei risultati dell analisi condotta al punto precedente, dopo aver apportato le eventuali modificazioni necessarie, dare una indicazione all azienda su quale sia la promozione o combinazione di promozioni più efficace, motivando la risposta. Soluzione e (selezionato) output GRETL 1. Per studiare l associazione tra vendite e prezzo utilizziamo in prima approssimazione un modello di regressione lineare, in particolare stimiamo con il metodo dei minimi quadrati ordinari il modello in equazione (1). sales w = β 0 + β 1 price w + ε w (1) Le stime del modello ottenute con GRETL sono riportate in Figura 12. Sulla base delle stime si sarebbe portati a concludere che il prezzo non influenza 17

18 significativamente il livello delle vendite: si conclude in questa direzione sia osservando il valore della statistica t associata al parametro che esprime l effetto di una variazione unitaria di prezzo sul livello di vendite (β 1 ) 6, sia osservando il valore di probabilità osservato p-value 7, sia osservando gli estremi dell intervallo di confidenza al 95% per β 1 8. Il test F, che testa la significatività dell intera regressione, è coerente con quanto sopra riportato. In questo caso vi è un solo regressore ed è possibile dimostrare che il test F coincide con il quadrato della statistica t associata al parametro relativo all unico regressore. La quota di variabilità della variabile dipendente spiegata dal modello e misurata dall R 2 è meno dell 1% (circa 0.8%). Si osservi che, dal momento che il modello include la costante, è possibile calcolare R 2 secondo la formula R 2 = SQS SQT = 1 SQR SQT Nel caso specifico, SQT = (= (124 1)), SQR = , SQS = (SQT SQR) come si vede dalla tabella relativa a questo modello in figura 12. Il parametro β 1 in questo modello indica quale è la variazione nel livello di vendite in dollari che corrisponde ad una variazione unitaria nel livello del prezzo per articolo: un aumento di un dollaro nel prezzo porterebbe, secondo il modello, se le stime fossero significativamente diverse da zero, ad una riduzione di 110 dollari nelle vendite settimanali. 6 La statistica t assume il valore che è contenuto nella zona di accettazione del test -basata sulla distribuzione asintotica- al livello di significatività 5% [-1.96, 1.96]. Si osserva che il valore osservato del test cade anche nella zona di accettazione del test al livello di significatività 1%, ossia [-1.64, +1.64], ed ovviamente nella regione di accettazione del test al livello di significatività 10% [-2.57, 2.57]. Sulla base del valore della statistica si conclude che i dati sono coerenti con l ipotesi nulla, ovvero con l ipotesi che il vero valore del parametro sia zero. 7 Il p-value associato è infatti più alto di qualunque livello di significatività convenzionalmente adottato. 8 Il valore zero è incluso nell intervallo, quindi al 5% non possiam rigettare l ipotesi nulla che il vero valore del parametro sia zero. 18

19 2. Si stima il modello in equazione (2), analogo a quello in equazione (1), dove sia la variabile dipendente che i regressori sono espressi in euro anzichè in dollari utilizzando il tasso di cambio dollaro/euro al 28 marzo 2008 (0.6333). sales eu w = α 0 + α 1 price eu w + ǫ w (2) Si osserva che α 1 β 1. Lo stimatore ai minimi quadrati ordinari di una regressione semplice è infatti dato dal rapporto tra la covarianza tra la variabile dipendente e l esplicativa e la varianza dell esplicativa e β 1 Cov(sales,price) Var(price) α 1 Cov(sales eu,price eu) Var(price eu) = Cov(sales,price) Var(price) = Cov(sales,price) Var(price) = β 1 Il fatto che i coefficienti coicidano è quindi legato al fatto che la variazione nell unità di misura (la scala) nella variabile dipendente e dell esplicativa è la stessa e non sarebbe vero se la modificazione della scala fosse diversa per la variabile dipendente (sales) e per il regressore (price). Il coefficiente α 1 corrisponde alla variazione attesa in euro delle vendite corrispondente ad un aumento di un euro nel prezzo per articolo. Il coefficiente α 0 corrisponde al livello medio delle vendite in euro (si osservi che la stima di questo coefficiente è pari a β 0 ; per esercizio, utilizzando le formule per lo stimatore ai minimi quadrati ordinari di un modello di regressione semplice, mostrare perchè). Come ci si attendeva, l adattamento del modello non cambia se si cambia l unità di misura in cui sono misurate le variabili. Questo corrisponde all idea che il potere esplicativo del modello resta lo stesso, indipendentemente dall unità di misura. Anche le conclusioni inferenziali (significatività dei coefficienti e dell intera regressione) restano immutate. 19

