Analisi delle Componenti Principali
|
|
- Marilena Guglielmi
- 7 anni fa
- Visualizzazioni
Transcript
1 Struttura e proprietà degli alimenti Analisi delle Componenti Principali Dott. Rossella Di Monaco Dipartimento di Scienza degli Alimenti CORSO di LAUREA MAGISTRALE in SCIENZE E TECNOLOGIE ALIMENTARI
2 La determinazione di una sola variabile su molti campioni o di molte variabili su un solo campione è il campo di applicazione dell analisi statistica univariata. Quando sia le variabili che i campioni sono più di uno, l elaborazione dei dati prevede l applicazione dell analisi statistica multivariata.
3 L analisi statistica multivariata è una tecnica di elaborazione dei dati utilizzata per cercare delle relazioni tra diversi blocchi di variabili: (variabili strumentali e variabili sensoriali, dati sensoriali e dati di accettabilità, ecc.).
4 Una tecnica multivariata esamina una matrice di dati formata da n righe, ciascuna delle quali corrisponde ad un campione, e da p colonne, che rappresentano le p variabili considerate.
5 Scalatura Le variabili che si presentano nel trattamento di un problema multivariato possono essere di natura differente e possono quindi venire espresse da diverse unità di misura. La maggior parte dei metodi statistici richiede quindi che venga effettuato un pretrattamento dei dati per eliminare l'effetto delle diverse unità di misura e dare a ciascuna variabile lo stesso peso a priori.
6 L analisi multivariata dei dati prevede due approcci fondamentali: 1. Tecniche statistiche applicate ad un set di dati nel quale tutte le variabili sono indipendenti. Tali metodiche comprendono l analisi delle correlazioni, l analisi delle componenti principali (PCA) e l analisi dei cluster; 2. Tecniche statistiche applicate ad un set di dati nel quale ci sono sia variabili indipendenti sia variabili dipendenti. Le metodiche più utilizzate sono l analisi della regressione, la regressione sulle componenti principali (PCR) e l analisi delle variabili latenti (PLS).
7 ANALISI DELLE COMPONENTI PRINCIPALI (PCA)
8 Obiettivi della PCA La PCA, è un metodo frequentemente impiegato nella prima fase di elaborazione dei dati perché serve a: dare una visione generale del problema; capire le relazioni tra i campioni e/o le classi considerate; fornire un'indicazione preliminare sul ruolo delle variabili, mettendo eventualmente in luce la possibilità di eliminarne alcune che, essendo strettamente correlate tra loro, portano informazioni simili e possono quindi essere considerate ridondanti.
9 La PCA è un metodo fattoriale, in quanto consente la riduzione del numero delle variabili attraverso la costruzione di nuove variabili sintetiche, chiamate componenti principali, ricavate da combinazioni lineari delle variabili iniziali a mezzo di "fattori.
10 Il numero di questi nuovi assi (le componenti principali, PCi) è pari al numero di variabili originali. Le componenti principali sono gli assi relativi alle direzioni di massima varianza, in ordine via via decrescente, la prima componente principale sarà in grado di spiegare la maggior percentuale di varianza, la seconda ne spiegherà un po' meno, la terza meno ancora e così via.
11 La i-esima componente principale (pc i ) è la combinazione lineare delle variabili originarie (x j ) espressa come: pc = a x + a x i i1 1 i2 2 a ij x j [1] in cui a ij sono i coefficienti (loadings). L'importanza delle variabili su ciascuna componente principale può essere valutata mediante i valori dei coefficienti che sono compresi tra -1 e +1. L esplicitazione della [1] permette di determinare i punteggi (scores), ossia le coordinate dei campioni nello spazio.
12 pc = a x + a x i i1 1 i2 2 a ij x j PLOT dei loadings Mappa sulla quale sono rappresentate le variabili misurate in forma di vettori. PLOT degli scores Mappa sulla quale sono rappresentati i campioni analizzati come punti. BIPLOT Loadings e scores
13 Un aspetto di grande rilevanza nello studio di problemi multivariati riguarda la possibilità di "vedere" graficamente i dati. L'analisi delle componenti principali ci fornisce rappresentazioni grafiche molto efficaci.
14 Un campione su cui sono state misurate N variabili è rappresentato da un punto nello spazio a N dimensioni, in cui ogni variabile rappresenta un asse ortogonale. Con due sole variabili x e y è facile rappresentare graficamente un insieme di campioni: ogni individuo è infatti rappresentato su di un piano come un punto di coordinate x1 e y1. Il semplice esame visivo della dispersione dei punti sul piano permette di ricercare i campioni o i gruppi di campioni con caratteristiche simili.
