1 Metodo della massima verosimiglianza

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "1 Metodo della massima verosimiglianza"

Transcript

1 Metodo della massima verosimigliaza Estraedo u campioe costituito da variabili casuali X i i.i.d. da ua popolazioe X co fuzioe di probabilità/desità f(x, θ), si costruisce la fuzioe di verosimigliaza che rappreseta la fuzioe di probabilità/desità del campioe stesso: i quest ambito si ipotizza che essa sia fuzioe del vettore dei parametri θ, metre le realizzazioi campioarie x i soo fisse. Aaliticamete si ha perciò: L(x, x,..., x ; θ) = f(x i, θ) [.] La fuzioe statistica ˆθ = t(x, x,..., x ) è detta stimatore di massima verosimigliaza se, i corrispodeza di ciascu campioe estratto, assega u valore al vettore θ che massimizza la fuzioe di verosimigliaza. I simboli: max L(x, θ) = L(x, ˆθ) [.] Ovviamete la stima di massima verosimigliaza è defiita i questo modo: ˆθ = arg max L(x, θ) [.] Per poter calcolare lo stimatore MLE si ricorre alla fuzioe log-verosimigliaza otteuta attraverso l applicazioe del logaritmo aturale, quidi risulta: l(x, θ) = l L(x, θ) [.4] Dato che la fuzioe logaritmica è ua trasformazioe mootòa crescete, co il passaggio alla log-verosimigliaza o si perdoo le caratteristiche della fuzioe L(x, θ) i termii di cresceza e decresceza e soprattutto si ottiee I iglese, Likelihood fuctio. I letteratura tale stimatore è oto ache come stimatore MLE, che deriva dall iglese Maximum Likelihood Estimator. Per semplificare la otazioe d ora i avati la fuzioe di verosimigliaza sarà idicata semplicemete co L(x, θ).

2 Elemeti di statistica per l ecoometria ua forma aalitica più semplice da trattare. Nel caso di variabili casuali i.i.d. questo è particolarmete vero perché la fuzioe di desità cogiuta del campioe può essere espressa come produttoria delle margiali: per le proprietà dei logaritmi, dalla [.] si ricava perciò la log-verosimigliaza come sommatoria, ifatti: [ ] l(x, θ) = l f(x i, θ) = l f(x i, θ) [.5] U importate proprietà della log-verosimigliaza è la seguete: l(x, θ) L(x, θ) = [L(x, θ)] [.6] Dimostrazioe: Applicado la derivata di ua fuzioe logaritmica si ha: l(x, θ) l(x, θ) l(x, θ) l L(x, θ) = L(x, θ) = L(x, θ) = [L(x, θ)] L(x, θ) La più importate proprietà della fuzioe di log-verosimigliaza è però quella che costituisce la motivazioe pricipale per il metodo di stima trattato: poiché ella sua defiizioe etrao le realizzazioi x i delle variabili casuali, la logverosimigliaza è ua fuzioe casuale del vettore dei parametri icogiti, el seso che per θ dato, restituisce ua variabile casuale; alterativamete si può pesare che ad ogi possibile realizzazioe del campioe è associata ua diversa fuzioe di θ. Se questa fuzioe ha u valore atteso, tale valore atteso sarà ua fuzioe o stocastica del vettore dei parametri. Si osservi pertato la figura.: le liee tratteggiate corrispodoo alla fuzioe di log-verosimigliaza osservabile per ciascua realizzazioe campioaria f(x,..., x ; θ ), metre la liea cotiua rappreseta la fuzioe E[l(x, θ)]. Tale fuzioe assume u massimo proprio i corrispodeza di θ, ossia del vero valore della fuzioe di desità di x. Si cosideri la seguete fuzioe di θ: Dimostrazioe: A(θ) = E» L(x, θ) L(x, θ )

3 Figura. Log-verosimigliaza campioaria e media θ θ Questa fuzioe è uguale a per θ, poiché L(x, θ) è ua possibile fuzioe di desità di x per ciascu valore di θ, quidi: Z Z L(x, θ) A(θ) = L(x, θ)dx = L(x, θ)dx = x L(x, θ ) x Da questa relazioe segue che l A(θ) =. Poiché il logaritmo è ua fuzioe ovuque cocava, per il lemma di Jese si avrà:»» L(x, θ) L(x, θ) E l l E = L(x, θ ) L(x, θ ) Tale relazioe è vera per θ Θ. E [l(x, θ) l(x, θ )] E [l(x, θ)] E[l(x, θ )] Alla luce di questo risultato è aturale pesare che il puto di massimo della fuzioe l(x, θ) possa essere utilizzato come stimatore di θ. È possibile dimostrare che, sotto codizioi molto geerali, lo stimatore così otteuto è uo stimatore cosistete. Per la massimizzazioe di l(x, θ) le codizioi del primo ordie risultao: l(x, θ) s(x, θ) = = [.7] dove la fuzioe s(x, θ) è detta score. Quado si è i preseza di u campioe composto da variabili casuali i.i.d., lo score può ache essere scritto come segue: l f(x i, θ) s(x, θ) = s(x i, θ) = [.8]

4 Elemeti di statistica per l ecoometria Dato che è fuzioe dei campioi estratti, lo score è ach esso ua variabile casuale; quado θ = θ, i suoi mometi soo:. E[s(x, θ )] = Dimostrazioe: Teedo presete le proprietà delle derivate e la [.6] risulta: E[s(x, θ)] = E[s(x, θ)] = E[s(x, θ)] = Valutado lo score per θ = θ, si ottiee: E[s(x, θ )] = E[s(x, θ )] = s(x, θ)l(x, θ )dx l(x, θ) L(x, θ )dx L(x, θ) [L(x, θ)] L(x, θ )dx L(x, θ ) dx Poiché i corrispodeza del vero parametro θ vale E[s(x, θ )] = = L(x, θ )dx L(x, θ )dx =, si ha:. V ar[s(x, θ )] = I(θ ) dove I(θ ) è la matrice di iformazioe di Fisher valutata i corrispodeza del vero parametro θ. La matrice I(θ) è defiita come l opposto del valore atteso dell Hessiaa della log-verosimigliaza, quidi risulta: [ ] l(x, θ) I(θ) = E = E [H(x, θ)] [.9] I corrispodeza di θ = θ vale l uguagliaza: I(θ ) = V ar[s(x, θ )] = E [H(x, θ )] [.] Dimostrazioe: Per dimostrare questa proprietà si parte dalla defiizioe di valore atteso dello score: E[s(x, θ)] = 4 s(x, θ)l(x, θ)dx

5 Derivado etrambi i membri rispetto a θ si ottiee: s(x, θ)l(x, θ) dx = Per la proprietà della derivata del prodotto e per la [.6] si ha: Z s(x, θ) + L(x, θ)dx + s(x, θ) L(x, θ)dx + s(x, θ) L(x, θ)dx + L(x, θ) s(x, θ)dx = l(x, θ) s(x, θ)l(x, θ)dx = s(x, θ) L(x, θ)dx = Utilizzado l operatore valore atteso e valutado il tutto i θ = θ si ha:» s(x, θ) E + E ˆs(x, θ ) = θ Dato che E[s(x, θ )] = risulta:» l(x, θ) E + V ar[s(x, θ )] = θ» l(x, θ) V ar[s(x, θ)] = E V ar[s(x, θ)] = H[s(x, θ )] θ La matrice I(θ ) è posta uguale ad etrambi i membri di questa idetità. 5