20 Figura 12: Lab. 2: Output GRETL, domande 1-2. Modello 1: Stime OLS usando le 124 osservazioni Variabile dipendente: sales coefficiente errore std. rapporto t p-value const * price Media variabile dipendente SQM variabile dipendente Somma quadrati dei residui E.S. della regressione R-quadro R-quadro corretto F(1, 122) P-value(F) mod2: Stime OLS usando le 124 osservazioni Variabile dipendente: sales_eu coefficiente errore std. rapporto t p-value const * price_eu Media variabile dipendente SQM variabile dipendente Somma quadrati dei residui E.S. della regressione R-quadro R-quadro corretto F(1, 122) P-value(F) Log-verosimiglianza Note: SQM = scarto quadratico medio; E.S. = errore standard 20

21 3. I risultati della stima dei modelli corrispondenti a quelli in equazione (1) ed in equazione (2) dove le variabili sono espresse in scala logaritmica anzichè nei livelli, sono riportati in figura 13 e formalmente descritti nelle equazioni (3), (4). lsales w = δ 0 + δ 1 lprice w + ν w (3) lsales eu w = γ 0 + γ 1 lprice eu w + ψ w (4) In questo caso, la stima dei parametri δ 1 e γ 1 coinciderebbe anche se la variazione in scala della variabile dipendente e della variabile esplicativa non coincidessero. Ciò è dovuto all interpretazione dei coefficienti di questo modello (si veda Tabella 1): quando sia la variabile esplicativa che la dipendente sono espresse in scala logaritmica il coefficiente associato all esplicativa esprime la variazione percentuale della dipendente corrispondente ad una variazione percentuale dell esplicativa e quindi non dipende dalla scala in cui sono espresse le variabili. γ 1 ln(y) ln(x) derivata funzione composta {}}{ = y/y x/x γ 1 rappresenta l elasticità di y rispetto ad x e nel modello lineare in scala logaritmica si assume costante (si veda [Cappuccio and Orsi, 2005, pg ; 65-67] e [Monfardini, 2007, sez. 3.4]). Differentemente, nel modello espresso nei livelli, i coefficienti dipendono generalmente dalla scala in cui sono espresse le variabili. β 1 y x Dal momento che la forma funzionale per la variabile dipendente cambia tra i modelli stimati ai punti precedenti e questi modelli, non è possibile confrontare l adattamento dei modelli direttamente sulla base dell R 2 o R 2 (R 2 corretto adjusted ): i modelli non sono infatti nidificati ( nested ). L adattamento per questi modelli è comunque basso e suggerisce di modificare la specificazione del modello cercando di includere variabili per aumentarne il potere esplicativo. 21

22 Figura 13: Lab. 2: Output GRETL, domanda 3. mod3: Stime OLS usando le 124 osservazioni Variabile dipendente: lsales coefficiente errore std. rapporto t p-value const e-064 *** lprice Media variabile dipendente SQM variabile dipendente Somma quadrati dei residui E.S. della regressione R-quadro R-quadro corretto F(1, 122) P-value(F) Log-verosimiglianza Note: SQM = scarto quadratico medio; E.S. = errore standard Modello 4: Stime OLS usando le 124 osservazioni Variabile dipendente: lsales_eu coefficiente errore std. rapporto t p-value const e-027 *** lprice_eu Media variabile dipendente SQM variabile dipendente Somma quadrati dei residui E.S. della regressione R-quadro R-quadro corretto F(1, 122) P-value(F) Log-verosimiglianza Note: SQM = scarto quadratico medio; E.S. = errore standard 22

23 Tabella 1: Forme funzionali ed interpretazione dei coefficienti del modello di regressione Modello Variabile Variabile Interpretazione dipendente esplicativa coefficiente livello-livello y x y = β x livello-logaritmo y log(x) y = ( β 100 logaritmo-livello log(y) x % y = (100 β) x logaritmo-logaritmo log(y) log(x) % y = β% x un caso in cui l effetto marginale coincide con misura di elasticità Modello Var.dip. Var. esp. Inter. coef. logaritmo-logaritmo log(y) log(x) β = y/y % y x/x % x Fonte: Wooldridge [2006]. Nota su trasformazione logaritmica La trasformazione logaritmica è una trasformazione frequentemente utilizzata nelle elaborazioni questo perchè la trasformazione permette di ridurre la variabilità della serie originaria (si confronti il range di variazione della variabile sales ed lsales) e rende la distribuzione più simmetrica (vedere grafici in Figura 14). La trasformazione logaritmica è una particolare trasformazione nella classe delle trasformazioni di Box-Cox. Inoltre, come si è visto, nel caso del modello di regressione lineare quando sia la dipendente che l esplicativa di interesse sono espresse in logaritmi i parametri corrispondenti assumono una interpretazione molto conveniente, quella di elasticità. 4. Si considera il modello dove la variabile dipendente è espressa in logaritmi perchè risulta più adeguata in questo caso l ipotesi di normalità (si vedano i grafici in Figura 14; si noti che esistono anche procedure formali per testare l ipotesi di normalità di una variabile casuale, tra gli altri il test proposto da Jarque e Bera trattato nel testo -[Cappuccio and Orsi, 2005, sez ]- con riferimento ai residui ma non trattato in questo corso) che permette di avere risultati esatti sulla distribuzione dello stimatore ai minimi quadrati ordinari 23