15 Se si considerano tre variabili, l esame visivo è ancora possibile ricorrendo a rappresentazioni geometriche tridimensionali. z x y Ovviamente, gli spazi con dimensioni superiori a tre sono difficili da visualizzare, anche se i principi della geometria euclidea valgono ugualmente.
16 Come si esamina il grafico della PCA? I campioni sono rappresentati da punti e le variabili da vettori aventi origine coincidente con l origine degli assi. Un campione posizionato in senso opposto alla direzione di una variabile, ha un basso contenuto di quella variabile. Quanto più l angolo tra due vettori è prossimo a zero, tanto più essi risultano correlati positivamente, e quanto più l angolo è prossimo a 180 gradi tanto più essi sono correlati negativamente.
17 Esempio Fig. 1 Fig. 2 Dal grafico in fig. 1 risulta che si formano 2 gruppi di variabili: uno costituito da C1 C2 e C3 (evidenziato in verde), un'altro costituito da C4 e C5, che sono però inversamente proporzionali tra loro. Tale grafico può inoltre essere messo in relazione con i campioni in esame. In fig.2 si evidenzia la presenza di un gruppo omogeneo di campioni (org_1, org_2 e org_3), che si colloca in alto a sinistra nel piano individuato dalle prime due componenti principali ed un secondo gruppo (a_1, a_2 e a_3) situato invece a destra. Si evidenzia tra l'altro la presenza di tre campioni dal comportamento intermedio.
18 Supponiamo di voler confrontare sei campioni di nettare di mela, sui quali siano stati misurati, oltre al ph, ai gradi Brix e alla consistenza, anche il colore e i descrittori sensoriali (12 variabili).
19 Attraverso un programma statistico (SPSS, SAS, Statgraph, simca, etc.) la matrice 6x12 (campioni x variabili) viene sottoposta a PCA. Vengono estratte 12 componenti (un numero uguale al numero di variabili originarie) che spiegano via via una percentuale di varianza più bassa. A partire da quale percentuale di varianza spiegata si possono trascurare le restanti componenti principali?
20 1,5 1 s3 gradi brix PC2 (21%) 0,5 0 b colore c1 c2 L ph granulosità dolce s1 s2-0,5 aroma di mela a consistenza densità acido -1 s4-1,5-1,5-1 -0,5 0 0,5 1 1,5 PC1 (60%) Rappresentazione delle variabili e dei campioni sul piano formato dalle prime due componenti principali
21 1 2 B 60gg B 28gg pc2 (23%) 0,5 0 Colore Salato Piccante Pungente Untuosità Crosta Durezza a/b L WI ph Gradimento B 42gg B 49gg B 35gg C 21gg A 21gg D 28gg C 7gg B 14gg A 28gg C 28gg D 21gg C 42gg C 49gg A 14gg A 7 gg A 49gg D 7gg D 49gg B 7gg C 35gg D 14gg Fresco C 60gg A 21gg C 14gg D 60gg A 35gg -0,5 Ur% aw Burro Deformabilità Pastosità -3 Umidità visiva ,5 0 0,5 1 pc1 (54%) A 60gg -5-3,5-2,5-1,5-0,5 0,5 1,5 Fig. 4. PCA: Rappresentazione delle variabili (n= ( 18) e dei campioni (4 film x 8 tempi = 32).
