Silvia Terzi Dipartimento di Economia Università Roma TRE

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Silvia Terzi Dipartimento di Economia Università Roma TRE"

Transcript

1 Quadern d Statstca Vol.??, 200? Graduatore della qualtà della vta e loro sensbltà al pre-trattamento delle varabl che la defnscono: alcune crtche al Dosser de Il Sole 24 Ore. Slva Terz Dpartmento d Economa Unverstà Roma TRE E-mal: terz@unroma3.t Luca Moron Dpartmento d Economa Unverstà Roma TRE E-mal: moron@unroma3.t Summary: When constructng a composte ndcator a choce has to be made for what concerns a lnk functon and prelmnary varable transformatons. However, these choces cannot be ndependent. For nstance, when an addtve lnk functon s used (such as the average of transformed varables) the mplct assumpton s that of equal weghts of smple ndcators; however, f the orgnal varables are not all lnearly transformed, the mathematcal relatonshp between the composte ndcator and the orgnal varables s not defnable. Ths s eactly the case of the survey on the Qualty of lfe n the Italan provnces, produced each year by the fnancal newspaper Il Sole 24 ore. The man am of the survey s not to measure the latent varable qualty of lfe, but rather to rank the 03 Italan provnces. In ths paper we attempt to study the nfluence of the varable transformatons adopted n the survey on the fnal classfcaton, argung n favour of lnear scale- and-translaton- nvarant varable transformatons. eywords: Composte ndcators, Qualty of lfe, Varable transformatons.

2 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 2. Introduzone Esstono n letteratura dvers metod per costrure ndcator sntetc. Il comune presupposto è una assunzone teorca crca la relazone matematca che lega l ndcatore sntetco alle varabl su cu s basa; tale assunzone comporta l ndvduazone d una funzone aggregatrce (meda artmetca semplce o meda artmetca ponderata; pes ndvduat da espert o pes rcavat da dat stess), ed l pretrattamento a cu sottoporre le varabl (elmnazone dell untà d msura, standardzzazone, trasformazone n rangh). Dverse combnazon d una funzone lnk e d funzon che permettano d trasformare le varabl d partenza n dat omogene produrranno ndcator sntetc dvers; d conseguenza anche nell ambto degl ndcator d qualtà della vta sono state formulate numerose proposte (ved, tra gl altr, Lauro (2003), Pagnotta (2003), Dosser Itala Ogg (200)). Nel presente lavoro, rpercorreremo la metodologa utlzzata da Il Sole 24 ore per stlare la classfca della qualtà della vta nelle provnce talane (Dosser Qualtà della Vta 2003), per fare luce soprattutto su alcune mplcazon delle scelte effettuate nella fase d pre-trattamento delle varabl. Pertanto, senza entrare nel merto della scelta d qual varabl utlzzare né della mglore funzone aggregatrce, partremo dalla stessa scelta de Il Sole 24 ore, ovvero 36 ndcator da loro ndvduat e la meda artmetca semplce come ndce d sntes. La meda artmetca delle varabl trasformate fornsce puntegg global delle sngole provnce, sulla cu base vene stlata la classfca fnale. Il nostro obettvo è valutare la sensbltà della classfca fnale alle dverse trasformazon che s possono effettuare, n modo da stmolare una rflessone crtca sul metodo pù coerente con requst d neutraltà che un ndcatore sntetco d questo tpo dovrebbe avere. Il punto d partenza della nostra crtca alla metodologa utlzzata da Il Sole 24 ore è che alcune delle 36 varabl su cu s basa l ndcatore qualtà della vta (Q.d.V.) vengono sottoposte ad una trasformazone non lneare. Non rsulta qund possble esprmere n manera analtca la relazone che le lega all ndcatore sntetco. S tratta d una crtca non nuova n letteratura, ben argomentata n Attanaso e Capurs (997).

3 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 3 Sulla loro sca, per valutare le conseguenze della non-lneartà sull ndcatore sntetco e qund sulla classfca pubblcata da Il Sole 24 ore, lo confrontamo con alcun ndcator basat su trasformate lnear. Tal confront saranno volt non tanto ad ndvduare la mglore stma della graduatora della varable latente Q.d.V. (come accade nel paper ctato), bensì l effetto che le trasformazon non lnear hanno sulla classfca fnale. Il lavoro s artcola nel seguente modo: paragraf 2 e 3 sono dedcat prevalentemente alle trasformazon lnear ed hanno un carattere ntroduttvo al problema. Dopo aver llustrato alcune caratterstche delle trasformazon utlzzate nel Dosser de Il Sole 24 ore, le confrontamo con alcune delle trasformazon lnear pù frequentemente proposte n letteratura, argomentando a favore della scelta d trasformazon lnear nvarant per traslazone (paragrafo 2). Inoltre, esplctando la relazone che lega l ndcatore sntetco alle varabl non trasformate (cosa possble solo nel caso n cu s abbano trasformazon lnear) defnamo l contesto formale e la smbologa pù approprata per lo studo della sensbltà dell ndcatore composto Q.d.V. alle trasformazon utlzzate (paragrafo 3). Ne paragraf 4 e 5, entrando nel vvo del nostro contrbuto, studamo la sensbltà della graduatora fnale alle dverse trasformazon llustrate ne paragraf precedent. Cò è possble solo comparatvamente, coè attraverso l confronto tra graduatore ottenute medante un dverso pre-trattamento delle medesme varabl. Qund, dopo aver ntrodotto alcun strument necessar per ndvduare le cause delle maggor dfferenze tra ndcator sntetc basat su trasformazon lnear dfferent, confrontamo tra loro le classfche che ne dervano (paragrafo 4); nfne (paragrafo 5) confrontamo tal graduatore con la classfca de Il Sole 24 ore, sa per ndvduare le conseguenze della non-lneartà sulla graduatora fnale, che per msurarne l ncdenza.

4 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 4 2.Trasformazone delle varabl 2. Elmnazone dell untà d msura Il prmo passo nella costruzone d un ndcatore sntetco consste nel trasformare le varabl d partenza n ndcator semplc, admensonal e qund aggregabl. Posto che s vogla dare (o 000) alla provnca con la performance mglore, posto che s sa osservata una varable X che caratterzz n postvo la qualtà della vta (ovvero che sa postvamente correlata con la Q.d.V.), la trasformazone da utlzzare potrà essere: t ma( ) () dove ma( ) ma ( ). Meno ovva la trasformazone a cu {,..., n} sottoporre le varabl che caratterzzano n negatvo la Q.d.V. (negatvamente correlate). La trasformata utlzzata da Il Sole 24 ore è la seguente: y mn( ) (2) e la logca sottostante é che le varabl negatvamente correlate con la qualtà della vta vengono prma trasformate ne loro recproc e po normalzzate secondo la () rapportandole al massmo. Tuttava tale procedmento modfca la forma della dstrbuzone ed altera (non solo nel segno) la struttura d correlazone orgnara delle varabl. C sembra qund che la trasformazone (2) mert una pù accurata rflessone.

5 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore Il trattamento delle varabl correlate negatvamente con la qualtà della vta Per valutare alcune caratterstche della trasformazone (2), supponamo d aver rlevato una varable X (negatvamente correlata con la Q.d.V.) su una popolazone d 0 untà e che dsponendo le ( ) n ordne non decrescente sa rsultato: ( ),,,0 Partendo da questo caso creamo tre popolazon, ottenute lascando nvarate le untà da 2 a 0 e ponendo ( ) uguale, rspettvamente, a 0.5, e.5. Le tre sere trasformate (e ordnate) sono rappresentate nella Fgura. 0.9 () ()0.5 () Fgura : trasformata y al varare del mnmo È mmedato fare le seguent consderazon:

6 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 6. La trasformazone utlzzata espande la parte alta della dstrbuzone e comprme la coda destra; ovvero esalta dfferenze anche modeste tra le prestazon mglor, mentre rduce le dfferenze tra le prestazon peggor. 2. La trasformazone utlzzata è sensble a pccole varazon nel mnmo della dstrbuzone d partenza; n partcolare una dmnuzone d ( ) ha un effetto sensblmente superore sulla parte alta della dstrbuzone che non sulla coda destra. Cò mplca che una varazone nella performance mglore s rflette n msura maggore sulle performances buone che non su quelle meno buone. Se rscrvamo la (2) come: (,mn( ) ) mn( ) d y,,,0 d(,0) dove d(, ) rappresenta la dstanza eucldea, possamo notare un altra peculartà d questa trasformazone: una traslazone della sere delle del tpo: ( ) k, k > 0, altera l range della y. In partcolare, supponendo d avere tre popolazon ottenute ponendo, rspettvamente, k0, k5, k0, per, 2,, 0, abbamo la seguente rappresentazone grafca, da cu è mmedato constatare che a partà d range delle tre dstrbuzon, l range delle y decresce al crescere d k :

7 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore () ()5 () Fgura 2: trasformata y d dstrbuzon traslate Per effettuare un confronto della y con una trasformazone lneare de dat, sceglamo quella retta avente gl stess mnmo e massmo della y, ossa: mn( ) t (3) ma( ) ma( ) La lneartà della trasformazone (3) rsolve l problema della dsomogenetà d trattamento delle dfferenze tra prestazon (ossa h c( t th ), c R,, h ); noltre modeste varazon del mnmo (), pur alterando l range della trasformata, portano a modeste varazon ne puntegg assegnat:

8 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore () ().5 () Fgura 3: trasformata t - al varare del mnmo Infne tale trasformazone ha un mportante caratterstca che l accomuna alla (), ovvero alla trasformazone utlzzata dal Sole24ore per le varabl postvamente correlate con la Q.d V.; nfatt appartengono entrambe alla famgla d trasformazon: T ( ) ± c ma( ) dove c è una generca costante. I membr d tale famgla hanno tutt a meno del segno lo stesso campo d varazone e gl stess moment. mn( ) Inoltre t e t assumono valor nello stesso ntervallo,, ma( ) l che rende la trasformata t la pù naturale alternatva alla y.