24 Figura 14: Istogramma delle vendite di ketchup in dollari e del logaritmo delle vendite. Fonte dati: Franses e Paap (2001). 24

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

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

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi : Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Confronto tra due medie Università del Piemonte Orientale Corso di laurea in

Dettagli

Statistica. Lezione 6

Statistica. Lezione 6 Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

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

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

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

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti

Dettagli

1x1 qs-stat. Pacchetto Software per la Soluzione di Problemi Statistici nel Controllo Qualità. Versione: 1 / Marzo 2010 Doc. n.

1x1 qs-stat. Pacchetto Software per la Soluzione di Problemi Statistici nel Controllo Qualità. Versione: 1 / Marzo 2010 Doc. n. 1x1 qs-stat Pacchetto Software per la Soluzione di Problemi Statistici nel Controllo Qualità Versione: 1 / Marzo 2010 Doc. n.: PD-0012 Copyright 2010 Q-DAS GmbH & Co. KG Eisleber Str. 2 D - 69469 Weinheim

Dettagli

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato. Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi

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

RELAZIONE TRA DUE VARIABILI QUANTITATIVE

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

Dettagli

3. Confronto tra medie di due campioni indipendenti o appaiati

3. Confronto tra medie di due campioni indipendenti o appaiati BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno

GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno La Vista CAS L ambiente di lavoro Le celle Assegnazione di una variabile o di una funzione / visualizzazione

Dettagli

ANALISI DEI DATI CON SPSS

ANALISI DEI DATI CON SPSS STRUMENTI E METODI PER LE SCIENZE SOCIALI Claudio Barbaranelli ANALISI DEI DATI CON SPSS II. LE ANALISI MULTIVARIATE ISBN 978-88-7916-315-9 Copyright 2006 Via Cervignano 4-20137 Milano Catalogo: www.lededizioni.com

Dettagli

Accuratezza di uno strumento

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

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

Dott.ssa Caterina Gurrieri

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

Dettagli

Analisi statistica di dati biomedici Analysis of biologicalsignals

Analisi statistica di dati biomedici Analysis of biologicalsignals Analisi statistica di dati biomedici Analysis of biologicalsignals II Parte Verifica delle ipotesi (a) Agostino Accardo (accardo@units.it) Master in Ingegneria Clinica LM in Neuroscienze 2013-2014 e segg.

Dettagli

Le formule possono essere scritte utilizzando un insieme di funzioni predefinite che Excel mette a disposizione, raggruppate per argomento.

Le formule possono essere scritte utilizzando un insieme di funzioni predefinite che Excel mette a disposizione, raggruppate per argomento. Excel: le funzioni Le formule possono essere scritte utilizzando un insieme di funzioni predefinite che Excel mette a disposizione, raggruppate per argomento. DEFINIZIONE: Le funzioni sono dei procedimenti

Dettagli

Compito di SISTEMI E MODELLI. 19 Febbraio 2015

Compito di SISTEMI E MODELLI. 19 Febbraio 2015 Compito di SISTEMI E MODELLI 9 Febbraio 5 Non é ammessa la consultazione di libri o quaderni. Le risposte vanno giustificate. Saranno rilevanti per la valutazione anche l ordine e la chiarezza di esposizione.