6 Elemeti di statistica per l ecoometria Nel caso di variabili casuali idipedeti la matrice di iformazioe di Fisher è data dalla sommatoria di tutte le variaze degli score che soo preseti all itero della [.8], ifatti risulta: I(θ ) = V ar[s(x i, θ )] = E [H(x i, θ )] [.] Se le variabili casuali soo ache ideticamete distribuite, tutti gli elemeti della sommatoria soo uguali, per cui si può scrivere: I(θ ) = V ar[s(x i, θ )] = E [H(x i, θ )] [.] La stima MLE è quidi quel valore del vettore θ i corrispodeza del quale lo score si aulla. La Figura. mostra graficamete come può essere otteuta la stima di massima verosimigliaza. Figura. Discussioe grafica dello stimatore MLE L(x, θ) (x, θ) ^ θ s(x, θ) θ All itero del grafico soo state tracciate la fuzioe di verosimigliaza, la log-verosimigliaza e lo score ; i corrispodeza della stima MLE ˆθ si può agevolmete otare che le fuzioi L(x, θ) e l(x, θ) hao valore massimo, metre s(x, θ) si aulla. Il grafico è stato tracciato per ua variabile casuale di Poisso. Per fii esclusivamete didattici i valori della fuzioe di verosimigliaza soo stati moltiplicati per 6, metre quelli della log-verosimigliaza soo stati traslati aggiugedo ua costate pari a 5: i questo modo è possibile mettere a cofroto le diverse curve all itero di u solo grafico seza compromettere le proprietà. 6

7 Esempio. Calcolare lo stimatore MLE per l icogito parametro π di ua popolazioe Beroulliaa co fuzioe di probabilità pari a: p(x, π) = π x ( π) x co x i =, Fuzioe di verosimigliaza: L(x, π) = Y π x i ( π) x i = π γ ( π) γ Passado alla log-verosimigliaza si ha: l(x, π) = l π x i + l( π) ( x i) dove γ = x i. l(x, π) = γ l π + ( γ) l( π) Derivado la log-verosimigliaza si ottiee lo score: s(x, π) = l(x, π) π = γ π γ π Eguagliado lo score a zero si ottiee lo stimatore di massima verosimigliaza. γ ˆπ γ ˆπ = γ( ˆπ) ˆπ( γ) = γ ˆπ = ˆπ = Lo stimatore MLE per ua popolazioe Beroulliaa è la media campioaria. x i Esempio. Calcolare lo stimatore MLE per il parametro λ di ua popolazioe Poissoiaa co la seguete fuzioe di probabilità: Fuzioe di verosimigliaza: dove γ = x i. L(x, λ) = p(x, λ) = e λ λ x Y x! e λ λ x i x i! = e λ λ γ Y x i! Fuzioe log-verosimigliaza: l(x, λ) = λ + l λ x i l(x i!) 7

8 Elemeti di statistica per l ecoometria Fuzioe score: s(x, λ) = + λ Stimatore MLE: + ˆλ x i = ˆλ = x i Lo stimatore MLE per ua popolazioe Poissoiaa coicide co la media campioaria. x i Esempio. Calcolare lo stimatore MLE per l icogito vettore θ = [ µ σ ] di ua popolazioe ormale. Si calcola la fuzioe di verosimigliaza: Y j L(x, θ) = (πσ ) exp ff (x i µ) σ ( ) L(x, θ) = (πσ ) exp (x i µ) σ La log-verosimigliaza è: l(x, θ) = l(π) l σ σ (x i µ) lo score è il vettore gradiete coteete le derivate parziali della log-verosimigliaza calcolate rispetto ai parametri µ e σ. (x σ i µ) s(x, θ) = 6 4 σ + 7 (x σ 4 i µ) 5 Per otteere lo stimatore MLE occorre risolvere il sistema: (x ˆσ i ˆµ) = ˆσ + 7 (x ˆσ 4 i ˆµ) 5 Dalla prima equazioe si ottiee: ˆσ ˆσ (x i ˆµ) = x i = ˆµ ˆσ ˆµ = x i = X 8

9 Sostituedo ella secoda si ha: ˆσ + ˆσ 4 ˆσ (x i X) (x i X) = ˆσ = (x i X) = s Lo stimatore MLE per i parametri icogiti di ua distribuzioe ormale è dato dalla media campioaria e dalla variaza campioaria. I simboli: ˆθ =» X s Estremo di Cramér-Rao Esiste u valore miimo per la variaza di uo stimatore corretto? Se la risposta è affermativa sigifica che, se uo stimatore ha tale variaza, esso è sicuramete il più efficiete tra quelli corretti. Quado si è i preseza di u problema regolare di stima l estremo di Cramér-Rao forisce la soluzioe del quesito. Si ha u problema regolare di stima quado soo verificate le segueti codizioi:. lo spazio dei parametri Θ R k è u isieme chiuso e limitato,. la fuzioe di probabilità/desità del campioe L(x i, θ) è cotiua e derivabile due volte rispetto al parametro θ,. il domiio della variabile casuale X o dipede da θ. Per ricavare l estremo di Cramér-Rao si cosidera u geerico stimatore corretto per l icogito parametro θ; per le proprietà dello score risulta: Cov[ˆθ, s(x, θ )] = I k [.] dove I k è la matrice idetità di dimesioe k k e k è il umero di parametri coteuti i θ. L importaza di questo risultato risiede el fatto che la covariaza tra il geerico stimatore corretto per θ e lo score valutato i θ è costate a prescidere dal campioe estratto. 9

10 Elemeti di statistica per l ecoometria Dimostrazioe: Partedo dall equazioe del valore atteso dello stimatore si ha: ˆθL(x, θ)dx = θ Derivado rispetto al vettore θ etrambi i membri (si tega presete che lo stimatore è ua fuzioe statistica quidi ˆθ/ = ) si ottiee: Ma poiché risulta: ˆθ ˆθ L(x, θ) dx = I k Z L(x, θ) + Z l(x, θ) + dx = ˆθ L(x, θ)dx = ˆθs(x, θ)l(x, θ)dx = I k, Utilizzado l operatore valore atteso si può perciò scrivere: E[ˆθ s(x, θ)] = I k Valutado lo score i θ = θ si ha E[s(x, θ )] =, quidi, visto che Cov(X, Y ) = E(XY ) E(X)E(Y ), si ottiee la seguete relazioe: Cov[ˆθ, s(x, θ )] = E[ˆθ s(x, θ )] = I k Dato il vettore V = [ ˆθ s(x, θ ) ] risulta perciò: V ar(v ) = [ V ar(ˆθ) Ik I k I(θ ) ] [.4] dove V ar(v ) è ua matrice almeo semidefiita positiva. Poiché risulta: [ Ik I(θ ) ] [ V ar(ˆθ) I k I k I(θ ) ] [ I k I(θ ) ] = V ar(ˆθ) I(θ ) [.5] Dato che ache la [.5] è ua matrice almeo semidefiita positiva 4, l estremo di Cramér-Rao coicide co l iversa della matrice di iformazioe di Fisher valutata per il vero parametro θ, quidi rappreseta il valore miimo per la variaza di uo stimatore corretto. 4 Questa proprietà deriva dal seguete risultato: data ua matrice A semidefiita positiva ed ua qualsiasi matrice B, risulta semidefiita positiva ache la matrice BAB.

11 Esempio.4 Determiare l estremo di Cramér-Rao per la media e la variaza di ua popolazioe X N(µ, σ ). La fuzioe di verosimigliaza, la log-verosimigliaza e la score soo state già determiate ell Esempio.. La derivata dello score rispetto ai parametri µ e σ è data dalla seguete matrice: s(x, θ) = 6 4 σ 4 X (x σ σ 4 i µ) X (x i µ) σ 4 σ 6 (x i µ) Calcolado il valore atteso e cambiado il sego si ottiee la matrice di iformazioe di Fisher.» s(xi, θ) I(θ) = E E E(x σ σ 4 i µ) I(θ) = 6 4 E(x σ 4 i µ) σ + 7 E(x 4 σ 6 i µ) 5 = 4 σ 5 σ 4 L estremo di Cramér-Rao è perciò: I(θ) = 6 4 σ σ PROPRIETÀ DELLO STIMATORE DI MASSIMA VEROSIMIGLIANZA:. Sotto alcue blade codizioi lo stimatore MLE è uo stimatore cosistete i quato risulta: ˆθ Pr θ. Sotto opportue codizioi di regolarità, quasi sempre verificate elle applicazioi pratiche, lo stimatore MLE ha la seguete distribuzioe limite: ) d (ˆθ θ N (, Ω ) dove Ω = (/)I(θ ) è ua matrice che o dipede dalla umerosità del campioe. Alla luce di questo risultato è possibile usare l approssimazioe: ˆθ N ( θ, I(θ ) ) dove I(θ ) è la matrice di iformazioe di Fisher calcolata per il vero parametro θ.