22 1 a) PCA 5 rancidity hazelnut flavor 0 adhes. spoon adhes. mouth meltability flouriness grainess oiliness sweetness brightness spreadability fluidiness creme spalmabili 5 cocoa flavor Scores plot b) Loadings plot PC2 (22%) J N G D FE O H K L C I B -2-3 A M PC 1 (46%)
23 Analisi Descrittiva Quantitativa Salame tipo Napoli 1, ,5 D C H B 0,5 sapore salato odore di fumo odore di stagionato q. nervi compattezza della fetta retrogusto pungente pc2 (28%) 0-0,5 A 0 untuosità colore rosso pelabilità dimensione dei lardelli -1 E G F -0,5 masticabilità quantità di grasso flavour di pepe q. di pepe macinato -1,5-1,5-1 -0,5 0 0,5 1 1,5 pc1 (46%) Analisi delle Componenti Principali: score plot ,5 0 0,5 1 Analisi delle Componenti Principali: loadings plot
24 Salame di Mugnano del Cardinale 2 1 retrogusto pungente Pc2 (19%) E A F C H D G 0 masticabilità q. di nervi q. di grasso untuosità dimensione dei lardelli sapore salato odore di fumo colore rosso flavour di pepe compattezza della fetta odore di stagionato pelabilità B pc1 (54%) -1 q, di pepe macinato Analisi delle Componenti Principali: score plot Analisi delle Componenti Principali: loadings plot
ANALISI DEI DATI PER IL MARKETING 2014
ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it ANALISI DELLE CORRISPONDENZE (cap. VII) Problema della riduzione delle dimensioni L ANALISI DELLE COMPONENTI PRINCIPALI
DettagliMetodi Multivariati: Analisi delle Componeti Principali (PCA)
Metodi Multivariati: Analisi delle Componeti Principali (PCA) Il modello PCA come approssimazione delle informazioni contenute in una matrice di dati in cui più oggetti (es. campioni) sono spiegati da
DettagliStatistica multivariata Donata Rodi 21/11/2016
Statistica multivariata Donata Rodi 21/11/2016 PCA Tecnica di riduzione delle dimensioni che descrive la struttura multivariata dei dati per analisi descrittive e inferenziali Descrive la variazione di
DettagliL A B C di R. Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010
L A B C di R 0 20 40 60 80 100 2 3 4 5 6 7 8 Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010 La scelta del test statistico giusto La scelta della analisi
DettagliRappresentazione dei dati multivariati
Rappresentazione dei dati multivariati Quando si hanno più di due varabili la posizione di ciascuna unità rispetto alle altre può essere rappresentata nel diagramma relativo alle prime due CP l importanza
DettagliStatistica multivariata 27/09/2016. D.Rodi, 2016
Statistica multivariata 27/09/2016 Metodi Statistici Statistica Descrittiva Studio di uno o più fenomeni osservati sull INTERA popolazione di interesse (rilevazione esaustiva) Descrizione delle caratteristiche
DettagliAnalisi Multivariata Prova intermedia del 20 aprile 2011
Analisi Multivariata Prova intermedia del 20 aprile 20 Esercizio A Sia X N 3 (µ, Σ) con µ = [ 3,, 4] e 2 0 Σ = 2 5 0 0 0 2 Quali delle seguenti variabili casuali è indipendente? Motivare la risposta. A.
DettagliAnalisi delle corrispondenze
Analisi delle corrispondenze Obiettivo: analisi delle relazioni tra le modalità di due (o più) caratteri qualitativi Individuazione della struttura dell associazione interna a una tabella di contingenza
DettagliL Analisi delle Componenti Principali applicata a dati sensoriali derivanti dall analisi descrittiva.
L Analisi delle Componenti Principali applicata a dati sensoriali derivanti dall analisi descrittiva. Nota didattica per gli studenti dei corsi di: Analisi Sensoriale degli Alimenti Corso di Laurea in
DettagliSDE Marco Riani
SDE 208 Marco Riani mriani@unipr.it http://www.riani.it RIDUZIONE DELLE DIMENSIONI (con riferimento alle variabili Analisi dei fattori Analisi delle componenti principali OBIETTIVI Date p variabili (correlate
DettagliLA MATRICE DEGLI INDICATORI SOCIALI
LA MATRICE DEGLI INDICATORI SOCIALI CORSO DI METODI DI INDAGINE E VALUTAZIONE NELLE SCIENZE SOCIALI La sintesi degli indicatori X n, m x L x L x L L L L L xi 1 L xij L x L L L L L x L x L x 11 1 j 1m im
DettagliTEST DI AUTOVALUTAZIONE STATISTICA DESCRITTIVA
TEST DI AUTOVALUTAZIONE STATISTICA DESCRITTIVA Metodi statistici per la biologia 1 Parte A 1.1 La media relativa ai dati 1,3,4,5,2.5 è 3.1; 3; 2.5. 1.2 La mediana relativa ai dati 1,3,4,5,2.5 è 3.1; 3;
DettagliPsicometria con Laboratorio di SPSS 2
Psicometria con Laboratorio di SPSS 2 Esempio di fattoriale esplorativa (v. 1.1, 12 aprile 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2017-18
DettagliEsplorazione grafica di dati multivariati. N. Del Buono
Esplorazione grafica di dati multivariati N. Del Buono Scatterplot Scatterplot permette di individuare graficamente le possibili associazioni tra due variabili Variabile descrittiva (explanatory variable)
DettagliStatistica multivariata! Analisi fattoriale