9 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 9 Per confrontare la trasformata t con la trasformata y, rportamo su uno stesso grafco le funzon alla base delle trasformate (2) e (3), defnendo:, R y( ) t [ ] mn mn ( ) ma ma mn ma t-() y() ma mn 0 mn * ma Fgura 4: confronto tra le trasformate y e t - * Sa mn ma ; s può agevolmente verfcare che * nell ntervallo [ mn, ) la dervata della funzone y è sempre mnore dell nclnazone della retta t, mentre nell ntervallo ( *, ma ] tale dervata è sempre maggore. Cò mplca che, dat

10 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 0 *, h [, ), < h y ) y( h ) Vceversa per ( ma ] * h, * * coppe d valor [, ), ( ] mn, rsulterà ( > t ( ) t ( h ). <. Peraltro, essteranno anche nfnte mn h, ma per le qual sarà y( ) y( h ) t ( ) t ( h ). Le prncpal dfferenze tra t ed y sono qund legate al fatto che mentre t trasforma n manera unforme la dstrbuzone, y espande la prma parte della dstrbuzone e comprme la coda destra, alterando completamente la forma della dstrbuzone. Vedamo con un esempo come queste caratterstche della trasformata y nfluscono sulla sntes delle sngole prestazon, sntes ottenuta come meda artmetca de puntegg rportat su cascun ndcatore. Supponamo d avere due caratter X,, 2 entramb con dstrbuzone unforme dscreta n {,2,,0}, ed ndchamo con le loro determnazon. Per due untà A e B sa A e B B 2 2. Voglamo stablre per quale valore A2 {,3,,0} l untà A occuperà una poszone n classfca mglore dell untà B. E facle verfcare che cò accadrà ogn volta che: y y > y y A B B 2 A 2 Nel nostro esempo, a causa dell elevata dfferenza tra y A e y B, cò accadrà sempre ; vceversa, con la trasformata t, l untà A occuperà una poszone mglore o equvalente all untà B solo se è A2 3. S vede charamente come, a lvello d sntes, due effett d espansone e contrazone sopra ndvduat, portno un vantaggo rspetto alla trasformata t, alle untà che presentano al tempo stesso, ottme performances per qualche ndcatore e cattve o pessme performances per qualche altro. In realtà, propro per lmtare tal conseguenze, Il Sole 24 Ore corregge la trasformata y ogn volta che y y 0.25 ponendo y y e defnendo d conseguenza un dverso valore ( ) ( ) > ( ) ( ) mn( * ) tramte cu trasformare secondo la (2) le restant osservazon ( h ), h 2,, n.

11 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 2.3. Class d trasformazon nvarant per traslazone Nonostante le numerose caratterstche che accomunano gl ndcator t e t appena defnt, ess dfferscono per un aspetto mportante: l nfluenza degl outlers. In partcolare le rsposte d t e t ad outlers corrspondent a performance partcolarmente buone (o vceversa a performance partcolarmente scadent) non sono ugual. Inoltre sa la t che la t reagscono n manera asmmetrca ad un outler eccezonalmente alto o eccezonalmente basso. Per vedere meglo questo aspetto rscrvamo le trasformate () e (3) nel modo seguente: t d(,0) d ( ma( ),0) (a) (,mn( ) ) ( ma( ),0) d t (3a) d Supponamo d aver osservato una performance eccezonalmente scadente. A seconda del tpo d correlazone che c è tra la X e la Q.d.V. questa s confgurerà come mn() eccezonalmente basso o come ma() eccezonalmente alto. Tuttava è mmedato constatare che mentre un decremento n mn() non nduce alcuna varazone nelle t se non per l untà che assume tale valore, un ncremento n ma() modfca tutta la sere d valor della t Cò comporta che nel prmo caso rsulterà penalzzata solo l untà statstca a cu corrsponde questa pessma performance, nel secondo caso rsulteranno proporzonalmente modfcat tutt valor assunt dalla t. Vceversa, una performance eccezonalmente buona avrà l effetto d modfcare l ntera sere t (penalzzando qund tutte le untà statstche tranne quella con la performance mglore), mentre sulla t modfcherà solo l valore corrspondente all untà dal comportamento eccezonale. Inoltre, osservando le espresson (a) e (3a) s nota che sono entrambe sensbl

12 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 2 a traslazon delle varabl d partenza ma che le traslazon nfluscono n msura dversa: nella t alterano solo l denomnatore, nella t alterano anche l numeratore, seppure non n msura proporzonale alla varazone del denomnatore. Poché delle 36 varabl utlzzate nella nostra anals pù d una sere presenta outlers, e ben 7 sono negatvamente correlate con la Q.d.V., sembra preferble elmnare le asmmetre appena vste utlzzando una trasformazone nvarante per traslazone, a range costante. In partcolare proponamo: mn( ) d(, mn( )) w ma( ) mn( ) d(ma( ),mn( )) per le varabl correlate postvamente e: w ma( ) ma( ) mn( ) d(,mn( )) d(ma( ),mn( )) per quelle correlate negatvamente. Il peso d un sngolo outler rsulterà attenuato ma - soprattutto - non c sarà pù asmmetra nell effetto d outlers grand e outlers pccol. Anche n questo caso s tratta d due trasformate appartenent ad una medesma famgla: w( ) ± c ma( ) mn( ) e qund, oltre ad avere lo stesso range, hanno anche gl stess moment. L uso d tale trasformata è stato proposto tra gl altr da D Esposto e Ragozn (2004) come stratega d ordnamento d osservazon multvarate. Ess dmostrano che trasformare medante la w() un nseme d varabl X e po aggregarle medante la somma, equvale a proettare n osservazon multvarate,,2,,n,,,, lungo la drezone che va dal punto d coordnate par a mnm delle dstrbuzon unvarate al punto d coordnate par a massm delle

13 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 3 dstrbuzon unvarate, coè lungo una drezone sgnfcatva a fn dell ordnamento delle osservazon Sntes degl ndcator Come argomentato n Aello e Attanaso (2004), la costruzone d un ndcatore sntetco può essere vsta come l rsultato d due moment dstnt: ndvduazone d funzon che permettano d trasformare le varabl d partenza n dat omogene (ndcator semplc) e scelta d una funzone che applcata a dat omogene fornsca una msura dell ndcatore composto. Entramb quest moment concorrono alla defnzone della relazone matematca che lega l ndcatore composto alle varabl su cu s basa. Ad esempo, la scelta d una funzone lnk lneare addtva (come la meda artmetca semplce utlzzata nel Dosser de Il Sole 24 ore) equvale all assunzone d uguale peso degl ndcator semplc nella determnazone dell ndcatore composto; mentre l peso delle sngole varabl sarà determnato dalla trasformazone utlzzata. Vceversa, qualora alcune varabl vengano sottoposte a trasformazon non-lnear, la relazone che le lega all ndcatore sntetco non rsulta defnble n termn analtc. In altr termn (ved Aello e Attanaso, 2004) la duplce scelta d una funzone lnk lneare addtva e d trasformazon non-lnear d varabl, rsulta napproprata dal punto d vsta matematco. Scopo del presente paragrafo e llustrare un contesto formale adeguato allo studo della sensbltà dell ndcatore composto Q.d.V. alle trasformazon utlzzate. Esso pogga sull esplctazone della funzone che lega l ndcatore composto alle varabl X,,, su cu s basa, nell potes che sano sottoposte a trasformazon lnear. In tal caso, prendendo come funzone lnk la meda artmetca semplce e ndcando con P la varable (ndcatore composto) punteggo fnale, sarà: 2 Anche puntegg ottenut con la trasformata T possono essere vst come rsultato d una proezone. In tal caso la retta su cu s proettano le osservazon multvarate è quella che congunge l orgne al punto d coordnate par a massm delle dstrbuzon unvarate.