12 Elemeti di statistica per l ecoometria. Lo stimatore MLE risulta sempre asitoticamete efficiete. Questa proprietà deriva direttamete dalla precedete dato che, per, la variaza asitotica dello stimatore MLE coicide co l estremo di Cramer-Rao dato dall iversa della matrice di iformazioe di Fisher. 4. Lo stimatore MLE gode della proprietà di ivariaza a trasformazioi mootòe cotiue: se il vettore θ segue ua fuzioe g(θ) mootòa e cotiua, la stima di massima verosimigliaza vale g(ˆθ). Dimostrazioe: La fuzioe g(θ) : Θ R trasforma ogi θ i u valore k R, quidi risulta che: ˆk = g(ˆθ) Cosiderado la fuzioe di verosimigliaza si ha: L(x, θ) = L(x, θ) = Y f(x, θ) Y f[x, g (k)] L(x, θ) = L[x, g (k)] L(x, θ) = L(x, k) Per le proprietà della fuzioe g(θ) la fuzioe di verosimigliaza è massimizzata per quel valore di k che si ottiee i corrispodeza dello stimatore MLE, ifatti: L(x, ˆθ) = L[x, g (ˆk)] L(x, ˆθ) = L(x, ˆk) Quest ultima proprietà è molto importate soprattutto per due ragioi: a) Se si coosce il valore di ˆθ e si desidera stimare col metodo della massima verosimigliaza ua fuzioe del vero parametro icogito, o occorre ripetere il procedimeto di stima. b) È possibile applicare qualsiasi trasformazioe mootòa cotiua alla fuzioe L(x, θ) i modo da rederla più semplice da gestire a livello aalitico, seza implicare mutameti ei valori assuti dallo stimatore MLE.

13 Test basati sulla verosimigliaza Ua statistica test è ua statistica che ha ua distribuzioe ota (almeo per ) sotto l ipotesi ulla, cosicché è possibile costruire ua regioe di accettazioe e ua regioe di rifiuto. Ma come si costruisce ua statistica test? Uo degli approcci più usati i ecoometria è basato sulla verosimigliaza, ed è applicabile i tutte le situazioi i cui l ipotesi ulla possa essere scritta ella forma: g(θ ) = dove la fuzioe g(θ ) è cotiua, derivabile, ha come domiio lo spazio dei parametri Θ R k e come codomiio R q. I altri termii, questa fuzioe defiisce u sistema di q vicoli sui k parametri oggetto di stima. Naturalmete, si ha che q k. Esempio. Dato u campioe di variabili casuali ormali co media µ e variaza σ, il vettore dei parametri icogiti θ è: θ = [θ θ ] = ˆµ σ La fuzioe g(θ) corrispodete all ipotesi H : µ = è semplicemete: g(θ) = θ U ipotesi ulla più articolata, come ad esempio H : µ = σ avrebbe potuto essere espressa per mezzo della fuzioe g(θ) = θ θ oppure idifferetemete, g(θ) = θ θ La stima di massima verosimigliaza può essere effettuata teedo coto o meo dei vicoli g(θ ) =. Lo stimatore otteuto seza teer coto dei vicoli (già cosiderato el sottoparagrafo, e geeralmete idicato co la

14 Elemeti di statistica per l ecoometria otazioe ˆθ) si chiama stimatore libero. Si cosideri il seguete problema di ottimizzazioe: { Max L(x, θ) [.] Sub g(θ) = Lo stimatore otteuto come soluzioe del problema, prede il ome di stimatore vicolato, e di solito si idica co il simbolo θ. Si cosideri la Figura.: Figura. I tre test classici l idea di base è quella di cofrotare la soluzioe libera co quella vicolata e cosiderare valida l ipotesi ulla se le due soluzioi o soo troppo distati. I pratica, questo può essere fatto i tre modi diversi, ciò che coduce a defiire tre tipi di test: Test LR: la sigla LR sta per Likelihood Ratio, i italiao rapporto di verosimigliaza ; questo tipo di test è basato sul cofroto fra il massimo libero e il massimo vicolato, ossia sul cofroto fra l(x, ˆθ) e l(x, θ). Test W: oto come Test di Wald, esso poe direttamete a cofroto gli stimatori libero ˆθ e vicolato θ, aziché i rispettivi valori della verosimigliaza. Test LM: ache detto test dello score, si basa sul valore dello score i θ (ovviamete lo score valutato i ˆθ è ullo per costruzioe). La sigla LM sta per Lagrage Multipliers. Osservado uovamete la Figura. si può otare che il test LR è basato sulla differeza i ordiata fra la soluzioe libera e quella vicolata, metre il test W cosidera la differeza i ascissa. Il test LM, ivece, è basato sulla pedeza della log-verosimigliaza el puto di massimo vicolato, ossia sul 4

15 valore dello score i θ. U aspetto importate è che questi tre test soo asitoticamete equivaleti, cioè, sotto alcue blade codizioi di regolarità, risulta che: plim(lr W ) = plim(lr LM) = plim(w LM) = [.] Da questa proprietà deriva che essi hao ache la stessa distribuzioe asitotica, che solitamete risulta essere ua variabile casuale χ q, dove il umero dei g.d.l. q è pari a quello dei vicoli preseti all itero della fuzioe g(θ). Il test relativo all ipotesi ulla è pertato u test ad ua coda, co regioe di accettazioe pari a [, c α ], dove α è il livello di sigificatività e c α è il relativo valore critico della χ q. L esempio.5 rappreseta u caso particolare di questa proprietà. Per popolazioi distribuite ormalmete, quado si è i preseza di campioi di umerosità fiita, vale ioltre la relazioe:.. Test LR W LR LM [.] Il test LR è il più semplice da calcolare, ua volta che le soluzioi dei problemi di ottimo libero e vicolato siao etrambe dispoibili. La forma della statistica test è la seguete: [ LR = l(x, ˆθ) l(x, θ) ] [.4] Il ome è dovuto al fatto che la differeza fra le log-verosimigliaze è ovviamete uguale al logaritmo aturale del rapporto fra le fuzioi di verosimigliaza, cioè: [ L(x, LR = l ˆθ) ] L(x, θ) [.5] Esempio. Sia dato u campioe di variabili X i, distribuite come espoeziali egative i.i.d. co le segueti caratteristiche: ampiezza campioaria = 4; media aritmetica X =.8. Calcolare u test LR per l ipotesi H : θ =. Poiché la fuzioe di desità dell i-esima osservazioe è: La fuzioe di log-verosimigliaza è data da f(x i, θ) = θe θx i l(θ) = (l θ θ X) Si deduce facilmete che la stima libera di θ è pari a: ˆθ = X =.5 Si veda i proposito l Esempio.5. 5