Parte 3 : Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Statistica multivariata! Analisi
DettagliBLAND-ALTMAN PLOT. + X 2i 2 la differenza ( d ) tra le due misure per ognuno degli n campioni; d i. X i. = X 1i. X 2i
BLAND-ALTMAN PLOT Il metodo di J. M. Bland e D. G. Altman è finalizzato alla verifica se due tecniche di misura sono comparabili. Resta da comprendere cosa si intenda con il termine metodi comparabili
DettagliPsicometria con Laboratorio di SPSS 1
Psicometria con Laboratorio di SPSS 1 1-Panoramica delle tecniche: Spiegazione intuitiva vers. 1.1 (vers. 1.1, 14 marzo 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università
DettagliSTUDIO DELLA COMPOSIZIONE E DEL POTERE ANTIOSSIDANTE DI PRODOTTI DERIVATI DA MIRTILLI
FILIERA MIRTILLI Valorizzazione della produzione locale attraverso l ottimizzazione delle operazioni lungo la filiera (raccolta, distribuzione del fresco, trasformazioni di alta qualità) Realizzazione
DettagliStatistica multivariata
Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Analisi multivariata Cercare di capire le relazioni
DettagliStatistica multivariata
Parte 3 : Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Analisi multivariata Cercare di capire
DettagliProbablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Franco Flandoli, Università di Pisa Matrice di covarianza Dato un vettore aleatorio (anche non gaussiano) X = (X 1,..., X n ), chiamiamo sua media il vettore
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliI sapori della qualità. Come addestrare i nostri sensi.
I sapori della qualità. Come addestrare i nostri sensi. L'analisi sensoriale è una disciplina scientifica che consiste nella valutazione delle caratteristiche di un prodotto (di qualsiasi natura esso sia)
DettagliAnalisi delle corrispondenze
Capitolo 11 Analisi delle corrispondenze L obiettivo dell analisi delle corrispondenze, i cui primi sviluppi risalgono alla metà degli anni 60 in Francia ad opera di JP Benzécri e la sua equipe, è quello
DettagliScopo dello studio. Metodi
Ci si può fidare dei risultati dell analisi delle componenti principali? Ricci C, Milani S Istituto di Statistica Medica e Biometria G.A. Maccacaro Facoltà di Medicina e Chirurgia, Università degli Studi
DettagliC.da Di Dio - Villaggio S. Agata Messina Italy P.I c.f AMBIENTE STATISTICO. Release /03/2018.
AMBIENTE STATISTICO SOFTWARE PER L ANALISI STATISTICA DI DATI PROVENIENTI DAL MONITORAGGIO AMBIENTALE Release 4.0 20/03/2018 Manuale d uso Ambiente Statistico è un software sviluppato nell ambito del Progetto
DettagliAnalisi della varianza
1. 2. univariata ad un solo fattore tra i soggetti (between subjects) 3. univariata: disegni fattoriali 4. univariata entro i soggetti (within subjects) 5. : disegni fattoriali «misti» L analisi della
DettagliNota didattica sulla validazione e l interpretazione dei dati raccolti per la definizione del profilo sensoriale dei prodotti alimentari.
Nota didattica sulla validazione e l interpretazione dei dati raccolti per la definizione del profilo sensoriale dei prodotti alimentari. 1 1. La validazione dei dati relativi all analisi descrittiva del
DettagliFUNZIONE DI UTILITÀ CURVE DI INDIFFERENZA (Cap. 3)
FUNZIONE DI UTILITÀ CURVE DI INDIFFERENZA (Cap. 3) Consideriamo un agente che deve scegliere un paniere di consumo fra quelli economicamente ammissibili, posto che i beni di consumo disponibili sono solo
DettagliStatistica per l Impresa
Statistica per l Impresa a.a. 2017/2018 Tecniche di Analisi Multidimensionale L analisi delle componenti principali 14 maggio 2018 Introduzione L Obiettivo dell ACP L Analisi delle Componenti Principali
DettagliAnalisi multivariata (DPRS)
Analisi multivariata (DPRS) 8b-Esempio di fattoriale esplorativa vers. 1.0 Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2010-2011 Rossi (Dip. Psicologia)
Dettagli62 CAPITOLO 3. STATISTICA DESCRITTIVA
62 CAPITOLO 3. STATISTICA DESCRITTIVA Raccogliamo su una popolazione di n individui i dati relativi a m caratteri (variabili) e riportiamoli in una matrice, dove le righe (n) sono relative ad individui
DettagliStatistica multivariata
Parte 3 : Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Analisi multivariata Cercare di capire
DettagliANALISI DELLE CORRISPONDENZE MULTIPLE (ACM)
ANALISI DELLE CORRISPONDENZE MULTIPLE (ACM) Questa procedura è stata introdotta negli anni 70, ad opera della scuola francese di analisi dei dati (Benzecri). Inizialmente fu proposta per analizzare tabelle
DettagliREGRESSIONE E CORRELAZIONE
REGRESSIONE E CORRELAZIONE Nella Statistica, per studio della connessione si intende la ricerca di eventuali relazioni, di dipendenza ed interdipendenza, intercorrenti tra due variabili statistiche 1.