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA)

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) 4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) L analisi della varianza è un metodo sviluppato da Fisher, che è fondamentale per l interpretazione statistica di molti dati biologici ed è alla

Dettagli

Rapida Introduzione all uso del Matlab Ottobre 2002

Rapida Introduzione all uso del Matlab Ottobre 2002 Rapida Introduzione all uso del Matlab Ottobre 2002 Tutti i tipi di dato utilizzati dal Matlab sono in forma di array. I vettori sono array monodimensionali, e così possono essere viste le serie temporali,

Dettagli

La dissomiglianza tra due distribuzioni normali

La dissomiglianza tra due distribuzioni normali Annali del Dipartimento di Scienze Statistiche Carlo Cecchi Università degli Studi di Bari Aldo Moro - Vol. X (2011): 43-50 Editore CLEUP, Padova - ISBN: 978-88-6129-833-0 La dissomiglianza tra due distribuzioni

Dettagli

if t>=0 x=1; else x=0; end fornisce, nella variabile x, il valore della funzione gradino a tempi continui, calcolata in t.

if t>=0 x=1; else x=0; end fornisce, nella variabile x, il valore della funzione gradino a tempi continui, calcolata in t. Il programma MATLAB In queste pagine si introduce in maniera molto breve il programma di simulazione MAT- LAB (una abbreviazione di MATrix LABoratory). Introduzione MATLAB è un programma interattivo di

Dettagli

STUDIO DI SETTORE SM43U

STUDIO DI SETTORE SM43U ALLEGATO 3 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE SM43U NOTA TECNICA E METODOLOGICA CRITERI PER LA COSTRUZIONE DELLO STUDIO DI SETTORE Di seguito vengono esposti i criteri seguiti per la costruzione

Dettagli

MINI GUIDA SINTETICA per l uso della lavagna interattiva multimediale

MINI GUIDA SINTETICA per l uso della lavagna interattiva multimediale MINI GUIDA SINTETICA per l uso della lavagna interattiva multimediale InterWrite SchoolBoard è un software per lavagna elettronica di facile utilizzo. Può essere adoperata anche da studenti diversamente

Dettagli

errore I = numero soggetti (I = 4) K = numero livelli tratt. (K = 3) popolazione varianza dovuta ai soggetti trattamento

errore I = numero soggetti (I = 4) K = numero livelli tratt. (K = 3) popolazione varianza dovuta ai soggetti trattamento Analisi della varianza a una via a misure ripetute (Anova con 1 fattore within) modello strutturale dell'analisi della varianza a misure ripetute con 1 fattore: y = μ ik 0 +π i +α k + ik ε ik interazione

Dettagli

STATISTICA (A-K) a.a. 2007-08 Prof.ssa Mary Fraire Test di STATISTICA DESCRITTIVA Esonero del 2007

STATISTICA (A-K) a.a. 2007-08 Prof.ssa Mary Fraire Test di STATISTICA DESCRITTIVA Esonero del 2007 A STATISTICA (A-K) a.a. 007-08 Prof.ssa Mary Fraire Test di STATISTICA DESCRITTIVA Esonero del 007 STESS N.O. RD 00 GORU N.O. RD 006 ) La distribuzione del numero degli occupati (valori x 000) in una provincia

Dettagli

I.Stat Guida utente Versione 1.7 Dicembre 2010

I.Stat Guida utente Versione 1.7 Dicembre 2010 I.Stat Guida utente Versione 1.7 Dicembre 2010 1 Sommario INTRODUZIONE 3 I concetti principali di I.Stat 4 Organizzazione dei dati 4 Ricerca 5 GUIDA UTENTE 6 Per iniziare 6 Selezione della lingua 7 Individuazione

Dettagli

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

MINIMI QUADRATI. REGRESSIONE LINEARE

MINIMI QUADRATI. REGRESSIONE LINEARE MINIMI QUADRATI. REGRESSIONE LINEARE Se il coefficiente di correlazione r è prossimo a 1 o a -1 e se il diagramma di dispersione suggerisce una relazione di tipo lineare, ha senso determinare l equazione

Dettagli

Entrate... 11 Uscite... 11 Trasferimento... 11 Movimenti ricorrenti... 11 Movimenti suddivisi... 12

Entrate... 11 Uscite... 11 Trasferimento... 11 Movimenti ricorrenti... 11 Movimenti suddivisi... 12 Data ultima revisione del presente documento: domenica 8 maggio 2011 Indice Sommario Descrizione prodotto.... 3 Licenza e assunzione di responsabilità utente finale:... 4 Prerequisiti:... 5 Sistema Operativo:...

Dettagli

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco ANALISI DI SITUAZIONE - LIVELLO COGNITIVO La classe ha dimostrato fin dal primo momento grande attenzione e interesse verso gli

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

Principal Component Analysis (PCA)

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

Dettagli

L approccio parametrico o delle varianze-covarianze

L approccio parametrico o delle varianze-covarianze L approccio parametrico o delle varianze-covarianze Slides tratte da: Andrea Resti Andrea Sironi Rischio e valore nelle banche Misura, regolamentazione, gestione Egea, 2008 AGENDA Il VaR nell ipotesi di

Dettagli

Funzioni in più variabili

Funzioni in più variabili Funzioni in più variabili Corso di Analisi 1 di Andrea Centomo 27 gennaio 2011 Indichiamo con R n, n 1, l insieme delle n-uple ordinate di numeri reali R n4{(x 1, x 2,,x n ), x i R, i =1,,n}. Dato X R

Dettagli

GUIDA RAPIDA emagister-agora Edizione BASIC

GUIDA RAPIDA emagister-agora Edizione BASIC GUIDA RAPIDA emagister-agora Edizione BASIC Introduzione a emagister-agora Interfaccia di emagister-agora Configurazione dell offerta didattica Richieste d informazioni Gestione delle richieste d informazioni

Dettagli

Modulo. Programmiamo in Pascal. Unità didattiche COSA IMPAREREMO...