16 Elemeti di statistica per l ecoometria Il valore della log-verosimigliaza el puto di massimo è pari a: l(ˆθ) = (l.5 ) = 4 (.7769) =.746 Il puto di massimo vicolato è l uico valore possibile per θ sotto l ipotesi ulla, ossia θ = θ = ; la log-verosimigliaza corrispodete è Applicado la [.4] risulta: l( θ) = (l.8) = 4 (.8) = LR = [.746 ( )] = 8.55 Sotto l ipotesi ulla, il test si distribuisce come ua χ. I valori critici per tale distribuzioe soo: α χ %.755 5%.844 % L ipotesi viee rifiutata a qualuque livello di sigificatività... Test W Il test di Wald è reso possibile dalla ormalità asitotica dello stimatore di massima verosimigliaza, espressa dalla seguete espressioe: ) d (ˆθ θ N (, A ) dove A = I(θ ). Se questo è vero, è possibile utilizzare i risultati di teoria asitotica (i particolare il delta method ) per affermare che, sotto l ipotesi ulla, vale la relazioe: d g(ˆθ) N (, Ω) [.6] co Ω = GA G e G = g(θ). θ I pratica, si parte dalla distribuzioe asitotica dello stimatore per calcolare la distribuzioe asitotica della fuzioe vicolo g(ˆθ). Pertato, se H è vera, la statistica test di Wald è data dalla seguete forma quadratica: [ ] W = g(ˆθ) Ω g(ˆθ) [.7] La [.7] coverge ad ua variabile casuale χ q dove q rappreseta il umero di vicoli imposti sui parametri dalla fuzioe g(ˆθ). Nel caso i cui la matrice Ω o fosse osservabile, è sufficiete dal puto di vista asitotico usare u suo stimatore cosistete. Si veda i proposito la proprietà. di pag.. 6

17 Esempio. Co gli stessi dati dell esempio., calcolare u test di Wald. Distribuzioe asitotica dello stimatore ˆθ: derivado due volte la fuzioe di log-verosimigliaza si ottiee: H(θ) = l(θ) =» «θ X = θ La matrice di iformazioe di Fisher è pari al egativo del valore atteso dell Hessiao quidi risulta essere uguale a: I(θ) = θ quidi ˆθ θ d N `, θ Il vicolo i questo caso è molto semplice i quato si ha g(θ) = θ e di cosegueza G =. Il test di Wald, pertato può basarsi sul fatto che, sotto l ipotesi ulla, risulta: d ˆθ N (, ) La statistica test ha quidi la seguete distribuzioe: W = ˆθ χ Co i dati dell esempio si ha: W = 4 (.5 ) = 4.65 = 5 Ache i questo caso l ipotesi ulla viee rifiutata... Test LM Il criterio su cui si basa il test LM è il seguete: se l ipotesi ulla è vera, allora lo stimatore vicolato θ deve essere cosistete. I questo caso la fuzioe casuale s(x, θ) asitoticamete deve avere le stesse proprietà sia che vega calcolata el vero parametro θ, sia i θ. Nell ipotesi di variabili i.i.d. risulta che: - E [s(x i, θ )] = - V ar [s(x i, θ )] = I(θ ) dove I(θ ) = I(θ ). A questo puto è possibile ivocare il TLC di Lideberg- Lévy per affermare la ormalità asitotica della media aritmetica degli score, cioè: ] s(x, θ ) = [ s(x i, θ ) 7 d N (, I(θ ) ) [.8]

18 Elemeti di statistica per l ecoometria Costruedo la forma quadratica si ha: s(x, θ ) I(θ ) s(x, θ ) = s(x, θ ) I(θ ) d s(x, θ ) χ q [.9] Poiché se H è vera risulta che θ Pr θ, allora e cosegue ache che: LM = s(x, θ) I( θ) s(x, θ) d χ q [.] È possibile dimostrare che questo test è asitoticamete equivalete ai test LR e W, cosicché il umero di g.d.l. del test è pari al umero dei vicoli q. Come risultato, è possibile impostare u test a ua coda la cui regioe di rifiuto è data da: LM > c α dove c α è quel valore tale per cui P r(χ q > c α ) = α. Esempio.4 Co gli stessi dati dell esempio., calcolare u test LM. Nell esempio. abbiamo già calcolato score e matrice di iformazioe, per cui o resta che da applicare la [.]. «s( θ) = θ X = ( X) La statistica test è: I( θ) = I() = LM = ( X) ( X) = ( X) Essa ha ua distribuzioe asitotica χ co g.d.l. Si oti che i questo particolare cotesto il test LM è idetico al test W quidi la stessa statistica test può essere iterpretata i etrambi i modi. Come ell esempio. risulta: LM = 4 (.8) = 4.4 = 6 Ache i quest ambito l ipotesi ulla o può essere accettata. Si oti ioltre che la codizioe [.] è rispettata...4 Criteri di scelta fra i tre test classici Dovrebbe essere chiaro dalla discussioe precedete che la scelta di quale dei tre test classici usare i pratica o può essere basato su cosiderazioi di atura asitotica, visto che i test soo asitoticamete equivaleti. I certi cotesti è possibile impostare u cofroto sulle proprietà dei test i campioi fiiti, ma di regola questa è ua via difficilmete praticabile. Il criterio che si utilizza di solito è quello della semplicità di calcolo: ifatti, 8

19 oguo dei tre test ha la particolarità di richiedere, per il suo calcolo, iformazioi che o soo richieste per gli altri due. La differeza è evidete fra i test LM e W: ifatti, il primo è calcolabile solo a partire dal puto di massimo vicolato, metre il secodo richede la sola coosceza del massimo libero (si vedao gli esempi. e.4). Il test LR viceversa, richiede la coosceza di ambo le soluzioi. Esso, tuttavia, o richiede il calcolo delle derivate della fuzioe di log-verosimigliaza (ecessario egli altri due casi), i quato è sufficiete calcolare la differeza fra l(x, ˆθ) e l(x, θ) e moltiplicarla per due. Esempio.5 Data ua popolazioe X N(µ, σ /) co σ oto, data H : µ = µ, si verifichi che i test LR, W e LM coicidoo per.. Fuzioe log-verosimigliaza:. Score: l(x, µ) = k l σ σ s(x, µ) = σ X. Iversa della matrice di iformazioe di Fisher: (X i µ) (X i µ) I(µ) = σ " # LR = (X σ i ˆµ) + (X σ i µ ) # LR = " (X σ i ˆµ) + (X i µ ) LR = σ ` X µ W = (ˆµ µ) I(ˆµ) W = σ ( X µ ) " # σ LM = (X σ i µ ) LM = σ ˆ X µ) LM = σ ( X µ ) Il risultato a cui si giuge è LR=W=LM= σ ( X µ ). Quado si ha perciò l equivaleza asitotica dei test classici, cioè: LR, W, LM χ 9

20 Elemeti di statistica per l ecoometria Esempio.6 Negli esempi. e.4 soo state determiate le equazioi dello stimatore ML, della log-verosimigliaza e della matrice di iformazioe di Fisher relative ad ua popolazioe distribuita come ua variabile casuale ormale. Utilizzado tali iformazioi calcolare i test LR, W e LM relativi all ipotesi ulla che la popolazioe abbia distribuzioe ormale stadardizzata, sapedo che: - X i = - Xi = 47 - = 5 L ipotesi ulla è: H :»» µ σ o alterativamete j µ = σ = =» Gli stimatori ML per la media e per la variaza soo rispettivamete: X = X i =. s =. Test LR Xi X =.9 " LR = l ˆσ (X ˆσ i ˆµ) + l σ + σ " # LR = l ˆσ + X i LR = [ 5 (.5) ] =.5 # (X i µ). Test W La matrice Jacobiaa calcolata sul vicolo è G = I dove I è la matrice idetità. La matrice Ω sarà perciò:» Ω = I(ˆµ, ˆσ ˆσ ) = ˆσ Si costruisce pertato la seguete forma quadratica: W = ˆ ˆµ ˆσ»» ˆσ ˆσ 4 W = 5 ˆ..».9.6 ˆµ ˆσ». = 6..