DettagliIntervallo di fiducia del coefficiente angolare e dell intercetta L intervallo di fiducia del coefficiente angolare (b 1 ) è dato da:
Analisi chimica strumentale Intervallo di fiducia del coefficiente angolare e dell intercetta L intervallo di fiducia del coefficiente angolare (b 1 ) è dato da: (31.4) dove s y è la varianza dei valori
DettagliESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante.
ESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante. Test di uguaglianza delle medie di gruppo SELF_EFF COLL_EFF COIN_LAV IMPEGNO SODDISF CAP_IST COLLEGHI Lambda di Wilks
DettagliAlcuni concetti geometrici
Alcuni concetti geometrici spazio Euclideo bidimensionale X P x 1 x 1 x x 11 x 1 x 1 x x 1 P 1 P 1 (x 11, x 1 ) P (x 1, x ) O x 11 x 1 X 1 O (0, 0) In generale,, in uno spazio Euclideo p-dimensionale il
DettagliANALISI MULTIDIMENSIONALE DEI DATI (AMD)
ANALISI MULTIDIMENSIONALE DEI DATI (AMD) L Analisi Multidimensionale dei Dati (AMD) è una famiglia di tecniche il cui obiettivo principale è la visualizzazione, la classificazione e l interpretazione della
DettagliAnalisi delle Componenti Principali con R
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Prof.ssa Marilena Pillati Analisi delle Componenti
DettagliLa matrice delle correlazioni è la seguente:
Calcolo delle componenti principali tramite un esempio numerico Questo esempio numerico puó essere utile per chiarire il calcolo delle componenti principali e per introdurre il programma SPAD. IL PROBLEMA
DettagliFacoltà di Scienze Politiche Corso di laurea in Servizio sociale. Compito di Statistica del 7/1/2003
Compito di Statistica del 7/1/2003 I giovani addetti all agricoltura in due diverse regioni sono stati classificati per età; la distribuzione di frequenze congiunta è data dalla tabella seguente Età in
DettagliTECNICHE DI POSIZIONAMENTO
TECNICHE DI POSIZIONAMENTO Discriminant analysis: definizione di n (generalmente 2) funzioni lineari discriminanti, basate su valutazioni quantitative di attributi, utilizzate per posizionare oggetti (marche,
DettagliMISURE DI SINTESI 54
MISURE DI SINTESI 54 MISURE DESCRITTIVE DI SINTESI 1. MISURE DI TENDENZA CENTRALE 2. MISURE DI VARIABILITÀ 30 0 µ Le due distribuzioni hanno uguale tendenza centrale, ma diversa variabilità. 30 0 Le due
DettagliSDE Marco Riani
SDE 018 Marco Riani mriani@uniprit http://wwwrianiit ANALISI DELLE CORRISPONDENZE Problema della riduzione delle dimensioni L ANALISI DELLE COMPONENTI PRINCIPALI per una matrice di dati quantitativi L
DettagliScheda n. 13: modelli lineari
Scheda n. 13: modelli lineari December 4, 2008 1 Combinazioni affini di variabili aleatorie La teoria che stiamo per esporre vuole descrivere relazioni matematiche tra variabili aleatorie: in tali relazioni
DettagliStatistica descrittiva in due variabili
Statistica descrittiva in due variabili Dott Nicola Pintus AA 2018-2019 Indichiamo con U la popolazione statistica e con u i le unità statistiche Ad ogni unità statistica associamo i caratteri osservati
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliIntegrare i diversi approcci d indagine sensoriale KEY. Gian Paolo Zoboli. Deliziare il consumatore Seminario SICC Milano, 20 marzo 2014
Integrare i diversi approcci d indagine sensoriale KEY Gian Paolo Zoboli Deliziare il consumatore Seminario SICC Milano, 20 marzo 2014 Premessa Sono diversi i metodi e gli approcci d indagine sui prodotti
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2016-2017 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliSviluppando ancora per colonna sulla prima colonna della prima matrice e sulla seconda della seconda matrice si ottiene:
M. CARAMIA, S. GIORDANI, F. GUERRIERO, R. MUSMANNO, D. PACCIARELLI RICERCA OPERATIVA Isedi Esercizi proposti nel Cap. 5 - Soluzioni Esercizio 5. - La norma Euclidea di è 9 6 5 - Il versore corrispondente
DettagliSTATISTICA. Esercitazione 5
STATISTICA Esercitazione 5 Esercizio 1 Ad un esame universitario sono stati assegnati in modo casuale due compiti diversi con i seguenti risultati: Compito A Compito B Numero studenti 102 105 Media dei
DettagliSistemi di equazioni lineari
Sistemi di equazioni lineari A. Bertapelle 25 ottobre 212 Cos è un sistema lineare? Definizione Un sistema di m equazioni lineari (o brevemente sistema lineare) nelle n incognite x 1,..., x n, a coefficienti
DettagliGRIGLIA DI CORREZIONE 2013 Matematica Classe I Scuola secondaria di primo grado FASCICOLO 1
GRIGLIA DI CORREZIONE 2013 Matematica Classe I Scuola secondaria di primo grado FASCICOLO 1 LEGENDA AMBITI: NU (Numeri), SF (Spazio e figure), DP (Dati e previsioni) LEGENDA PROCESSI: 1. Conoscere e padroneggiare
DettagliQuadro riassuntivo di geometria analitica
Quadro riassuntivo di geometria analitica IL PIANO CARTESIANO (detta ascissa o coordinata x) e y quella dall'asse x (detta ordinata o coordinata y). Le coordinate di un punto P sono: entrambe positive
DettagliAnalisi in Componenti Principali (ACP)
Analisi in Componenti Principali (ACP) Metodi di analisi fattoriale Obiettivo: individuazione di variabili di sintesi = dimensioni = variabili latenti = variabili non osservate Approccio: Ordinamenti tra
DettagliMetodi per la riduzione della dimensionalità. Strumenti quantitativi per la gestione
Metodi per la riduzione della dimensionalità Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/6c_pca.html#(1) 1/25 Introduzione Gli approcci
DettagliLa Retta Ogni funzione di primo grado rappresenta, graficamente, una retta. L equazione della retta può essere scritta in due modi
La Retta Ogni funzione di primo grado rappresenta, graficamente, una retta. L equazione della retta può essere scritta in due modi Forma implicita Forma esplicita a x b y c 0 y m x q a c y x b b Esempio
DettagliEsplorazione grafica di dati multivariati. N. Del Buono
Esplorazione grafica di dati multivariati N. Del Buono Scatterplot Scatterplot permette di individuare graficamente le possibili associazioni tra due variabili Variabile descrittiva (explanatory variable)
DettagliAnalisi Fattoriale Concetti introduttivi Marcello Gallucci Milano-Bicocca
Analisi Fattoriale Concetti introduttivi A M D Marcello Gallucci Milano-Bicocca Scopi generali L Analisi Fattoriale (e varianti) si propone di estrarre un numero limitato di fattori (variabili latenti
DettagliCapitolo 1. Analisi Discriminante. 1.1 Introduzione. 1.2 Un analisi discriminante Descrizione del dataset
Capitolo 1 Analisi Discriminante 1.1 Introduzione L analisi discriminante viene condotta per definire una modalità di assegnazione dei casi a differenti gruppi, in funzione di una serie di variabili fra
DettagliDifferenze tra metodi di estrazione
Lezione 11 Argomenti della lezione: L analisi fattoriale: il processo di estrazione dei fattori Metodi di estrazione dei fattori Metodi per stabilire il numero di fattori Metodi di Estrazione dei Fattori
DettagliL analisi sensoriale applicata al formaggio
L analisi sensoriale applicata al formaggio 1. Generalità sull analisi sensoriale L analisi sensoriale è un metodo per determinare le caratteristiche organolettiche dei prodotti alimentari attraverso il
DettagliStatistica descrittiva in due variabili
Statistica descrittiva in due variabili 1 / 65 Statistica descrittiva in due variabili 1 / 65 Supponiamo di misurare su un campione statistico due diverse variabili X e Y. Indichiamo come al solito con
DettagliSTATISTICA. Regressione-2