Modulo. Programmiamo in Pascal. Unità didattiche COSA IMPAREREMO... Modulo A Programmiamo in Pascal Unità didattiche 1. Installiamo il Dev-Pascal 2. Il programma e le variabili 3. Input dei dati 4. Utilizziamo gli operatori matematici e commentiamo il codice COSA IMPAREREMO...

Dettagli

Integrated Development Environment (IDE) DevC++ 4.9.9.2

Integrated Development Environment (IDE) DevC++ 4.9.9.2 Integrated Development Environment (IDE) DevC++ 4.9.9.2 Manuale utente Data ultima revisione: 22/10/2008 Fondamenti di informatica Università Facoltà Corso di laurea Politecnico di Bari 1 a Facoltà di

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

General Linear Model. Esercizio

General Linear Model. Esercizio Esercizio General Linear Model Una delle molteplici applicazioni del General Linear Model è la Trend Surface Analysis. Questa tecnica cerca di individuare, in un modello di superficie, quale tendenza segue

Dettagli

Nota su Crescita e Convergenza

Nota su Crescita e Convergenza Nota su Crescita e Convergenza S. Modica 28 Ottobre 2007 Nella prima sezione si considerano crescita lineare ed esponenziale e le loro proprietà elementari. Nella seconda sezione si spiega la misura di

Dettagli

Calc è il programma per la gestione di fogli di calcolo della suite OpenOffice.org.

Calc è il programma per la gestione di fogli di calcolo della suite OpenOffice.org. Calc è il programma per la gestione di fogli di calcolo della suite OpenOffice.org. Nuovo documento Anteprima di stampa Annulla Galleria Apri Controllo ortografico Ripristina Sorgente dati Salva Controllo

Dettagli

STATA. e la BIOSTATISTICA di Norman - Streiner. Prof. Pierpaolo Vittorini pierpaolo.vittorini@univaq.it

STATA. e la BIOSTATISTICA di Norman - Streiner. Prof. Pierpaolo Vittorini pierpaolo.vittorini@univaq.it e la BIOSTATISTICA di Norman - Streiner pierpaolo.vittorini@univaq.it Università degli Studi dell Aquila Facoltà di Medicina e Chirurgia 14 febbraio 2013 Contenuti e obiettivi Breve riassunto applicativo

Dettagli

QUADERNI DI DIDATTICA

QUADERNI DI DIDATTICA Department of Applied Mathematics, University of Venice QUADERNI DI DIDATTICA Tatiana Bassetto, Marco Corazza, Riccardo Gusso, Martina Nardon Esercizi sulle funzioni di più variabili reali con applicazioni

Dettagli

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

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

Dettagli

Parte 2. Determinante e matrice inversa

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

Dettagli

Guida ai Servizi Voce per l Utente. Guida ai ai Servizi Voce per l Utente

Guida ai Servizi Voce per l Utente. Guida ai ai Servizi Voce per l Utente Guida ai Servizi Voce per l Utente Guida ai ai Servizi Voce per l Utente 1 Indice Introduzione... 3 1 Servizi Voce Base... 4 1.1 Gestione delle chiamate... 4 1.2 Gestione del Numero Fisso sul cellulare...

Dettagli

STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE

STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE La presentazione dei dati per molte ricerche mediche fa comunemente riferimento a frequenze, assolute o percentuali. Osservazioni cliniche conducono sovente

Dettagli

I Grafici. La creazione di un grafico

I Grafici. La creazione di un grafico I Grafici I grafici servono per illustrare meglio un concetto o per visualizzare una situazione di fatto e pertanto la scelta del tipo di grafico assume notevole importanza. Creare grafici con Excel è

Dettagli

Il Dipartimento per le Comunicazioni: uno studio dell età del personale. Miriam Tagliavia Marzo 2011

Il Dipartimento per le Comunicazioni: uno studio dell età del personale. Miriam Tagliavia Marzo 2011 Il Dipartimento per le Comunicazioni: uno studio dell età del personale Marzo 2011 2 Il Dipartimento per le Comunicazioni: uno studio dell età del personale Il Dipartimento per le Comunicazioni, uno dei