21 . Test LM Lo score el modello vicolato é: (X s(x, µ, σ σ i µ) ) = 6 4 σ + 7 (X σ 4 i µ) 5 = L iversa della matrice di iformazioe di Fisher calcolata sotto H è: σ I( µ, σ 6 ) = 4 7 σ 4 5 = La statisica test è perciò: LM = ˆ 5 4 5» Poiché χ = l ipotesi ulla o può essere accettata. X i X i = = 4 5 5

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DI UN GRUPPO DI OSSERVAZIONI O DI ESPERIMENTI, SI PERVIENE A CERTE CONCLUSIONI, LA CUI VALIDITA PER UN COLLETTIVO Più AMPIO E ESPRESSA

Dettagli

Sintassi dello studio di funzione

Sintassi dello studio di funzione Sitassi dello studio di fuzioe Lavoriamo a perfezioare quato sapete siora. D ora iazi pretederò che i risultati che otteete li SCRIVIATE i forma corretta dal puto di vista grammaticale. N( x) Data la fuzioe:

Dettagli

CONCETTI BASE DI STATISTICA

CONCETTI BASE DI STATISTICA CONCETTI BASE DI STATISTICA DEFINIZIONI Probabilità U umero reale compreso tra 0 e, associato a u eveto casuale. Esso può essere correlato co la frequeza relativa o col grado di credibilità co cui u eveto

Dettagli

LA DERIVATA DI UNA FUNZIONE

LA DERIVATA DI UNA FUNZIONE LA DERIVATA DI UNA FUNZIONE OBIETTIVO: Defiire lo strumeto matematico ce cosete di studiare la cresceza e la decresceza di ua fuzioe Si comicia col defiire cosa vuol dire ce ua fuzioe è crescete. Defiizioe:

Dettagli

Appunti di Statistica Matematica Inferenza Statistica Multivariata Anno Accademico 2014/15

Appunti di Statistica Matematica Inferenza Statistica Multivariata Anno Accademico 2014/15 Apputi di Statistica Matematica Ifereza Statistica Multivariata Ao Accademico 014/15 November 19, 014 1 Campioi e modelli statistici Siao Ω, A, P uo spazio di probabilità e X = X 1,..., X u vettore aleatorio

Dettagli

3.4 Tecniche per valutare uno stimatore

3.4 Tecniche per valutare uno stimatore 3.4 Teciche per valutare uo stimatore 3.4. Il liguaggio delle decisioi statistiche, stimatori corretti e stimatori cosisteti La teoria delle decisioi forisce u liguaggio appropriato per discutere sulla

Dettagli

Capitolo 8 Le funzioni e le successioni

Capitolo 8 Le funzioni e le successioni Capitolo 8 Le fuzioi e le successioi Prof. A. Fasao Fuzioe, domiio e codomiio Defiizioe Si chiama fuzioe o applicazioe dall isieme A all isieme B ua relazioe che fa corrispodere ad ogi elemeto di A u solo

Dettagli

Metodi statistici per l'analisi dei dati

Metodi statistici per l'analisi dei dati Metodi statistici per l aalisi dei dati due Motivazioi Obbiettivo: Cofrotare due diverse codizioi (ache defiiti ) per cui soo stati codotti gli esperimeti. Metodi tatistici per l Aalisi dei Dati due Esempio

Dettagli

Soluzione La media aritmetica dei due numeri positivi a e b è data da M

Soluzione La media aritmetica dei due numeri positivi a e b è data da M Matematica per la uova maturità scietifica A. Berardo M. Pedoe 6 Questioario Quesito Se a e b soo umeri positivi assegati quale è la loro media aritmetica? Quale la media geometrica? Quale delle due è

Dettagli

EQUAZIONI ALLE RICORRENZE

EQUAZIONI ALLE RICORRENZE Esercizi di Fodameti di Iformatica 1 EQUAZIONI ALLE RICORRENZE 1.1. Metodo di ufoldig 1.1.1. Richiami di teoria Il metodo detto di ufoldig utilizza lo sviluppo dell equazioe alle ricorreze fio ad u certo

Dettagli

SERIE NUMERICHE. (Cosimo De Mitri) 1. Definizione, esempi e primi risultati... pag. 1. 2. Criteri per serie a termini positivi... pag.

SERIE NUMERICHE. (Cosimo De Mitri) 1. Definizione, esempi e primi risultati... pag. 1. 2. Criteri per serie a termini positivi... pag. SERIE NUMERICHE (Cosimo De Mitri. Defiizioe, esempi e primi risultati... pag.. Criteri per serie a termii positivi... pag. 4 3. Covergeza assoluta e criteri per serie a termii di sego qualsiasi... pag.

Dettagli

Capitolo Decimo SERIE DI FUNZIONI

Capitolo Decimo SERIE DI FUNZIONI Capitolo Decimo SERIE DI FUNZIONI SUCCESSIONI DI FUNZIONI I cocetti di successioe e di serie possoo essere estesi i modo molto aturale al caso delle fuzioi DEFINIZIONE Sia E u sottoisieme di  e, per ogi

Dettagli

IL CALCOLO COMBINATORIO

IL CALCOLO COMBINATORIO IL CALCOLO COMBINATORIO Calcolo combiatorio è il termie che deota tradizioalmete la braca della matematica che studia i modi per raggruppare e/o ordiare secodo date regole gli elemeti di u isieme fiito

Dettagli

8. Quale pesa di più?

8. Quale pesa di più? 8. Quale pesa di più? Negli ultimi ai hao suscitato particolare iteresse alcui problemi sulla pesatura di moete o di pallie. Il primo problema di questo tipo sembra proposto da Tartaglia el 1556. Da allora

Dettagli

Il confronto tra DUE campioni indipendenti

Il confronto tra DUE campioni indipendenti Il cofroto tra DUE camioi idiedeti Il cofroto tra DUE camioi idiedeti Cofroto tra due medie I questi casi siamo iteressati a cofrotare il valore medio di due camioi i cui i le osservazioi i u camioe soo

Dettagli

Test non parametrici. sono uguali a quelle teoriche. (probabilità attesa), si calcola la. , cioè che le frequenze empiriche

Test non parametrici. sono uguali a quelle teoriche. (probabilità attesa), si calcola la. , cioè che le frequenze empiriche est o parametrici Il test di Studet per uo o per due campioi, il test F di Fisher per l'aalisi della variaza, la correlazioe, la regressioe, isieme ad altri test di statistica multivariata soo parte dei

Dettagli

I numeri complessi. Pagine tratte da Elementi della teoria delle funzioni olomorfe di una variabile complessa

I numeri complessi. Pagine tratte da Elementi della teoria delle funzioni olomorfe di una variabile complessa I umeri complessi Pagie tratte da Elemeti della teoria delle fuzioi olomorfe di ua variabile complessa di G. Vergara Caffarelli, P. Loreti, L. Giacomelli Dipartimeto di Metodi e Modelli Matematici per

Dettagli

Sommario lezioni di Probabilità versione abbreviata

Sommario lezioni di Probabilità versione abbreviata Sommario lezioi di Probabilità versioe abbreviata C. Frachetti April 28, 2006 1 Lo spazio di probabilità. 1.1 Prime defiizioi I possibili risultati di u esperimeto costituiscoo lo spazio dei campioi o

Dettagli

( ) ( ) ( ) ( ) ( ) CAPITOLO VII DERIVATE. (3) D ( x ) = 1 derivata di un monomio con a 0

( ) ( ) ( ) ( ) ( ) CAPITOLO VII DERIVATE. (3) D ( x ) = 1 derivata di un monomio con a 0 CAPITOLO VII DERIVATE. GENERALITÀ Defiizioe.) La derivata è u operatore che ad ua fuzioe f associa u altra fuzioe e che obbedisce alle segueti regole: () D a a a 0 0 0 derivata di u moomio D 6 D 0 D ()

Dettagli

8) Sia Dato un mazzo di 40 carte. Supponiamo che esso sia mescolato in modo

8) Sia Dato un mazzo di 40 carte. Supponiamo che esso sia mescolato in modo ESERCIZI DI CALCOLO DELLE PROBABILITÁ ) Qual e la probabilita che laciado dadi a facce o esca essu? Studiare il comportameto asitotico di tale probabilita per grade. ) I u sacchetto vi soo 0 pallie biache;