STATISTICA Regressione-2 Esempio Su un campione di =5unità sono state osservate due variabili, ed : x i 1 2 3 4 5 y i 1.5 2.5 3 2.5 3.5 1. Rappresentare l andamento congiunto di in funzione di mediante
DettagliAnalisi in componenti principali
Capitolo 2 Analisi in componenti principali 2.1 Introduzione L analisi in componenti principali è una tecnica di analisi multivariata tra le più diffuse. Viene utilizzata quando nel dataset osservato sono
DettagliRISULTATI dell ANALISI SENSORIALE per un UN PROGETTO di RICERCA sulle caratteristiche del PROSCIUTTO di BASSIANO
RISULTATI dell ANALISI SENSORIALE per un UN PROGETTO di RICERCA sulle caratteristiche del PROSCIUTTO di BASSIANO INTRODUZIONE Obiettivo della ricerca è stato quello di valutare le caratteristiche organolettiche
DettagliUniversità degli Studi di Bergamo Modulo di Geometria e Algebra Lineare (vecchio programma) 5 luglio 2013 Tema A
Università degli Studi di Bergamo Modulo di Geometria e Algebra Lineare (vecchio programma) 5 luglio 2013 Tema A Tempo a disposizione: 2 ore. Calcolatrici, libri e appunti non sono ammessi. Ogni esercizio
DettagliAnalisi delle componenti principali
Analisi delle componenti principali Serve a rappresentare un fenomeno k-dimensionale tramite un numero inferiore o uguale a k di variabili incorrelate, ottenute trasformando le variabili osservate Consiste
DettagliArgomenti della lezione:
Lezione 13 L analisi della Varianza (ANOVA): il modello lineare Argomenti della lezione: Modello lineare Disegni a una via L Analisi della Varianza (ANOVA): Esamina differenze tra le medie di due o più
Dettagli11 luglio Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliArgomenti della lezione:
Lezione 9 Argomenti della lezione: La regressione multipla: Approcci analitici Regressione standard Regressione gerarchica Regressione statistica Strategie Analitiche per la regressione Tre principali
DettagliCARATTERISTICHE SENSORIALI DEI PRODOTTI OGGETTO DELLA RICERCA
VALORIZZAZIONE DI PRODOTTI DIVERSI DAL PROSCIUTTO Tecnologia di produzione e attività biologica Centro Congressi - Università Cattolica del Sacro Cuore Piacenza - 15 ottobre 2008 CARATTERISTICHE SENSORIALI
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliUNITÀ DIDATTICA 5 LA RETTA
UNITÀ DIDATTICA 5 LA RETTA 5.1 - La retta Equazione generica della retta Dalle considerazioni emerse nel precedente capitolo abbiamo compreso come una funzione possa essere rappresentata da un insieme
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Indici di posizione e di variabilità Prof. Livia De Giovanni lstatistica@dis.uniroma1.it Esercizio 1 Data la seguente distribuzione unitaria del carattere X: X : 4 2 4 2 6 4
DettagliLa matematica del CAD. Vettori e Matrici
La matematica del CAD Vettori e Matrici IUAV Disegno Digitale Camillo Trevisan I programmi CAD riducono tutti i problemi geometrici in problemi analitici: la proiezione di un punto su un piano viene, ad
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza di Variabili Aleatorie Sistema di Variabili
DettagliL ANALISI SENSORIALE NELLA CERTIFICAZIONE DELLE DENOMINAZIONI DI ORIGINE TRA EUROPA E ITALIA: METODI E PROSPETTIVE
L ANALISI SENSORIALE NELLA CERTIFICAZIONE DELLE DENOMINAZIONI DI ORIGINE TRA EUROPA E ITALIA: METODI E PROSPETTIVE 21 febbraio 2017, Reggio Emilia Best Western Classic Hotel Anna Garavaldi CRPA Lab Alimentare,
DettagliInformatica Grafica. Un introduzione
Informatica Grafica Un introduzione Rappresentare la Geometria Operabile da metodi di calcolo automatici Grafica Vettoriale Partiamo dalla rappresentazione di un punto... Spazi Vettoriale SPAZI VETTORIALI
DettagliB6. Sistemi di primo grado
B6. Sistemi di primo grado Nelle equazioni l obiettivo è determinare il valore dell incognita che verifica l equazione. Tale valore, se c è, è detto soluzione. In un sistema di equazioni l obiettivo è