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

CHIAVETTA INTERNET ONDA MT503HSA

CHIAVETTA INTERNET ONDA MT503HSA CHIAVETTA INTERNET ONDA MT503HSA Manuale Utente Linux Debian, Fedora, Ubuntu www.ondacommunication.com Chiavet ta Internet MT503HSA Guida rapida sistema operativo LINUX V 1.1 33080, Roveredo in Piano (PN)

Dettagli

4. Confronto tra medie di tre o più campioni indipendenti

4. Confronto tra medie di tre o più campioni indipendenti BIOSTATISTICA 4. Confronto tra medie di tre o più campioni indipendenti Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

Energy Studio Manager Manuale Utente USO DEL SOFTWARE

Energy Studio Manager Manuale Utente USO DEL SOFTWARE Energy Studio Manager Manuale Utente USO DEL SOFTWARE 1 ANALYSIS.EXE IL PROGRAMMA: Una volta aperto il programma e visualizzato uno strumento il programma apparirà come nell esempio seguente: Il programma

Dettagli

Trattamento aria Regolatore di pressione proporzionale. Serie 1700

Trattamento aria Regolatore di pressione proporzionale. Serie 1700 Trattamento aria Serie 7 Serie 7 Trattamento aria Trattamento aria Serie 7 Serie 7 Trattamento aria +24VDC VDC OUTPUT MICROPROCESS. E P IN EXH OUT Trattamento aria Serie 7 Serie 7 Trattamento aria 7 Trattamento

Dettagli

Guida rapida. Cos è GeoGebra? Notizie in pillole

Guida rapida. Cos è GeoGebra? Notizie in pillole Guida rapida Cos è GeoGebra? Un pacchetto completo di software di matematica dinamica Dedicato all apprendimento e all insegnamento a qualsiasi livello scolastico Riunisce geometria, algebra, tabelle,

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

SIMATIC FM 351. Getting Started Edizione 02/2000

SIMATIC FM 351. Getting Started Edizione 02/2000 SIATIC F 351 Getting Started Edizione 02/2000 Le presenti informazioni guidano l utente, sulla base di un esempio concreto articolato in cinque fasi, nell esecuzione della messa in servizio fino ad ottenere

Dettagli

Istruzioni operative per la gestione delle Non Conformità e delle Azioni Correttive. https://nonconf.unife.it/

Istruzioni operative per la gestione delle Non Conformità e delle Azioni Correttive. https://nonconf.unife.it/ Istruzioni operative per la gestione delle Non Conformità e delle Azioni Correttive https://nonconf.unife.it/ Registrazione della Non Conformità (NC) Accesso di tipo 1 Addetto Registrazione della Non Conformità

Dettagli

QUARTA E QUINTA ISTITUTO TECNICO INDUSTRIALE

QUARTA E QUINTA ISTITUTO TECNICO INDUSTRIALE QUARTA E QUINTA ISTITUTO TECNICO INDUSTRIALE - Matematica - Griglie di valutazione Materia: Matematica Obiettivi disciplinari Gli obiettivi indicati si riferiscono all intero percorso della classe quarta

Dettagli

Introduzione. Esempio 1. Soluzione: SPOSTA_1.BAT

Introduzione. Esempio 1. Soluzione: SPOSTA_1.BAT Introduzione Un file batch è un file di testo di tipo ASCII che contiene una sequenza di comandi DOS. I file batch devono avere estensione.bat I comandi DOS all interno dei programmi batch sono eseguiti

Dettagli

Accesso all Area di Lavoro

Accesso all Area di Lavoro Accesso all Area di Lavoro Una volta che l Utente ha attivato le sue credenziali d accesso Username e Password può effettuare il login e quindi avere accesso alla propria Area di Lavoro. Gli apparirà la

Dettagli

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

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

Dettagli

Se si insiste non si vince

Se si insiste non si vince Se si insiste non si vince Livello scolare: 2 biennio Abilità interessate Valutare la probabilità in diversi contesti problematici. Distinguere tra eventi indipendenti e non. Valutare criticamente le informazioni

Dettagli

Legge del Raffreddamento di Newton

Legge del Raffreddamento di Newton Legge del Raffreddamento di Newton www.lepla.eu Obiettivo L'obiettivo di questo esperimento è studiare l'andamento temporale della temperatura di un oggetto che si raffredda e trovare un modello matematico

Dettagli

APPLICAZIONI LINEARI

APPLICAZIONI LINEARI APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)