14 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 4 P X 2 X (4) 2 X Per esplctare ulterormente la (4) s ndch con n l numero d untà (provnce), con P l valore dell ndcatore sntetco per l -esma untà e con N, gl ndcator semplc 3 : N a b,, n,,,,, Sarà qund: P N, a, b (5), L nfluenza delle varabl X sull ndce sntetco P è msurata dal coeffcente, a sua volta determnato dal tpo d trasformazone lneare utlzzata. Vceversa coeffcent non nfluscono né sull ordnamento delle untà né sulle loro dstanze n termn dell ndce sntetco P. Cò comporta la perfetta equvalenza a fn della graduatora fnale tra la trasformata t ed una sua qualunque traslazone come anche tra la trasformata w e le sue traslazon. Pertanto le trasformate lnear ntrodotte fnora possono defnrs: T ( ) ± ma( ) w ( ) ± range( ) I coeffcent ad esse assocate sono 4 : b 3 Per le varabl assocate negatvamente con l ndcatore sntetco coeffcent a assumono valore negatvo. Tuttava, per semplctà d notazone rsulta pù agevole sottntendere che a tal varabl vene cambato l segno. 4 A meno della costante sono queste le trasformate proposte, tra gl altr, da Attanaso e Capurs (997)

15 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 5 w t a ma( a range( t I coeffcent a,,, fornscono un ndcatore sntetco P nvarante per cambament d scala delle varabl su cu s basa, mentre w coeffcent a,,, danno luogo ad un ndcatore sntetco nvarante, oltre che per cambamento d scala, anche per traslazone delle varabl X. Una possble chave nella scelta d (e qund delle trasformazon da utlzzare) sta nel fatto che tale coeffcente nfluenza la varabltà dell ndcatore semplce, e qund l suo peso nel determnare la varabltà dell ndce sntetco. Il range, utlzzato nelle trasformate w, è un rudmentale ndce d varabltà, ma ne esstono altr, qual ad esempo lo scostamento quadratco medo o la medana degl scart assolut dalla medana (MAD), qual hanno l prego, rspetto al range, d essere meno sensbl alle varazon de valor estrem della dstrbuzone, e qund meno sensbl agl outlers. Conseguentemente s trovano n letteratura numerose proposte a favore dell usuale standardzzazone: a ) ) z,, M ( s. q. m. ) oppure della trasformata MAD: m,, Me( ). MAD Tal trasformate danno luogo a seguent coeffcent a :

16 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 6 z m a a s. q. m. MAD 4. Alcun confront tra trasformazon lnear S è appena evdenzato che le dverse trasformazon lnear ntrodotte ne paragraf precedent assegnano dverso peso alle varabl orgnare. Voglamo ora vedere le conseguenze che questo ha sulle classfche fnal sa n termn d un anals delle varabl che maggormente nfluscono sulle dfferenze tra le classfche stesse, sa n termn d un anals delle provnce maggormente avvantaggate (o penalzzate) da una scelta puttosto che da un altra. w m z Sano P w,, P m,, P z, ; rprendendo la notazone che ha condotto alla (5) possamo scrvere: P w, m, range( ) MAD range( ) (6) come anche: w s. q. m. P, z, (7) range( ) range( ) Supponamo ora che per due untà (A e B) e due dstrbuzon, sa wa, wb,, wb, 2 wa, 2 e noltre w A, wa,2 wb, wb, 2 ; supponamo coè che le due untà sano equvalent a fn della classfca basata sulla trasformata w. Cò comporta che: wa, wb, wb,2 wa, 2 e che tal dfferenze sono non negatve. Utlzzando la (6), è facle verfcare che quest ultma uguaglanza equvale a:

17 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 7 MAD range MAD2 ( ma, mb,) ( mb,2 ma, 2 ) range 2 da cu: P m A! MAD2 m range2 PB ( mb,2 ma, 2 ) (8) MAD range Pertanto, n termn d m la dfferenza tra A e B verrà esaltata tanto pù, quanto pù è grande l rapporto: MAD2 range2 m w MAD range In manera analoga, utlzzando la (7) s può verfcare che la dfferenza tra A e B n termn d z verrà esaltata tanto pù, quanto pù è grande l rapporto: z w s. q. m range s. q. m range Entramb rapport MAD/range e s.q.m./range decrescono n presenza d un outler. Pertanto, supponendo che la prma dstrbuzone sa ottenuta dalla seconda medante l ntroduzone d un outler, rsulterà m w > e z w >. Inoltre, dat m w > e z w >, le dfferenze m m z z PA PB e PA PB saranno massme per B, 2 ma( 2 ) e A, 2 mn( 2 ) (l che, dato l vncolo, mplca A, ma( ) e B mn( ) )., 2 2

18 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 8 Per quanto rguarda l confronto tra m e z possamo defnre: MAD2 m w s. q. m. 2 m z MAD z w s. q. m. S può notare che tale coeffcente è legato, oltre che alla presenza e all enttà d un outler, anche alla dspersone nterna alla dstrbuzone. Qund, rassumendo:. Se la prma dstrbuzone è ottenuta dalla seconda ntroducendo un valore estremo rsulterà: s. q. m. m z > s. q. m. ed anche m w > z w >. Inoltre, pù è estremo tale outler pù rsulta elevato m z. 2. Vceversa, se la prma dstrbuzone è ottenuta dalla seconda spostando n una delle code una untà, s avrà m z > e z w < m w. E mmedato estendere questo dscorso ad un confronto tra graduatore. Infatt quando per (oppure per ) s ha 2 m w > z B > z w > w w m P A PB e m z P A PB > 0 (o P A P 0 ) l untà A precederà l untà B nella classfca dscendente basata su m (su z). Indcando con Rw, Rm ed Rz rangh della -esma provnca nelle classfche basate rspettvamente su w, m, z, rsulterà Rm A < RwA ( Rz A < RwA ) oppure Rm B > Rw B ( Rz B > RwB ) o entrambe. Infne, se ad elevate dfferenze m m PA PB corrspondono sgnfcatve dfferenze d graduatora, maggor salt RmA RwA oppure RmB RwB tra le due graduatore s verfcheranno quando l untà A e/o l untà B assumono valor estrem (ovvero A ma( ) e/o B mn( ) ). Passando al confronto tra le classfche della Q.d.V., studamo le dfferenze tra coppe d graduatore prendendo n consderazone solo le

19 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 9 dfferenze non nferor a 0. Tal valor, ordnat rspetto alle dfferenze Rm sono rportat n tabella. Rw Tabella Dfferenze tra coppe d graduatore basate su w,m,z Provnca Rw Rz Rm Rm-Rw Rm-Rz Rz-Rw Aosta Vercell Udne Sondro Savona Cuneo Verb.Cus.Oss Gorza Lvorno Teramo Pordenone Bolzano Catana Varese Parma Latna Caserta Reggo Emla Rmn Torno Bologna Prato Pstoa Roma Mlano Nostre elaborazon de dat pubblcat sul sto Possamo notare nnanztutto che le massme dfferenze Rm Rw sono postve. Cò sgnfca che nel complesso prevalgono le stuazon n cu la trasformata m esercta un effetto d penalzzazone degl outlers. Cò è confermato anche dall anals prelmnare delle 36 varabl: gl outlers sono prncpalmente valor legat a pessme performances puttosto che a performances eccellent.

20 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 20 Le maggor dfferenze ( Rm Rw > 20 ) tra queste due graduatore s verfcano con salt postv per: Mlano (59), Roma (37), Pstoa (34), Prato (23) e Bologna (23); con salt negatv per Aosta (24) e Vercell (24). Nel prmo caso s tratta d provnce cu valor estrem (corrspondent a cattve performances) vengono penalzzat dalla trasformata m; nel secondo caso s tratta d provnce con performances buone che la trasformata m esalta. S può anche notare che con l eccezone d Sondro, Pordenone e Bolzano per tutte le provnce che saltano d almeno 0 poszon tra una classfca e l altra, l rango che occupano con la trasformata z è sempre ntermedo al rango che occupano con m e con w, e che nell nseme la trasformata z presenta un comportamento pù smle a w, ossa con salt mnor, che non a m. Ne termn de coeffcent, calcolat ora mettendo a confronto una specfca dstrbuzone con una generca dstrbuzone regolare, cò sgnfca che per le dstrbuzon n cu m w e z w rsultano massm (n altre parole per le dstrbuzon responsabl de maggor salt tra la classfca basata su w e le altre) l enttà degl outlers è tale che anche m z rsulta partcolarmente elevato. Può essere nteressante ctare come esempo cas d Pstoa e d Aosta. Pstoa presenta la peggore performance (par a 3.35 volte quella dell untà che la precede) sulla varable Indce d varazone del rapporto tra deltt 2002 e l valore atteso n base al trend , la quale è anche la varable con pù bass rapport MAD/range e s.q.m./range (ovvero la varable per cu m w e z w rsultano massm). Conseguentemente, s osservano sgnfcatve dfferenze (postve) Rm Rw e Rz Rw. Tuttava, essendo parcolarmente basso anche l rapporto MAD/s.q.m., e sgnfcatva anche la dfferenza Rm Rz. La stuazone d Aosta rsulta speculare: presenta l pù alto tasso d mmatrcolazone d auto nuove n rapporto alla popolazone maggorenne (par a 206,43!). E evdente che s tratta d un valore anomalo, se non addrttura d un valore errato. Per la varable Immatrcolazone d auto nuove n rapporto alla popolazone maggorenne rapport MAD/range, s.q.m./range e MAD/s.q.m.