DettagliSTATISTICA 1 ESERCITAZIONE 6
STATISTICA 1 ESERCITAZIONE 6 Dott. Giuseppe Pandolfo 5 Novembre 013 CONCENTRAZIONE Osservando l ammontare di un carattere quantitativo trasferibile su un collettivo statistico può essere interessante sapere
DettagliAnalisi bivariata. Il caso di caratteri quantitativi
Analisi bivariata Il caso di caratteri quantitativi Pagina 382 Rappresentazioni grafiche di distribuzioni doppie Distribuzione doppia di frequenze Tabella di contingenza Tabella di correlazione Stereogramma
DettagliAnalisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri
DettagliLE REGOLE PER IL RILASCIO DEI RISULTATI DELLE ELABORAZIONI
Giugno 2019 LE REGOLE PER IL RILASCIO DEI RISULTATI DELLE ELABORAZIONI Estratto da: Il Laboratorio per l Analisi dei Dati ELEmentari (ADELE) Guida all utenza Per qualsiasi comunicazione o richiesta di
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliStatistica II, Laurea magistrale in Ing. Gestionale, a.a. 2013/14 10/01/2014
Statistica II, Laurea magistrale in Ing. Gestionale, a.a. 2013/14 10/01/2014 Note. Le giustificazioni delle risposte sono molto rilevanti; devono essere sintetiche ma esaustive e devono puntare agli aspetti
Dettagli25 - Funzioni di più Variabili Introduzione
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 25 - Funzioni di più Variabili Introduzione Anno Accademico 2013/2014 M. Tumminello
DettagliUniversità degli Studi di Bergamo Modulo di Geometria e Algebra Lineare (vecchio programma) 2 settembre 2013 Tema A
Università degli Studi di Bergamo Modulo di Geometria e Algebra Lineare (vecchio programma) settembre 013 Tema A Tempo a disposizione: ore. Calcolatrici, libri e appunti non sono ammessi. Ogni esercizio
DettagliUniversità degli Studi di Bergamo Matematica II (5 e 7,5 crediti) 5 luglio 2013 Tema A
Università degli Studi di Bergamo Matematica II (5 e 7,5 crediti) 5 luglio 2013 Tema A Tempo a disposizione: 1 ora e mezza. Calcolatrici, libri e appunti non sono ammessi. Ogni esercizio va iniziato all
DettagliMetodologie Quantitative. Analisi Fattoriale
Metodologie Quantitatie Analisi Fattoriale Concetti introduttii e passi chiae M Q Marco Perugini Milano-Bicocca Matrici: moltiplicazione 3 3 3 4 Solo se il numero di colonne della prima matrice è uguale
DettagliFondamenti e metodi analisi empirica nelle scienze sociali
CORSO DI FONDAMENTI E METODI PER L'ANALISI EMPIRICA NELLE SCIENZE SOCIALI Distribuzioni statistiche multiple AA 2017/2018 1. Introduzione: il processo di rilevazione e le distribuzioni statistiche. 2.
DettagliUTILIZZO DELL ANALISI DELLE COMPONENTI PRINCIPALI (PCA) DI DATI HVSR FINALIZZATO ALLA ZONAZIONE SISMICA
UTILIZZO DELL ANALISI DELLE COMPONENTI PRINCIPALI (PCA) DI DATI HVSR FINALIZZATO ALLA ZONAZIONE SISMICA Terremoto de L Aquila, 2009 Gallipoli et al., 2011 Lo scopo di questo lavoro è quello di indagare
DettagliStatistica - metodologie per le scienze economiche e sociali S. Borra, A. Di Ciaccio - McGraw Hill
Statistica - metodologie per le scienze economiche e sociali S. Borra, A. Di Ciaccio - McGraw Hill Es. Soluzione degli esercizi del capitolo 7 home - indice In base agli arrotondamenti effettuati nei calcoli,
DettagliLezioni di Microeconomia
Lezioni di Microeconomia Lezione 7 Teoria dell impresa Lezione 7: Teoria dell impresa Slide 1 Il concetto di funzione di produzione Il processo di produzione Combinazione di fattori produttivi (input)
Dettagli8. Indici sintetici ecologici e socioeconomici
PARTE II INDICI SINTETICI DI VALUTAZIONE DELLA QUALITA TERRITORIALE 8. Indici sintetici ecologici e socioeconomici Il modello statistico-matematico presentato è una proposta di lettura della configurazione
Dettagli