Dettagli

Denuncia di Malattia Professionale telematica

Denuncia di Malattia Professionale telematica Denuncia di Malattia Professionale telematica Manuale utente Versione 1.5 COME ACCEDERE ALLA DENUNCIA DI MALATTIA PROFESSIONALE ONLINE... 3 SITO INAIL... 3 LOGIN... 4 UTILIZZA LE TUE APPLICAZIONI... 5

Dettagli

Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 14: Analisi della varianza (ANOVA)

Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 14: Analisi della varianza (ANOVA) Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 4: Analisi della varianza (ANOVA) Analisi della varianza Analisi della varianza (ANOVA) ANOVA ad

Dettagli

Esponenziali elogaritmi

Esponenziali elogaritmi Esponenziali elogaritmi Potenze ad esponente reale Ricordiamo che per un qualsiasi numero razionale m n prendere n>0) si pone a m n = n a m (in cui si può sempre a patto che a sia un numero reale positivo.

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI DI STATISTICA Pag 1 di 92 Francesco Sardo ELEMENTI DI STATISTICA PER VALUTATORI DI SISTEMI QUALITA AMBIENTE - SICUREZZA REV. 11 16/08/2009 Pag 2 di 92 Pag 3 di 92 0 Introduzione PARTE I 1 Statistica descrittiva 1.1

Dettagli

Funzioni di base. Manualino OE6. Outlook Express 6

Funzioni di base. Manualino OE6. Outlook Express 6 Manualino OE6 Microsoft Outlook Express 6 Outlook Express 6 è un programma, incluso nel browser di Microsoft Internet Explorer, che ci permette di inviare e ricevere messaggi di posta elettronica. È gratuito,

Dettagli

Guida rapida all uso di ECM Titanium

Guida rapida all uso di ECM Titanium Guida rapida all uso di ECM Titanium Introduzione Questa guida contiene una spiegazione semplificata del funzionamento del software per Chiputilizzare al meglio il Tuning ECM Titanium ed include tutte

Dettagli

Corso SOL Gestione catalogo libro moderno 21-22 settembre 2009

Corso SOL Gestione catalogo libro moderno 21-22 settembre 2009 Corso SOL Gestione catalogo libro moderno 21-22 settembre 2009 Introduzione generale Autenticazione dell operatore https://sebina1.unife.it/sebinatest Al primo accesso ai servizi di Back Office, utilizzando

Dettagli

Che cos è un focus-group?

Che cos è un focus-group? Che cos è un focus-group? Si tratta di interviste di tipo qualitativo condotte su un ristretto numero di persone, accuratamente selezionate, che vengono riunite per discutere degli argomenti più svariati,

Dettagli

MANUALE SOFTWARE LIVE MESSAGE ISTRUZIONI PER L UTENTE

MANUALE SOFTWARE LIVE MESSAGE ISTRUZIONI PER L UTENTE MANUALE SOFTWARE ISTRUZIONI PER L UTENTE PAGINA 2 Indice Capitolo 1: Come muoversi all interno del programma 3 1.1 Inserimento di un nuovo sms 4 1.2 Rubrica 4 1.3 Ricarica credito 5 PAGINA 3 Capitolo 1:

Dettagli

Cambiare corso universitario: la mobilità come riorientamento e second chance Una ricerca su 410.000 studenti della Sapienza

Cambiare corso universitario: la mobilità come riorientamento e second chance Una ricerca su 410.000 studenti della Sapienza Cambiare corso universitario: la mobilità come riorientamento e second chance Una ricerca su 410.000 studenti della Sapienza Giuseppe Carci La mobilità universitaria tra dispersione e riorientamento Con

Dettagli

Lab. 1 - Introduzione a Matlab

Lab. 1 - Introduzione a Matlab Lab. 1 - Introduzione a Matlab Alcune informazioni su Matlab Matlab è uno strumento per il calcolo scientifico utilizzabile a più livelli, dalla calcolatrice tascabile, alla simulazione ed analisi di sistemi

Dettagli

SOFTWARE GESTIONE SMS DA INTERFACCE CL MANUALE D INSTALLAZIONE ED USO

SOFTWARE GESTIONE SMS DA INTERFACCE CL MANUALE D INSTALLAZIONE ED USO CLSMS SOFTWARE GESTIONE SMS DA INTERFACCE CL MANUALE D INSTALLAZIONE ED USO Sommario e introduzione CLSMS SOMMARIO INSTALLAZIONE E CONFIGURAZIONE... 3 Parametri di configurazione... 4 Attivazione Software...