21 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 2 rsultano tra pù bass e conseguentemente s hanno sgnfcatve dfferenze (negatve) Rm Rw, Rz Rw e Rm Rz. 5. Confronto con l anals de Il sole 24 ore. Per valutare separatamente l effetto della trasformata y dall effetto della trasformata t, abbamo creato una graduatora basata sulla trasformata t da confrontare sa con la graduatora de Il Sole24 ore, sa con le classfche ottenute dalle trasformate lnear w, z e m. Indcando con Rs la graduatora ottenuta da Il Sole24ore e con Rt la graduatora ottenuta a partre dalla trasformata t, possamo scrvere: ( Rw Rs) ( Rt Rs) ( Rw Rt). Le dfferenze Rt Rs saranno da mputare esclusvamente al trattamento non lneare delle varabl correlate negatvamente, n partcolare a dvers effett della trasformata y rspetto alla trasformata; mentre le dfferenze tra Rw - Rt saranno da mputare a dvers effett delle trasformate t e w. Chamamo quest due effett, rspettvamente, effetto non- lneartà ed effetto t. Calcolando le varanze d cascuna d queste dfferenze: var(rw Rs) 89,47 var(rw Rt) 25,39 var(rt Rs) 94,45 possamo nnanz tutto osservare che var(rt Rs) > var(rw Rs). Cò comporta che l effetto non-lneartà vene n parte compensato dall effetto t. In altr termn, l nterazone tra effetto non-lneartà ed effetto t determna un effetto assorbmento. Inoltre, analzzando coeffcent d correlazone: corr((rw Rs), (Rw Rt)) 0,47 corr((rw Rs), (Rt Rs)) 0,934

22 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 22 notamo che l effetto non-lneartà spega, da solo, l 86% della varabltà d (Rw Rs); mentre l effetto t rsulta perfno pù trascurable dell effetto assorbmento: corr((rt Rs), (Rw Rt)) 0.26 Per quanto rguarda la graduatora Rz s ha una stuazone assa smle, con: var(rz Rs) 90,06 var(rz Rt) 3,4 corr((rz Rs), (Rz Rt)) 0,74 corr((rz Rs), (Rt Rs)) 0,99 corr((rt Rs),(Rz Rt)) 0,228. Vceversa, per quanto rguarda la classfca basata su m rsultano: E noltre: var(rm Rs) 289,86 var(rm Rt) 95,43. corr((rm Rs), (Rm Rt)) 0,574 corr((rm Rs), (Rt Rs)) 0,89 corr((rt Rs), (Rm Rt)) 0,00007 Pertanto sono present e non trascurabl sa l effetto non-lneartà che l effetto t, qual, n assenza d effetto assorbmento s sommano. La conseguenza d tutto cò è che la graduatora Rm sarà la pù dstante dalla graduatora Rs: var(rm Rs) 289,86 > var(rt Rs) > var(rz Rs) > var(rw Rs) Per verfcare tutto cò, rportamo n tabella 2 le provnce per le qual s osservano le maggor dfferenze (non nferor a 5) tra la classfca de Il Sole 24 ore, la classfca basata su t, e le classfche basate su w, z, m. Tal dfferenze sono state ordnate rspetto a Rt Rs.

23 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 23 Tabella 2 Dfferenze tra coppe d graduatore basate su s, t, w, m, z Provnca Rs Rt Rw Rz Rm Rt-Rs Rw-Rs Rz-Rs Rm-Rs Ascol P Lod Pescara Tern Chet Frosnone Peruga Lucca Mantova Vterbo Psa Parma Latna Sassar Lvorno La Speza Pstoa Padova Savona Prato Caserta Torno Bolzano Bologna Aosta Campobasso Ret Genova Enna Iserna Crotone Mlano Rmn Potenza Orstano Treste Belluno Napol Roma Sondro Nostre elaborazon de dat pubblcat sul sto

24 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 24 Andamo a studare nnanztutto come s manfesta l effetto nonlneartà. Osservando la colonna (Rt Rs), notamo subto che le prevalgono, sa n termn d ntenstà che d frequenza, le dfferenze postve. Ovvero l effetto non-lneartà s esplca prevalentemente come sopravvalutazone (rspetto alla trasformata t - ) delle prestazon mglor e/o schaccamento delle dfferenze tra prestazon peggor. Infatt le 4 provnce che presentano dfferenze, sono o provnce le cu buone performances su qualche varable rsultano sopravvalutate dalla trasformata y, e/o provnce le cu cattve performances sono poco penalzzate dalla trasformata y. Vceversa, le 7 provnce per le qual rsulta ( Rt Rs) < 5 sono provnce che non presentano comportament estrem; cò è anche confermato dal fatto che nelle graduatore Rw, Rz ed Rm occupano poszon non molto dssml. L effetto che su d esse esercta la trasformata y è un effetto d confusone dovuto al maggore o mnore schaccamento d alcune dstrbuzon. Per quanto rguarda l effetto t, esso e pressoché trascurable sa ne confront della trasformata w che della trasformata z: sono nfatt trascurabl (con l eccezone d Roma) le dfferenze Rw Rt e Rz Rt. Inoltre, a conferma della presenza d un effetto assorbmento s può notare che a dfferenze Rt Rs postve corrspondono dfferenze Rw Rt negatve e vceversa; ovvero l effetto t va nella drezone d una attenuazone dell effetto non lneartà. Possamo nfne verfcare che la classfca che presenta le dfferenze pù eclatant con la classfca de Il sole 24 ore è la classfca basata su m. Sulle dfferenze Rm Rs la trasformata t agsce n msura maggore che non sulle dfferenze Rw Rs (è nfatt corr ((Rm Rs), (Rm Rt)) 0,57) e noltre, essendo nullo l effetto assorbmento, due effett nonlneartà e effetto t rsultano addtv. Pertanto, agl effett appena ndvduat della trasformata y, s aggungono le dfferenze dovute al dverso mpatto degl outlers: la trasformata m prema le performances eccezonalmente buone e penalzza quelle pessme; vceversa, la trasformata t tratta gl outlers n manera asmmetrca: è molto sensble alle varazon n ma(), nsensble a varazon n mn(). L uso combnato della trasformata t e della y porta qund a premare le performance ottme e non penalzzano quelle pessme.

25 Graduatore della qualtà della vta: alcune crtche a Il Sole 24 ore 25 Rferment bblografc Lauro C. (2003), Il benessere socale ed economco delle provnce talane: una relaborazone ed una nterpretazone alternatva de dat de Il Sole 24 Ore, Il denaro, 4 gennao Lauro C. (2003), La guerra degl ndcator: rsultat a confronto, Il denaro, 4 gennao Lauro C. (2003), La guerra delle graduatore, Il denaro 5 gennao Aello F., Attanaso M. (2004), How to transform a batch of smple ndcators to make up a unque one? Att XLII Runone Scentfca SIS (Sesson specalzzate), CLEUP, Padova, p Attanaso M., Capurs V. (997),Graduatore sulla qualtà della vta: prme anals d sensbltà delle tecnche adottate. Att XXXV Runone Scentfca SIEDS, Alghero, p Cadeo R. (a cura d) Dosser sulla Qualtà della vta 2003, Il Sole 24 ore, 22 dcembre D Esposto M.R., Ragozn G. (2004), Multvarate orderng n Performance Analyss. Att XLII Runone Scentfca SIS (Sesson spontanee), CLEUP, Padova, p Pagnotta S.M. (2003), Una generalzzazone de rangh per standardzzare dat Quadern d statstca vol. 5 p Mor C.(a cura d) Rapporto 2000 sulla qualtà della vta n Itala, Itala Ogg document, 2 gennao 200.