Dettagli

4. Metodo semiprobabilistico agli stati limite

4. Metodo semiprobabilistico agli stati limite 4. Metodo seiprobabilistico agli stati liite Tale etodo cosiste el verificare che le gradezze che ifluiscoo i seso positivo sulla, valutate i odo da avere ua piccolissia probabilità di o essere superate,

Dettagli

ESERCITAZIONE L adsorbimento su carbone attivo

ESERCITAZIONE L adsorbimento su carbone attivo ESERCITAZIONE adsorbimeto su carboe attivo ezioi di riferimeto: Processi basati sul trasferimeto di materia Adsorbimeto su carboi attivi Testi di riferimeto: Water treatmet priciples ad desi, WH Pricipi

Dettagli

Sistemi LTI descrivibile mediante SDE (Equazioni alle Differenze Standard)

Sistemi LTI descrivibile mediante SDE (Equazioni alle Differenze Standard) Sistemi LTI descrivibile mediate SDE (Equazioi alle Differeze Stadard) Nella classe dei sistemi LTI ua sottoclasse è quella dei sistemi defiiti da Equazioi Stadard alle Differeze Fiite (SDE), dette così

Dettagli

1. MODELLO DINAMICO AD UN GRADO DI LIBERTÀ. 1 Alcune definizioni preliminari

1. MODELLO DINAMICO AD UN GRADO DI LIBERTÀ. 1 Alcune definizioni preliminari . MODELLO DINAMICO AD UN GRADO DI LIBERTÀ Alcue defiizioi prelimiari I sistemi vibrati possoo essere lieari o o lieari: el primo caso vale il pricipio di sovrapposizioe degli effetti el secodo o. I geerale

Dettagli

L OFFERTA DI LAVORO 1

L OFFERTA DI LAVORO 1 L OFFERTA DI LAVORO 1 La famiglia come foritrice di risorse OFFERTA DI LAVORO Notazioe utile: T : dotazioe di tempo (ore totali) : ore dedicate al tempo libero l=t- : ore dedicate al lavoro : cosumo di

Dettagli

Esame di Matematica 2 Mod.A (laurea in Matematica) prova di accertamento del 4 novembre 2005

Esame di Matematica 2 Mod.A (laurea in Matematica) prova di accertamento del 4 novembre 2005 Esame di Matematica 2 ModA (laurea i Matematica prova di accertameto del 4 ovembre 25 ESERCIZIO Si poga a 3 5 + 9 e b 2 4 6 + 6 ( (a Si determii d MCD(a, b e gli iteri m, Z tali che d ma + b co m < b ed

Dettagli

LEZIONI DI MATEMATICA PER I MERCATI FINANZIARI VALUTAZIONE DI TITOLI OBBLIGAZIONARI E STRUTTURA PER SCADENZA DEI TASSI DI INTERESSE

LEZIONI DI MATEMATICA PER I MERCATI FINANZIARI VALUTAZIONE DI TITOLI OBBLIGAZIONARI E STRUTTURA PER SCADENZA DEI TASSI DI INTERESSE LEZIONI DI MATEMATICA PER I MERCATI FINANZIARI Dipartimeto di Sieze Eoomihe Uiversità di Veroa VALUTAZIONE DI TITOLI OBBLIGAZIONARI E STRUTTURA PER SCADENZA DEI TASSI DI INTERESSE Lezioi di Matematia per

Dettagli

ESERCIZI DI ANALISI I. Prof. Nicola Fusco 1. Determinare l insieme in cui sono definite le seguenti funzioni:

ESERCIZI DI ANALISI I. Prof. Nicola Fusco 1. Determinare l insieme in cui sono definite le seguenti funzioni: N. Fusco ESERCIZI DI ANALISI I Prof. Nicola Fusco Determiare l isieme i cui soo defiite le segueti fuzioi: ) log/ arctg π ) 4 ) log π 6 arcse ) ) tg log π + ) 4) 4 se se se tg 5) se cos tg 6) [ 6 + 8 π

Dettagli

Verifica d Ipotesi. Se invece che chiederci quale è il valore di una media in una popolazione (stima. o falsa? o falsa?

Verifica d Ipotesi. Se invece che chiederci quale è il valore di una media in una popolazione (stima. o falsa? o falsa? Verifica d Iotesi Se ivece che chiederci quale è il valore ua mea i ua oolazioe (stima utuale Se ivece e itervallo che chiederci cofideza) quale è il avessimo valore u idea ua mea su quello i ua che oolazioe

Dettagli

Motori maxon DC e maxon EC Le cose più importanti

Motori maxon DC e maxon EC Le cose più importanti Motori maxo DC e maxo EC Il motore come trasformatore di eergia Il motore elettrico trasforma la poteza elettrica P el (tesioe U e correte I) i poteza meccaica P mech (velocità e coppia M). Le perdite

Dettagli

La sicurezza sul lavoro: obblighi e responsabilità

La sicurezza sul lavoro: obblighi e responsabilità La sicurezza sul lavoro: obblighi e resposabilità Il Testo uico sulla sicurezza, Dlgs 81/08 è il pilastro della ormativa sulla sicurezza sul lavoro. I sostaza il Dlgs disciplia tutte le attività di tutti

Dettagli

Indagini sui coregoni del Lago Maggiore: Analisi sui pesci catturati nel 2010

Indagini sui coregoni del Lago Maggiore: Analisi sui pesci catturati nel 2010 Idagii sui coregoi del Lago Maggiore: Aalisi sui pesci catturati el 1 Rapporto commissioato dal Dipartimeto del territorio, Ufficio della caccia e della pesca, Via Stefao Frascii 17 51 Bellizoa Aprile

Dettagli

Dimostrazione della Formula per la determinazione del numero di divisori-test di primalità, di Giorgio Lamberti

Dimostrazione della Formula per la determinazione del numero di divisori-test di primalità, di Giorgio Lamberti Gorgo Lambert Pag. Dmostrazoe della Formula per la determazoe del umero d dvsor-test d prmaltà, d Gorgo Lambert Eugeo Amtrao aveva proposto l'dea d ua formula per calcolare l umero d dvsor d u umero, da

Dettagli

Supponiamo, ad esempio, di voler risolvere il seguente problema: in quanti modi quattro persone possono sedersi l una accanto all altra?

Supponiamo, ad esempio, di voler risolvere il seguente problema: in quanti modi quattro persone possono sedersi l una accanto all altra? CALCOLO COMBINATORIO 1.1 Necessità del calcolo combiatorio Accade spesso di dover risolvere problemi dall'appareza molto semplice, ma che richiedoo calcoli lughi e oiosi per riuscire a trovare delle coclusioi

Dettagli

INTRODUZIONE ALLE SUCCESSIONI E SERIE: ALCUNI ESEMPI NOTEVOLI

INTRODUZIONE ALLE SUCCESSIONI E SERIE: ALCUNI ESEMPI NOTEVOLI INTRODUZIONE ALLE SUCCESSIONI E SERIE: ALCUNI ESEMPI NOTEVOLI Mirta Debbia LS A. F. Formiggii di Sassuolo (MO) - debbia.m@libero.it Maria Cecilia Zoboli - LS A. F. Formiggii di Sassuolo (MO) - cherubii8@libero.it

Dettagli

1. L'INSIEME DEI NUMERI REALI

1. L'INSIEME DEI NUMERI REALI . L'INSIEME DEI NUMERI REALI. I pricipli isiemi di umeri Ripredimo i pricipli isiemi umerici N, l'isieme dei umeri turli 0; ; ; ; ;... L'ide ituitiv di umero turle è ssocit l prolem di cotre e ordire gli