Dettagli

Equazioni non lineari

Equazioni non lineari Dipartimento di Matematica tel. 011 0907503 stefano.berrone@polito.it http://calvino.polito.it/~sberrone Laboratorio di modellazione e progettazione materiali Trovare il valore x R tale che f (x) = 0,

Dettagli

Appunti sulle disequazioni

Appunti sulle disequazioni Premessa Istituto d Istruzione Superiore A. Tilgher Ercolano (Na) Appunti sulle disequazioni Questa breve trattazione non vuole costituire una guida completa ed esauriente sull argomento, ma vuole fornire

Dettagli

Dai rapporti temporanei all occupazione stabile: un percorso sempre più incerto?

Dai rapporti temporanei all occupazione stabile: un percorso sempre più incerto? Dai rapporti temporanei all occupazione stabile: un percorso sempre più incerto? di Anna de Angelini La maggior flessibilità in entrata introdotta dalla normativa sui rapporti di lavoro a partire seconda

Dettagli

FUNZIONI AVANZATE DI EXCEL

FUNZIONI AVANZATE DI EXCEL FUNZIONI AVANZATE DI EXCEL Inserire una funzione dalla barra dei menu Clicca sulla scheda "Formule" e clicca su "Fx" (Inserisci Funzione). Dalla finestra di dialogo "Inserisci Funzione" clicca sulla categoria

Dettagli

WORD (livello avanzato): Struttura di un Documento Complesso. Struttura di un Documento Complesso

WORD (livello avanzato): Struttura di un Documento Complesso. Struttura di un Documento Complesso Parte 5 Adv WORD (livello avanzato): Struttura di un Documento Complesso 1 di 30 Struttura di un Documento Complesso La realizzazione di un libro, di un documento tecnico o scientifico complesso, presenta

Dettagli

Data warehouse.stat Guida utente

Data warehouse.stat Guida utente Data warehouse.stat Guida utente Versione 3.0 Giugno 2013 1 Sommario INTRODUZIONE 3 I concetti principali 4 Organizzazione dei dati 4 Ricerca 5 Il browser 5 GUIDA UTENTE 6 Per iniziare 6 Selezione della

Dettagli

Allegato A Documentazione introduttiva all utilizzo della SAM regionale nel periodo di cantiere

Allegato A Documentazione introduttiva all utilizzo della SAM regionale nel periodo di cantiere 1 La matrice di contabilità sociale (SAM): uno strumento per la valutazione. Appendice A Documentazione introduttiva all utilizzo della SAM regionale nel periodo di cantiere IPI, 2009 Sono vietate le riproduzioni

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

1 Medie. la loro media aritmetica è il numero x dato dalla formula: x = x 1 + x 2 +... + x n

1 Medie. la loro media aritmetica è il numero x dato dalla formula: x = x 1 + x 2 +... + x n 1 Medie La statistica consta di un insieme di metodi atti a elaborare e a sintetizzare i dati relativi alle caratteristiche di una fissata popolazione, rilevati mediante osservazioni o esperimenti. Col

Dettagli

REGEL - Registro Docenti

REGEL - Registro Docenti REGEL - Registro Docenti INFORMAZIONI GENERALI Con il Registro Docenti online vengono compiute dai Docenti tutte le operazioni di registrazione delle attività quotidiane, le medesime che si eseguono sul

Dettagli

Appunti di analisi delle serie storiche. Riccardo Jack Lucchetti

Appunti di analisi delle serie storiche. Riccardo Jack Lucchetti Appunti di analisi delle serie storiche Riccardo Jack Lucchetti 23 febbraio 2015 ii Indice Prefazione vii 1 Introduzione 1 1.1 Cos è un processo stocastico e a che serve............. 1 1.2 Caratteristiche

Dettagli

fx-82es PLUS fx-85es PLUS fx-350es PLUS

fx-82es PLUS fx-85es PLUS fx-350es PLUS I fx-82es PLUS fx-85es PLUS fx-350es PLUS Guida dell utilizzatore Sito web CASIO Worldwide Education http://edu.casio.com FORUM DIDATTICO CASIO http://edu.casio.com/forum/ Indice Informazioni importanti...

Dettagli

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

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

Dettagli

Guida ai Comandi di gretl

Guida ai Comandi di gretl Guida ai Comandi di gretl Gnu Regression, Econometrics and Time-series library Allin Cottrell Department of Economics Wake Forest university Cristian Rigamonti Traduzione Italiana Novembre, 2005 È garantito

Dettagli

How to Develop Accessible Linux Applications

How to Develop Accessible Linux Applications How to Develop Accessible Linux Applications Sharon Snider Copyright 2002 IBM Corporation v1.1, 2002-05-03 Diario delle Revisioni Revisione v1.1 2002-05-03 Revisionato da: sds Convertito in DocBook XML

Dettagli