Indicatori sintetici: influenza della scelta della scala di misura Silvia Terzi, Luca Moroni Università RomaTre

Indicatori sintetici: influenza della scelta della scala di misura Silvia Terzi, Luca Moroni Università RomaTre Indcator sntetc: nfluenza della scelta della scala d msura Slva Terz, Luca Moron Unverstà RomaTre Introduzone Esstono n letteratura dvers metod per costrure ndcator sntetc. Il comune presupposto è una

Dettagli

x 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n

x 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n Corso d Statstca docente: Domenco Vstocco La msura della varabltà per varabl qualtatve ordnal Lo studo della varabltà per varabl qualtatve ordnal può essere condotto servendos degl ndc d omogenetà/eterogenetà

Dettagli

Lezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo

Lezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo UNIVERSITA DEGLI STUDI DI BASILICATA FACOLTA DI ECONOMIA Corso d laurea n Economa Azendale Lezon d Statstca (25 marzo 2013) Docente: Massmo Crstallo QUARTILI Dvdono la dstrbuzone n quattro part d uguale

Dettagli

si utilizzano per confrontare le distribuzioni

si utilizzano per confrontare le distribuzioni Dspersone o Varabltà Defnzone: Le Msure d Dspersone: sono par a zero n caso d dspersone nulla s utlzzano per confrontare le dstrbuzon permettono d valutare la rappresentatvtà delle msure d centraltà. 89

Dettagli

Corso di. Dott.ssa Donatella Cocca

Corso di. Dott.ssa Donatella Cocca Corso d Statstca medca e applcata 3 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone I concett prncpal che sono stat presentat sono: Mede forme o analtche (Meda artmetca semplce, Meda artmetca

Dettagli

L ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella

L ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella L AALISI MOOVARIATA: Varabltà e mutabltà Prof. Mara Carella Varabltà Le msure d tendenza centrale non sono suffcent alla comprensone de fenomen. Una sntes approprata deve tener conto del modo n cu s dstrbuscono

Dettagli

Lezione 2 a - Statistica descrittiva per variabili quantitative

Lezione 2 a - Statistica descrittiva per variabili quantitative Lezone 2 a - Statstca descrttva per varabl quanttatve Esempo 5. Nella tabella seguente sono rportat valor del tasso glcemco rlevat su 10 pazent: Pazente Glcema (mg/100cc) 1 1 =103 2 2 =97 3 3 =90 4 4 =119

Dettagli

TECNICHE DI ANALISI DEI DATI MODELLI LINEARI

TECNICHE DI ANALISI DEI DATI MODELLI LINEARI TECNICHE DI ANALISI DEI DATI AA 16/17 PROF. V.P. SENESE Quest materal sono dsponbl per tutt gl student al seguente ndrzzo: https://goo.gl/rwabbd Seconda Unverstà d Napol (SUN) Dpartmento d Pscologa TECNICHE

Dettagli

Capitolo 3. Cap. 3-1

Capitolo 3. Cap. 3-1 Statstca Captolo 3 Descrzone Numerca de Dat Cap. 3-1 Obettv del Captolo Dopo aver completato l captolo, sarete n grado d: Calcolare ed nterpretare la meda, la medana e la moda d un set tdd dat Trovare

Dettagli

L ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella

L ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella L AALISI MOOVARIATA: Varabltà e mutabltà Prof. Mara Carella Varabltà Le msure d tendenza centrale non sono suffcent alla comprensone de fenomen. Una sntes approprata deve tener conto del modo n cu s dstrbuscono

Dettagli

TECNICHE DI ANALISI DEI DATI MODELLI LINEARI

TECNICHE DI ANALISI DEI DATI MODELLI LINEARI TECNICHE DI ANALISI DEI DATI AA 017/018 PROF. V.P. SENESE Quest materal sono dsponbl per tutt gl student al seguente ndrzzo: https://goo.gl/hxl9zg Unverstà della Campana Lug Vanvtell Dpartmento d Pscologa

Dettagli

Corsi di Laurea in Farmacia e CTF Prova di Matematica

Corsi di Laurea in Farmacia e CTF Prova di Matematica Cors d Laurea n Farmaca e CTF Prova d Matematca S O L U Z I O N I Effettua uno studo qualtatvo della funzone 4 f + con partcolare rfermento a seguent aspett: a trova l domno della funzone b trova gl ntervall

Dettagli

Laboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica

Laboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica Laboratoro B A.A. 01/013 Elaborazone Dat Lab B CdL Fsca Lab B CdL Fsca Elaborazone dat spermental Prncpo della massma verosmglanza Quando eseguamo una sere d msure relatve ad una data grandezza fsca, quanto

Dettagli

LA VARIABILITA. IV lezione di Statistica Medica

LA VARIABILITA. IV lezione di Statistica Medica LA VARIABILITA IV lezone d Statstca Medca Sntes della lezone Il concetto d varabltà Campo d varazone Dfferenza nterquartle La varanza La devazone standard Scostament med Il concetto d varabltà S defnsce

Dettagli

3 CAMPIONAMENTO DI BERNOULLI E DI POISSON

3 CAMPIONAMENTO DI BERNOULLI E DI POISSON 3 CAMPIOAMETO DI ROULLI E DI POISSO 3. ITRODUZIOE In questo captolo esamneremo due schem d camponamento che dversamente dal camponamento casuale semplce non producono campon d dmensone fssa ma varable.

Dettagli

Propagazione delle incertezze

Propagazione delle incertezze Propagazone delle ncertezze In questa Sezone vene trattato l problema della propagazone delle ncertezze quando s msurano pù grandezze dfferent,,,z soggette a error d tpo casuale e po s utlzzano tal grandezze

Dettagli

LE FREQUENZE CUMULATE

LE FREQUENZE CUMULATE LE FREQUENZE CUMULATE Dott.ssa P. Vcard Introducamo questo argomento con l seguente Esempo: consderamo la seguente dstrbuzone d un campone d 70 sttut d credto numero flal present nel terrtoro del comune

Dettagli

Propagazione degli errori

Propagazione degli errori Propagazone degl error Msure drette: la grandezza sca vene msurata drettamente (ad es. Spessore d una lastrna). Per questo tpo d msure, la teora dell errore svluppata nelle lezone precedent é sucente per

Dettagli

Modelli descrittivi, statistica e simulazione

Modelli descrittivi, statistica e simulazione Modell descrttv, statstca e smulazone Master per Smart Logstcs specalst Roberto Cordone (roberto.cordone@unm.t) Statstca descrttva Cernusco S.N., govedì 28 gennao 2016 (9.00/13.00) 1 / 15 Indc d poszone

Dettagli

S O L U Z I O N I. 1. Effettua uno studio qualitativo della funzione. con particolare riferimento ai seguenti aspetti:

S O L U Z I O N I. 1. Effettua uno studio qualitativo della funzione. con particolare riferimento ai seguenti aspetti: S O L U Z I O N I 1 Effettua uno studo qualtatvo della funzone con partcolare rfermento a seguent aspett: f ( ) ln( ) a) trova l domno della funzone b) ndca qual sono gl ntervall n cu f() rsulta postva

Dettagli

03/03/2012. Campus di Arcavacata Università della Calabria

03/03/2012. Campus di Arcavacata Università della Calabria Campus d Arcavacata Unverstà della Calabra Corso d statstca RENDE a.a 0-00 3 4 5 6 7 8 9 0 3 4 5 6 7 8 9 Concentrazone Un altro aspetto d un nseme d dat che s aggunge alla meda e alla varabltà è costtuto

Dettagli

ANALISI STATISTICA DELLE INCERTEZZE CASUALI

ANALISI STATISTICA DELLE INCERTEZZE CASUALI AALISI STATISTICA DELLE ICERTEZZE CASUALI Consderamo l caso della msura d una grandezza fsca che sa affetta da error casual. Per ottenere maggor nformazone sul valore vero della grandezza rpetamo pù volte

Dettagli

Incertezza di sensibilità < fluttuazione intrinseca delle misure.

Incertezza di sensibilità < fluttuazione intrinseca delle misure. Error casual no ad ora abbamo correlato la bontà d una msura alla sensbltà degl strument utlzzat. Samo partt da una stuazone n cu effettuata una sere d msure rpetute, le msure hanno tutte dato lo stesso

Dettagli

Variabili statistiche - Sommario

Variabili statistiche - Sommario Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su

Dettagli

FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 17/09/2012

FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 17/09/2012 CdL n SCIENZE DELL ORGANIZZAZIONE ESAME d STATISTICA ESERCIZIO 1 (+.5+.5+3) La tabella seguente rporta la dstrbuzone d frequenza del peso X n gramm d una partta d mele provenent da un certo frutteto. X=peso

Dettagli

,29 7. Distribuzioni di frequenza. x 1 n 1 n 1 n 1 /N n 1 /N*100 x 2 n 2 n 1 +n 2 n 2 /N n 2 /N*100

,29 7. Distribuzioni di frequenza. x 1 n 1 n 1 n 1 /N n 1 /N*100 x 2 n 2 n 1 +n 2 n 2 /N n 2 /N*100 Dstrbuzon d frequenza Varable x Frequenze Frequenze Frequenze Frequenze % cumulate relatve x 1 n 1 n 1 n 1 / n 1 /*100 x n n 1 +n n / n /*100 x k n k n 1 +.+n k = n k / n k /*100 totale 1 100 Indc sntetc

Dettagli

Lezione 2 le misure di sintesi: le medie

Lezione 2 le misure di sintesi: le medie Lezone le msure d sntes: le mede Cattedra d Bostatstca Dpartmento d Scenze spermental e clnche, Unverstà degl Stud G. d Annunzo d Chet-Pescara Prof. Enzo Ballone Lezone a- Statstca descrttva per varabl