Dettagli

MATEMATICA FINANZIARIA

MATEMATICA FINANZIARIA Capializzazioe semplice e composa MATEMATICA FINANZIARIA Immagiiamo di impiegare 4500 per ai i ua operazioe fiaziaria che frua u asso del, % auo. Quao avremo realizzao alla fie dell operazioe? I u coeso

Dettagli

Comportamento delle strutture in C.A. in Zona Sismica

Comportamento delle strutture in C.A. in Zona Sismica Comportameto delle strutture i c.a. i zoa sismica Pagia i/161 Comportameto delle strutture i C.A. i Zoa Sismica Prof. Paolo Riva Dipartimeto di Progettazioe e ecologie Facoltà di Igegeria Uiversità di

Dettagli

Metodi d integrazione di Montecarlo

Metodi d integrazione di Montecarlo Metodi d itegrzioe di Motecrlo Simulzioe l termie simulzioe ell su ccezioe scietific h u sigificto diverso dll ccezioe correte. Nell uso ordirio è sioimo si fizioe; ell uso scietifico è sioimo di imitzioe,

Dettagli

l = 0, 1, 2, 3,,, n-1n m = 0, ±1,

l = 0, 1, 2, 3,,, n-1n m = 0, ±1, NUMERI QUANTICI Le autofuzioi soo caratterizzate da tre parametri chiamati NUMERI QUANTICI e soo completamete defiite dai loro valori: : umero quatico pricipale l : umero quatico secodario m : umero quatico

Dettagli

Esercizi Le leggi dei gas. Lo stato gassoso

Esercizi Le leggi dei gas. Lo stato gassoso Esercizi Le lei dei as Lo stato assoso Ua certa quatità di as cloro, alla pressioe di,5 atm, occupa il volume di 0,58 litri. Calcola il volume occupato dal as se la pressioe viee portata a,0 atm e se la

Dettagli

unoperatore@nellospaziodihilberth e sia z un numero complesso tale che z1-a,da==)rr_néh - 0 impli-chi l:= -1 (21-A) : R- n ==) Dn L- \

unoperatore@nellospaziodihilberth e sia z un numero complesso tale che z1-a,da==)rr_néh - 0 impli-chi l:= -1 (21-A) : R- n ==) Dn L- \ 3,6 56 3,6 TEOR I A SPETTRALE La teoria spettrale degli operatori lieari- eo spazio di Hilbert é f odata, coe per gi spazi f i-ito-dimes ioal j-, sula defiizioe di- risolvete di u operatole' Sia (A,DA)

Dettagli

Dall atomo di Bohr alla costante di struttura fine

Dall atomo di Bohr alla costante di struttura fine Dall atomo di Bohr alla ostate di struttura fie. INFORMAZIONI SPETTROSCOPICHE SUGLI ATOMI E be oto he ogi sostaza opportuamete eitata emette radiazioi elettromagetihe. Co uo spettrosopio, o strumeti aaloghi,

Dettagli

aleatoria; se è nota la sua densità di probabilità ad essa si può associare una valore medio statistico. La grandezza così definita: (III.1.

aleatoria; se è nota la sua densità di probabilità ad essa si può associare una valore medio statistico. La grandezza così definita: (III.1. Caitolo III VALORI MEDI. SAZIONARIEÀ ED ERGODICIÀ III. - Mdi tatitich dl rimo ordi. Sia f( ) ua fuzio cotiua i aoci al gal alatorio (, t ζ ) la uatità dfiita dalla y f[(, t ζ )]. Ea idividua, a ua volta,

Dettagli

Stim e puntuali. Vocabolario. Cambiando campione casuale, cambia l istogramma e cambiano gli indici

Stim e puntuali. Vocabolario. Cambiando campione casuale, cambia l istogramma e cambiano gli indici Stm e putual Probabltà e Statstca I - a.a. 04/05 - Stmator Vocabolaro Popolazoe: u seme d oggett sul quale s desdera avere Iformazo. Parametro: ua caratterstca umerca della popolazoe. E u Numero fssato,

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

Valutazione delle prestazioni termiche di sistemi con solai termoattivi in regime non stazionario

Valutazione delle prestazioni termiche di sistemi con solai termoattivi in regime non stazionario Valutazioe delle prestazioi termiche di sistemi co solai termoattivi i regime o stazioario MICHELE DE CARLI, Ph.D., Ricercatore, Dipartimeto di Fisica Tecica, Uiversità degli Studi di Padova, Padova, Italia.

Dettagli

PENSIONI INPDAP COME SI CALCOLANO

PENSIONI INPDAP COME SI CALCOLANO Mii biblioteca de Il Giorale Ipdap per rederci coto e sapere di piu Mii biblioteca de Il Giorale Ipdap per rederci coto e sapere di piu PENSIONI INPDAP COME SI CALCOLANO I tre sistemi I cique pilastri

Dettagli

DOMINI DI CURVATURA DI SEZIONI IN C.A. IN PRESSOFLESSIONE DEVIATA. PARTE II: VALUTAZIONE SEMPLIFICATA

DOMINI DI CURVATURA DI SEZIONI IN C.A. IN PRESSOFLESSIONE DEVIATA. PARTE II: VALUTAZIONE SEMPLIFICATA Valutazioe e riduzioe della vulerailità sismia di ediii esisteti i.a. Roma, 9-0 maggio 00 DOMINI DI CURVATURA DI SEZIONI IN C.A. IN PRESSOFLESSIONE DEVIATA. PARTE II: VALUTAZIONE SEMPLIFICATA Di Ludovio

Dettagli

Introduzione (1) Introduzione (2) Prodotti e servizi sono realizzati per mezzo di processi produttivi.

Introduzione (1) Introduzione (2) Prodotti e servizi sono realizzati per mezzo di processi produttivi. Iroduzioe () Ua defiizioe (geerale) del ermie qualià: qualià è l isieme delle caraerisiche di u eià (bee o servizio) che e deermiao la capacià di soddisfare le esigeze espresse ed implicie di chi la uilizza.

Dettagli

Le operazioni fondamentali in N Basic Arithmetic Operations in N

Le operazioni fondamentali in N Basic Arithmetic Operations in N Operzioi fodetli i - 1 Le operzioi fodetli i Bsic Arithetic Opertios i I geerle u operzioe è u procedieto che due o più ueri, dti i u certo ordie e detti terii dell'operzioe, e ssoci u ltro, detto risultto

Dettagli

FONDAMENTI DI MECCANICA APPLICATA ALLE MACCHINE

FONDAMENTI DI MECCANICA APPLICATA ALLE MACCHINE DISPENSE DI: FONDAMENTI DI MECCANICA APPLICATA ALLE MACCHINE Testo di riferieto E. Fuaioli ed altri Meccaica applicata alle acchie vol. e - Ed. Patro BOZZA Idice. INTRODUZIONE ALLA MECCANICA APPLICATA

Dettagli

AcidSoft. Le nostre soluzioni. Innovazione

AcidSoft. Le nostre soluzioni. Innovazione AiSoft AiSoft ase alla passioe per l'iformatio teology e si oretizza i ua realtà impreitoriale, ua perfetta reazioe imia tra ooseza teia e reatività per realizzare progetti i grae iovazioe. Le ostre soluzioi

Dettagli

Indici di Posizione. Gli indici si posizione sono misure sintetiche ( valori caratteristici ) che descrivono la tendenza centrale di un fenomeno

Indici di Posizione. Gli indici si posizione sono misure sintetiche ( valori caratteristici ) che descrivono la tendenza centrale di un fenomeno Idc d Poszoe Gl dc s poszoe soo msure stetche ( valor caratterstc ) che descrvoo la tedeza cetrale d u feomeo La tedeza cetrale è, prma approssmazoe, la modaltà della varable verso la quale cas tedoo a

Dettagli

Interpolazione. Davide Manca Calcoli di Processo dell Ingegneria Chimica Politecnico di Milano

Interpolazione. Davide Manca Calcoli di Processo dell Ingegneria Chimica Politecnico di Milano L4 Iterpolazioe L4 Prologo Co iterpolazioe si itede il processo di idividuare ua fuzioe, spesso u poliomio, che passi per u isieme dato di puti: (x,y). y x L4 2 Fii dell iterpolazioe 1. Sostituire u isieme

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

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

ARGOMENTO: MISURA DELLA RESISTENZA ELETTRICA CON IL METODO VOLT-AMPEROMETRICO.