Dettagli

Università di Cassino Corso di Statistica 1 Esercitazione del 28/01/2008 Dott. Alfonso Piscitelli. Esercizio 1

Università di Cassino Corso di Statistica 1 Esercitazione del 28/01/2008 Dott. Alfonso Piscitelli. Esercizio 1 Unverstà d Cassno Corso d Statstca Eserctazone del 28/0/2008 Dott. Alfonso Psctell Eserczo Il seguente data set rporta la rlevazone d alcun caratter su un collettvo d 20 soggett. Soggetto Età Resdenza

Dettagli

1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x

1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x TEORIA 1) Le mede e le varanze calcolate su n osservazon relatve alle varabl quanttatve X ed Y sono tal che 1 e. Consderando le corrspondent varabl standardzzate delle seguent affermazon rsulta vera 1

Dettagli

Campo di applicazione

Campo di applicazione Unverstà del Pemonte Orentale Corso d Laurea n Botecnologa Corso d Statstca Medca Correlazone Regressone Lneare Corso d laurea n botecnologa - Statstca Medca Correlazone e Regressone lneare semplce Campo

Dettagli

Elementi di statistica

Elementi di statistica Element d statstca Popolazone statstca e campone casuale S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..) e

Dettagli

Fisica Generale I Misure di grandezze fisiche e incertezze di misura Lezione 3 Facoltà di Ingegneria Livio Lanceri

Fisica Generale I Misure di grandezze fisiche e incertezze di misura Lezione 3 Facoltà di Ingegneria Livio Lanceri Fsca Generale I Msure d grandezze fsche e ncertezze d msura Lezone 3 Facoltà d Ingegnera Lvo Lancer Indce Abbamo mparato: Orgne e classfcazone delle ncertezze (error) d msura Rappresentazone delle ncertezze

Dettagli

Correlazione lineare

Correlazione lineare Correlazone lneare Varable dpendente Mortaltà per crros 50 45 40 35 30 5 0 15 10 5 0 0 5 10 15 0 5 30 Consumo d alcool Varable ndpendente Metodologa per l anals de dat spermental L anals d stud con varabl

Dettagli

PRIMA PROVA INTERMEDIA DI STATISTICA (COD /6045/5047/4038/371/377) 26 ottobre 2015 COMPITO D

PRIMA PROVA INTERMEDIA DI STATISTICA (COD /6045/5047/4038/371/377) 26 ottobre 2015 COMPITO D FIRMA DELLO STUDENTE Cognome PRIMA PROVA INTERMEDIA DI STATISTICA (COD. 3000/6045/5047/4038/37/377) 26 ottobre 20 Nome Numero d matrcola Corso d Laurea Cod. corso COMPITO D A fn della valutazone s terrà

Dettagli

APPENDICE B. La dinamica delle distribuzioni dimensionali delle maggiori imprese mondiali

APPENDICE B. La dinamica delle distribuzioni dimensionali delle maggiori imprese mondiali APPENDICE B La dnamca delle dstrbuzon dmensonal delle maggor mprese mondal Consderamo le dstrbuzon delle maggor mprese ndustral mondal (fonte Fortune 5, var ann) dal 1959 al 199, n termn d fatturato a

Dettagli

REGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari

REGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari REGRESSIONE LINEARE Ha un obettvo mportante: nvestgare sulle relazon emprche tra varabl allo scopo d analzzare le cause che possono spegare un determnato fenomeno È caratterzzata da semplctà: modell utlzzat

Dettagli

Lezione 2 a - Statistica descrittiva per variabili quantitative

Lezione 2 a - Statistica descrittiva per variabili quantitative Lezone 2 a - Statstca descrttva per varabl quanttatve Esempo 5. Nella tabella seguente sono rportat valor del tasso glcemco rlevat su 10 pazent: Pazente Glcema (mg/100cc) 1 x 1 =103 2 x 2 =97 3 x 3 =90

Dettagli

Principio di massima verosimiglianza

Principio di massima verosimiglianza Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.

Dettagli

Principio di massima verosimiglianza

Principio di massima verosimiglianza Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI DI STATISTICA ELEMENTI DI STATISTICA POPOLAZIONE STATISTICA E CAMPIONE CASUALE S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..)

Dettagli

Fisica Generale I Misure di grandezze fisiche e incertezze di misura Lezione 3 Facoltà di Ingegneria Livio Lanceri

Fisica Generale I Misure di grandezze fisiche e incertezze di misura Lezione 3 Facoltà di Ingegneria Livio Lanceri Fsca Generale I Msure d grandezze fsche e ncertezze d msura Lezone 3 Facoltà d Ingegnera Lvo Lancer Indce Abbamo mparato: Orgne e classfcazone delle ncertezze (error) d msura Rappresentazone delle ncertezze

Dettagli

Matematica Computazionale(6cfu) Ottimizzazione(8cfu)

Matematica Computazionale(6cfu) Ottimizzazione(8cfu) Docente: Marco Gavano (e-mal:gavano@unca.t) Corso d Laurea n Infomatca Corso d Laurea n Matematca Matematca Computazonale(6cfu) Ottmzzazone(8cfu) (a.a. 205-6, lez.8) Matematca Computazonale, Ottmzzazone,

Dettagli

Esame di Statistica tema A Corso di Laurea in Economia Prof.ssa Giordano Appello del 15/07/2011

Esame di Statistica tema A Corso di Laurea in Economia Prof.ssa Giordano Appello del 15/07/2011 Esame d Statstca tema A Corso d Laurea n Economa Prof.ssa Gordano Appello del /07/0 Cognome Nome atr. Teora Dmostrare che la somma degl scart dalla meda artmetca è zero. Eserczo L accesso al credto è sempre

Dettagli

Analisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986

Analisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986 Anals degl error Introduzone J. R. Taylor, Introduzone all anals degl error, Zanchell, Bo 1986 Sstem d untà d msura, rappresentazone numerca delle quanttà fsche e cfre sgnfcatve Resnck, Hallday e Krane

Dettagli

Soluzione esercizi seconda settimana

Soluzione esercizi seconda settimana Soluzone esercz seconda settmana Es. 7 famgle Spesa per manfestazo n cultural (Z) A 00,9 B 40 4,0 C 50,5 D 70,6 E 80, F 300,8 G 00,5 Reddto mensle del capofamgla (x 000 Euro) (Y) Costrure l dagramma d

Dettagli

Risposta in frequenza

Risposta in frequenza Rsposta n frequenza www.de.ng.unbo.t/pers/mastr/ddattca.htm (versone del 6--6 Dagramm d Bode Le funzon d trasfermento (f.d.t de crcut lnear tempo nvarant sono funzon razonal (coè rapport tra due polnom

Dettagli

a) Individuare l intervallo di confidenza al 90% per la media di popolazione;

a) Individuare l intervallo di confidenza al 90% per la media di popolazione; Eserczo Il responsable marketng d una catena d negoz vuole analzzare l volume delle vendte mensl d un determnato bene d largo consumo. Una socetà che conduce rcerche d mercato è ncarcata d effettuare un

Dettagli

Università di Cassino Corso di Statistica 1 Esercitazione del 17/10/2006 Dott. Alfonso Piscitelli. Esercizio 1

Università di Cassino Corso di Statistica 1 Esercitazione del 17/10/2006 Dott. Alfonso Piscitelli. Esercizio 1 Unverstà d Cassno Corso d Statstca Eserctazone del 7/0/006 Dott. Alfonso Psctell Eserczo Il seguente data set rporta la rlevazone d alcun caratter su un collettvo d 0 soggett. Soggetto Sesso Età Reddto

Dettagli

Contenuti: o Specificazione del modello. o Ipotesi del modello classico. o Stima dei parametri. Regressione semplice Roberta Siciliano 2

Contenuti: o Specificazione del modello. o Ipotesi del modello classico. o Stima dei parametri. Regressione semplice Roberta Siciliano 2 Corso d STATISTICA Prof. Roberta Sclano Ordnaro d Statstca, Unverstà d Napol Federco II Professore supplente, Unverstà della Baslcata a.a. 0/0 Contenut: o Specfcazone del modello o Ipotes del modello classco

Dettagli

Il procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria.

Il procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria. SCELTA OTTIMALE DEL PROCEDIMENTO PER PESARE Il procedmento può essere pensato come una rcerca n un nseme ordnato, l peso ncognto può essere cercato con l metodo della rcerca bnara. PESI CAMPIONE IN BASE

Dettagli

Statistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill

Statistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill Statstca - metodologe per le scenze economche e socal /e S Borra, A D Cacco - McGraw Hll Es Soluzone degl esercz del captolo 7 In base agl arrotondament effettuat ne calcol, s possono rscontrare pccole

Dettagli

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione 1 La Regressone Lneare (Semplce) Relazone funzonale e statstca tra due varabl Modello d regressone lneare semplce Stma puntuale de coeffcent d regressone Decomposzone della varanza Coeffcente d determnazone

Dettagli

y. E' semplicemente la media calcolata mettendo

y. E' semplicemente la media calcolata mettendo COME FUNZIONA L'ANOVA A UN FATTORE: SI CONFRONTANO TANTE MEDIE SCOMPONENDO LA VARIABILITA' TOTALE Per testare l'potes nulla che la meda d una varable n k popolazon sa la stessa, s suddvde la varabltà totale

Dettagli

materiale didattico I incontro

materiale didattico I incontro Pano Nazonale Lauree Scentfche (PLS 2016-2017) Statstca Laboratoro d Statstca Le relazon tra varabl prof.ssa Angela Mara D'Uggento angelamara.duggento@unba.t materale ddattco I ncontro Dall anals statstca

Dettagli

Misure indipendenti della stessa grandezza, ciascuna con una diversa precisione.

Misure indipendenti della stessa grandezza, ciascuna con una diversa precisione. Msure ndpendent della stessa grandezza, cascuna con una dversa precsone. Consderamo d avere due msure o n generale della stessa grandezza, ndpendent, caratterzzate da funzone denstà d probabltà d Gauss.

Dettagli

Statistica Descrittiva II

Statistica Descrittiva II Organzzazone de dat Statstca Descrttva II Indc d poszone Indc d varabltà Indc d asmmetra Indc d normaltà Outler Box-plot Sere statstche monovarate Carattere: Cellular possedut Popolazone: 7 student d Botecnologe

Dettagli

Integrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1

Integrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1 Integrazone numerca dell equazone del moto per un sstema lneare vscoso a un grado d lbertà Prof. Adolfo Santn - Dnamca delle Strutture 1 Introduzone 1/2 L equazone del moto d un sstema vscoso a un grado

Dettagli

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA Mnstero della Salute D.G. della programmazone santara --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA La valutazone del coeffcente d varabltà dell mpatto economco consente d ndvduare gl ACC e DRG

Dettagli

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE * * PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che

Dettagli

Università degli Studi di Urbino Facoltà di Economia

Università degli Studi di Urbino Facoltà di Economia Unverstà degl Stud d Urbno Facoltà d Economa Lezon d Statstca Descrttva svolte durante la prma parte del corso d corso d Statstca / Statstca I A.A. 004/05 a cura d: F. Bartolucc Lez. 8/0/04 Statstca descrttva

Dettagli

RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2

RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2 RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A La rappresentazone n Complemento a Due d un numero ntero relatvo (.-3,-,-1,0,+1,+,.) una volta stablta la precsone che s vuole ottenere (coè l numero d

Dettagli

Regressione e correlazione

Regressione e correlazione Regressone e correlazone Corso d statstca socale prof. Natale Carra - Unverstà degl Stud d Bergamo a.a. 005-06 Regressone Questo modello d anals bvarata esamna le relazon fra coppe d varabl contnue. Un

Dettagli

SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO. ECONOMIA INDUSTRIALE Università degli Studi di Milano-Bicocca. Christian Garavaglia

SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO. ECONOMIA INDUSTRIALE Università degli Studi di Milano-Bicocca. Christian Garavaglia SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO ECONOMIA INDUSTRIALE Unverstà degl Stud d Mlano-Bcocca Chrstan Garavagla Soluzone 7 a) L ndce d concentrazone C (o CR k ) è la somma delle uote d mercato (o share)

Dettagli

Sommario. Obiettivo. Quando studiarla? La concentrazione. X: carattere quantitativo tra le unità statistiche. Quando studiarla?

Sommario. Obiettivo. Quando studiarla? La concentrazione. X: carattere quantitativo tra le unità statistiche. Quando studiarla? Corso d Statstca a.a. 9- uando studarla? Obettvo Dagramma d Lorenz Rapporto d concentrazone rea d concentrazone Esemp Sommaro La concentrazone uando studarla? Obettvo X: carattere quanttatvo tra le untà

Dettagli

Statistica Descrittiva II

Statistica Descrittiva II Organzzazone de dat Statstca Descrttva II Indc d poszone Indc d varabltà Indc d asmmetra Indc d normaltà Outler Box-plot Sere statstche monovarate Carattere: Cellular possedut Popolazone: 7 student d Botecnologe

Dettagli

Indicatori di dimensione e di concentrazione

Indicatori di dimensione e di concentrazione Indcator d dmensone e d concentrazone 1 Indcator d dmensone Lo studo delle caratterstche struttural ed evolutve d un sstema produttvo necessta dell mpego d ndcator per msurare la dmensone delle untà economche

Dettagli

Ad esempio, potremmo voler verificare la legge di caduta dei gravi che dice che un corpo cade con velocità uniformemente accellerata: v = v 0 + g t

Ad esempio, potremmo voler verificare la legge di caduta dei gravi che dice che un corpo cade con velocità uniformemente accellerata: v = v 0 + g t Relazon lnear Uno de pù mportant compt degl esperment è quello d nvestgare la relazone tra due varabl. Il caso pù mportante (e a cu spesso c s rconduce, come vedremo è quello n cu la relazone che s ntende

Dettagli

Potenzialità degli impianti

Potenzialità degli impianti Unverstà degl Stud d Treste a.a. 2009-2010 Impant ndustral Potenzaltà degl mpant Impant ndustral Potenzaltà degl mpant 1 Unverstà degl Stud d Treste a.a. 2009-2010 Impant ndustral Defnzone della potenzaltà

Dettagli

Propagazione degli errori

Propagazione degli errori Propagaone degl error Voglamo rcavare le ncertee nelle msure ndrette. Abbamo gà vsto leone un prma stma degl error sulle grandee dervate valda n generale. Consderamo ora l caso specco d grandee aette da

Dettagli

Il diagramma cartesiano

Il diagramma cartesiano Il dagramma cartesano Il pano cartesano Il dagramma cartesano è costtuto da due ass: uno orzzontale, l asse delle ascsse o della varable X, e uno vertcale, l asse delle ordnate o della varable Y. I due

Dettagli

Sistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese

Sistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese Sstem Intellgent Relazone tra ottmzzazone e statstca - IV Alberto Borghese Unverstà degl Stud d Mlano Laboratory of Appled Intellgent Systems (AIS-Lab) Dpartmento d Informatca borghese@dunmt Anals dell

Dettagli

Strada B. Classe Velocità valore frequenza Frequ. ass Frequ. % hi Freq. Cum

Strada B. Classe Velocità valore frequenza Frequ. ass Frequ. % hi Freq. Cum Eserczo SINTESI S supponga d avere eseguto 70 msure della veloctà stantanea de vecol che transtano nelle sezon d due strade A e B. S supponga che tal msure sano state eseguta n corrspondenza d valor modest

Dettagli

UNIVERSITÀ DEGLI STUDI DI TORINO CORSO DI LAUREA IN CHIMICA Dispense ad esclusivo uso introduttivo per il modulo di Fisica C

UNIVERSITÀ DEGLI STUDI DI TORINO CORSO DI LAUREA IN CHIMICA Dispense ad esclusivo uso introduttivo per il modulo di Fisica C ELEMETI BASILARI DI TEORIA DEGLI ERRORI. VALOR MEDIO, DEVIAZIOE STADARD E VARIAZA S defnsce valor medo d un nseme d dat,,, la quanttà: () S defnsce varanza emprca dell nseme precedente la quanttà: σ ()

Dettagli

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che

Dettagli

IL LEGAME TRA DUE VARIABILI I METODI DELLA CORRELAZIONE

IL LEGAME TRA DUE VARIABILI I METODI DELLA CORRELAZIONE IL LEGAME TRA DUE VARIABILI I METODI DELLA CORRELAZIONE CORRELAZIONE Legame - Assocazone - Accordo Relazone tra varabl valutare l grado d recproca nfluenza tra due varabl; valutare l grado d assocazone

Dettagli

Algebra 2. 6 4. Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.