ARGOMENTO: MISURA DELLA RESISTENZA ELETTRICA CON IL METODO VOLT-AMPEROMETRICO. elazoe d laboratoro d Fsca corso M-Z Laboratoro d Fsca del Dpartmeto d Fsca e Astrooma dell Uverstà degl Stud d Cataa. Scala Stefaa. AGOMENTO: MSUA DELLA ESSTENZA ELETTCA CON L METODO OLT-AMPEOMETCO. NTODUZONE:

Dettagli

USUFRUTTO. 5) Quali sono le spese a carico dell usufruttuario

USUFRUTTO. 5) Quali sono le spese a carico dell usufruttuario USUFRUTTO 1) Che cos è l sfrtto e come si pò costitire? L sfrtto è il diritto di godimeto ( ovvero di possesso) di bee altri a titolo gratito ; viee chiamato sfrttario chi esercita tale diritto, metre

Dettagli

I radicali 1. Claudio CANCELLI (www.claudiocancelli.it)

I radicali 1. Claudio CANCELLI (www.claudiocancelli.it) I rdicli Cludio CANCELLI (www.cludioccelli.it) Ed..0 www.cludioccelli.it Dec. 0 I rdicli INDICE DEI CONTENUTI. I RADICALI... INDICE DI RADICE PARI...4 INDICE DI RADICE DISPARI...5 RADICALI SIMILI...6 PROPRIETA

Dettagli

Analisi dei segnali nel dominio del tempo

Analisi dei segnali nel dominio del tempo Appui di Teoria dei Segali a.a. / Aalisi dei segali el domiio del empo L.Verdoliva I quesa prima pare del corso sudieremo come rappreseare i segali empo coiuo e discreo el domiio del empo e defiiremo le

Dettagli

ALCUNI ELEMENTI DI TEORIA DELLA STIMA

ALCUNI ELEMENTI DI TEORIA DELLA STIMA ALCUNI ELEMENTI DI TEORIA DELLA STIMA Quado s vuole valutare u parametro θ ad esempo: meda, varaza, proporzoe, oeffete d regressoe leare, oeffete d orrelazoe leare, e) d ua popolazoe medate u ampoe asuale,

Dettagli

3M Prodotti per la protezione al fuoco. Building & Commercial Services

3M Prodotti per la protezione al fuoco. Building & Commercial Services 3M Prodotti per la protezioe al fuoco Buildig & Commercial Services Idice Sviluppi e treds...4-5 3M e le soluzioi aticedio...6-7 Dispositivi di attraversameto...8-19 Giuti di costruzioe...20-21 Sistemi

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

Tavola 1 - Popolazione italiana residente alle date dei censimenti generali, riportata ai confini attuali - Anni 1861-2001 (migliaia di unità)

Tavola 1 - Popolazione italiana residente alle date dei censimenti generali, riportata ai confini attuali - Anni 1861-2001 (migliaia di unità) 4 Quai eravamo, quai siamo, quai saremo Che cosa si impara el capiolo 4 er cooscere le caraerisiche e l evoluzioe della popolazioe ialiaa araverso u lugo arco di empo uilizziamo il asso di icremeo medio

Dettagli

La ricerca operativa

La ricerca operativa S.S.I.S. PUGLIA Anno Accademico 2003/2004 Laboratorio di didattica della matematica per l economia e la finanza La ricerca operativa Prof. Palmira Ronchi (palmira.ronchi@ssis.uniba.it) Gli esercizi presenti

Dettagli

Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014

Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014 Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 14 Problema 1 Punto a) Osserviamo che g (x) = f(x) e pertanto g () = f() = in quanto Γ è tangente all asse delle ascisse,

Dettagli

APPROFONDIMENTI SUI NUMERI

APPROFONDIMENTI SUI NUMERI APPROFONDIMENTI SUI NUMERI. Il sistem di umerzioe deimle Be presto, ll operzioe turle del otre, si è ggiut l esigez di «rppresetre» i umeri. I sistemi di umerzioe possiili soo molti; per or i limitimo

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

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

LE TRASFORMAZIONI GEOMETRICHE NEL PIANO

LE TRASFORMAZIONI GEOMETRICHE NEL PIANO LE TRASFORMAZIONI GEOMETRICHE NEL PIANO Una trasformazione geometrica è una funzione che fa corrispondere a ogni punto del piano un altro punto del piano stesso Si può pensare come MOVIMENTO di punti e

Dettagli

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2 NLP -OPT 1 CONDIZION DI OTTIMO [ Come ricavare le condizioni di ottimo. ] Si suppone x* sia punto di ottimo (minimo) per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J la condizione

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

(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

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

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

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

LA FUNZIONE ESPONENZIALE E IL LOGARITMO

LA FUNZIONE ESPONENZIALE E IL LOGARITMO LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e

Dettagli

Funzione reale di variabile reale

Funzione reale di variabile reale Funzione reale di variabile reale Siano A e B due sottoinsiemi non vuoti di. Si chiama funzione reale di variabile reale, di A in B, una qualsiasi legge che faccia corrispondere, a ogni elemento A x A

Dettagli

SISTEMI LINEARI QUADRATI: METODI ITERATIVI

SISTEMI LINEARI QUADRATI: METODI ITERATIVI SISTEMI LINEARI QUADRATI: METODI ITERATIVI CALCOLO NUMERICO e PROGRAMMAZIONE SISTEMI LINEARI QUADRATI:METODI ITERATIVI p./54 RICHIAMI di ALGEBRA LINEARE DEFINIZIONI A R n n simmetrica se A = A T ; A C

Dettagli

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito. INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati

Dettagli

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

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

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

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

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

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

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

Studio grafico-analitico delle funzioni reali a variabile reale

Studio grafico-analitico delle funzioni reali a variabile reale Studio grafico-analitico delle funzioni reali a variabile reale Sequenza dei passi Classificazione In pratica Classifica il tipo di funzione: Funzione razionale: intera / fratta Funzione irrazionale: intera

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

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

Funzioni di più variabili. Ottimizzazione libera e vincolata

Funzioni di più variabili. Ottimizzazione libera e vincolata libera e vincolata Generalità. Limiti e continuità per funzioni di 2 o Piano tangente. Derivate successive Formula di Taylor libera vincolata Lo ordinario è in corrispondenza biunivoca con i vettori di

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

CARATTERISTICHE GENERALI / GENERAL FEATURES

CARATTERISTICHE GENERALI / GENERAL FEATURES OPZIONI» otori i versioe flagia;» Coessioi laterali o posteriori;» Albero: cilidrico o scaalato;» Coessioi metriche o BSPP;» Altre caratteristiche speciali OPTIONS» Flage mout;» Side ad rear ports;» Shafts-

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

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

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

3. TEORIA DELL INFORMAZIONE

3. TEORIA DELL INFORMAZIONE 3. TEORIA DELL INFORMAZIONE INTRODUZIONE MISURA DI INFORMAZIONE SORGENTE DISCRETA SENZA MEMORIA ENTROPIA DI UNA SORGENTE NUMERICA CODIFICA DI SORGENTE 1 TEOREMA DI SHANNON CODICI UNIVOCAMENTE DECIFRABILI

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

1. Intorni di un punto. Punti di accumulazione.

1. Intorni di un punto. Punti di accumulazione. 1. Intorni di un punto. Punti di accumulazione. 1.1. Intorni circolari. Assumiamo come distanza di due numeri reali x e y il numero non negativo x y (che, come sappiamo, esprime la distanza tra i punti

Dettagli