Algebra 2. 6 4. Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i. Testo Fac-smle 2 Durata prova: 2 ore 8 1. Un gruppo G s dce semplce se suo unc sottogrupp normal sono 1 e G stesso. Sa G un gruppo d ordne pq con p e q numer prm tal che p < q. (a) Il gruppo G può essere

Dettagli

Funzione di matrice. c i λ i. i=0. i=0. m 1. γ i A i. i=0. Moltiplicando entrambi i membri di questa equazione per A si ottiene. α i 1 A i α m 1 A m

Funzione di matrice. c i λ i. i=0. i=0. m 1. γ i A i. i=0. Moltiplicando entrambi i membri di questa equazione per A si ottiene. α i 1 A i α m 1 A m Captolo INTRODUZIONE Funzone d matrce Sa f(λ) una generca funzone del parametro λ svluppable n sere d potenze f(λ) Sa A una matrce quadrata d ordne n La funzone d matrce f(a) èdefnta nel modo seguente

Dettagli

SERIE STORICHE, TREND, MEDIE MOBILI, REGRESSIONE Andrea Prevete

SERIE STORICHE, TREND, MEDIE MOBILI, REGRESSIONE Andrea Prevete SERIE STORICHE, TREND, MEDIE MOBILI, REGRESSIONE Andrea Prevete Una sere storca o temporale è un nseme d dat costtut da una sequenza d osservazon su un fenomeno d nteresse X, effettuate n stant (per le

Dettagli

Laboratorio 2B A.A. 2013/2014. Elaborazione Dati. Lab 2B CdL Fisica

Laboratorio 2B A.A. 2013/2014. Elaborazione Dati. Lab 2B CdL Fisica Laboratoro B A.A. 013/014 Elaborazone Dat Lab B CdL Fsca Elaborazone dat spermental Come rassumere un nseme d dat spermental? Una statstca è propro un numero calcolato a partre da dat stess. La Statstca

Dettagli

Prima prova di gruppo

Prima prova di gruppo Prma prova d gruppo Es. Una metodologa d anals produce fals postv nel 3% de cas e fals negatv nell % de cas. Calcolate quale è l esto pù probable (postvo o negatvo se due anals consecutve esegute sullo

Dettagli

Lezione n La concentrazione

Lezione n La concentrazione 1 La concentrazone Corso d Laurea: Economa Azendale Nello studo de fenomen economc e socal descrtt attraverso caratter quanttatv d tpo trasferble può essere nteressante analzzare la cosddetta concentrazone

Dettagli

Scienze Geologiche. Corso di Probabilità e Statistica. Prove di esame con soluzioni

Scienze Geologiche. Corso di Probabilità e Statistica. Prove di esame con soluzioni Scenze Geologche Corso d Probabltà e Statstca Prove d esame con soluzon 004-005 1 Corso d laurea n Scenze Geologche - Probabltà e Statstca Appello del 1 gugno 005 - Soluzon 1. (Punt 3) In una certa zona,

Dettagli

= = = = = 0.16 NOTA: X P(X) Evento Acquisto PC Intel Acquisto PC Celeron P(X)

= = = = = 0.16 NOTA: X P(X) Evento Acquisto PC Intel Acquisto PC Celeron P(X) ESERCIZIO 3.1 Una dtta vende computer utlzzando on-lne, utlzzando sa processor Celeron che processor Intel. Dat storc mostrano che l 80% de clent preferscono acqustare un PC con processore Intel. a) Sa

Dettagli

La Regressione X Variabile indipendente o esplicativa. La regressione. La Regressione. Y Variabile dipendente

La Regressione X Variabile indipendente o esplicativa. La regressione. La Regressione. Y Variabile dipendente Unverstà d Macerata Dpartmento d Scenze Poltche, della Comuncazone e delle Relaz. Internazonal La Regressone Varable ndpendente o esplcatva Prezzo n () () 1 1 Varable dpendente 15 1 1 1 5 5 6 6 61 6 1

Dettagli

Misure Ripetute ed Indipendenti

Misure Ripetute ed Indipendenti Msure Rpetute ed Indpendent Una delle metodologe pù semplc per valutare l affdabltà d una msura consste nel rpeterla dverse volte, nelle medesme condzon, ed esamnare dvers valor ottenut. Ovvamente, una

Dettagli

Esame di Statistica tema B Corso di Laurea in Economia Prof.ssa Giordano Appello del 15/07/2011

Esame di Statistica tema B Corso di Laurea in Economia Prof.ssa Giordano Appello del 15/07/2011 Esame d Statstca tema B Corso d Laurea n Economa Prof.ssa Gordano Appello del 15/07/011 Cognome Nome Matr. Teora Dmostrare la propretà assocatva della meda artmetca. Eserczo 1 L accesso al credto è sempre

Dettagli

Misure dirette utilizzate per il calcolo della misura indiretta X:

Misure dirette utilizzate per il calcolo della misura indiretta X: Propagazone degl error Msure drette utlzzate per l calcolo della msura ndretta X: ( ) a a a = ± Δ b = ( b ± Δ b) Il calcolo dell errore assoluto X ( espresso nella stessa untà d msura della grandezza X

Dettagli

Il logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico.

Il logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico. Il logartmo dscreto n Z p Il gruppo moltplcatvo Z p delle class resto modulo un prmo p è un gruppo cclco. Defnzone (Logartmo dscreto). Sa p un numero prmo e sa ā una radce prmtva n Z p. Sa ȳ Z p. Il logartmo

Dettagli

LA VARIABILITA. Nella metodologia statistica si distinguono due aspetti della variabilità:

LA VARIABILITA. Nella metodologia statistica si distinguono due aspetti della variabilità: LA VARIABILITA LA VARIABILITA E L ATTITUDINE DEL FENOMENO QUANTITATIVO AD ASSUMERE DIVERSE MODALITA, O MEGLIO LA TENDENZA DI OGNI SINGOLA OSSERVAZIONE AD ASSUMERE VALORI DIFFERENTI RISPETTO AL VALORE MEDIO.

Dettagli

IL MODELLO DI MACK. Materiale didattico a cura di Domenico Giorgio Attuario Danni di Gruppo Società Cattolica di Assicurazioni

IL MODELLO DI MACK. Materiale didattico a cura di Domenico Giorgio Attuario Danni di Gruppo Società Cattolica di Assicurazioni IL MODELLO DI MACK Materale ddattco a cura d Domenco Gorgo Attuaro Dann d Gruppo Socetà Cattolca d Asscurazon CHAIN-LADDE CLASSICO Metodo pù utlzzato per la stma della rserva snstr. Semplctà. Dstrbuton-ree

Dettagli

L'Analisi in Componenti Principali. Luigi D Ambra Dipartimento di Matematica e Statistica Università di Napoli Federico II

L'Analisi in Componenti Principali. Luigi D Ambra Dipartimento di Matematica e Statistica Università di Napoli Federico II L'Anals n Component Prncpal Lug D Ambra Dpartmento d Matematca e Statstca Unverstà d Napol Federco II ANALISI MULTIDIMENSIONALE DEI DATI (AMD) L Anals Multdmensonale de Dat (AMD) è una famgla d tecnche

Dettagli

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure

Dettagli

PIANIFICAZIONE DEI TRASPORTI

PIANIFICAZIONE DEI TRASPORTI Unverstà d Caglar DICAAR Dpartmento d Ingegnera Cvle, Ambentale e archtettura Sezone Trasport PIANIFICAZIONE DEI TRASPORTI Eserctazone su modell d generazone A.A. 2016-2017 Ing. Francesco Pras Ing. Govann

Dettagli

La likelihood. , x 3. , x 2. ,...x N

La likelihood. , x 3. , x 2. ,...x N La lkelhood È dato un set d msure {x 1, x 2, x 3,...x N } (cascuna delle qual può essere multdmensonale) Supponamo che la pdf (f) dpenda da un parametro (anch'esso eventualmente multdmensonale) La verosmglanza

Dettagli

Statistica descrittiva

Statistica descrittiva Statstca descrttva. Indc d poszone. Per ndc d poszone d un nseme d dat, ordnat secondo la loro randezza, s ntendono alcun valor che cadono all nterno dell nseme. Gl ndc pù usat sono: I. eda. II. edana.

Dettagli

Università di Cassino. Esercitazioni di Statistica 1 del 19 Febbraio Dott. Mirko Bevilacqua

Università di Cassino. Esercitazioni di Statistica 1 del 19 Febbraio Dott. Mirko Bevilacqua Unverstà d Cassno Eserctazon d Statstca del 9 Febbrao 00 Dott. Mro Bevlacqua DATASET STUDENTI N SESSO ALTEZZA PESO CORSO NUMERO COLORE COLORE (cm) (g) LAUREA SCARPA OCCHI CAPELLI M 79 65 INFORMAICA 43

Dettagli

Architetture aritmetiche. Corso di Organizzazione dei Calcolatori Mariagiovanna Sami

Architetture aritmetiche. Corso di Organizzazione dei Calcolatori Mariagiovanna Sami Archtetture artmetche Corso d Organzzazone de Calcolator Maragovanna Sam 27-8 8 Sommator: : Full Adder s = x y c + x y c + x y c + x y c Full Adder x y c s x y c = x y + x c + + y c c + Full Adder c x

Dettagli

Lezione 4. Politica Economica Avanzata

Lezione 4. Politica Economica Avanzata Lezone 4 Poltca Economca Avanzata Come msuramo la rendta d Conoscamo la def. Teorca. un mpresa? Dvdamo n base al valore medano tra mprese a bassa ed alta rendta. Che legame con la crescta della produttvtà

Dettagli

CARATTERISTICHE DEI SEGNALI RANDOM

CARATTERISTICHE DEI SEGNALI RANDOM CARATTERISTICHE DEI SEGNALI RANDOM I segnal random o stocastc rvestono una notevole mportanza poché sono present, pù che segnal determnstc, nella maggor parte de process fsc real. Esempo d segnale random:

Dettagli