low-rank smoothing splines su domini con forma inusuale: approssimazioni nonparametriche per estuari e reti di fiumi
|
|
|
- Vanessa Borghi
- 8 anni fa
- Visualizzazioni
Transcript
1 eruga 13 gennao 2006 low-rank smoothng splnes su domn con forma nusuale: approssmazon nonparametrche per estuar e ret d fum M. Govanna Ranall Dpartmento d Economa, Fnanza e Statstca, Unverstà degl Stud d eruga In collaborazone con Jay Bredt e Haonan Wang, Colorado State Unversty Un rngrazamento partcolare ad Hal Walker, EA ed Ern eterson, CSU 1/28?
2 Un po d geografa! new hampshre colorado maryland 2/28?
3 roblema # 1 Estuaro del New Hampshre 97 st n cu la concentrazone d mercuro ne sedment è stata rlevata negl ann 2000/1 (dat NHNCA) e nel 2003 (dat NHDES) New Hampshre Estuary and Sample Locatons New Hampshre Klometers Sample Stes Mercury (Hg) Concentraton ug/g Estuary boundary 3/28?
4 roblema # 1 (segue) Relazone tra concentrazone d mercuro e dmensone del sedmento observed log(hg/siltclay) (2.445) - (1.520) (1.519) - (1.336) (1.335) - (1.218) (1.217) - (1.063) (1.062) - (0.851) (0.850) - (0.759) (0.758) - (0.512) (0.511) - (0.234) (0.233) Estuary Boundary Klometers /28?
5 roblema # 2 Rete d fum del Maryland 955 st dove varabl d natura chmca, fsca e bologca sono state rlevate negl ann /28?
6 Esgenze e roblem ESIGENZE Mappare quanttà d nteresse (nqunant, chmca delle acque) facendo predzon anche per st non osservat ossbltà d nserre covarate dverse dalle coordnate spazal 6/28?
7 Esgenze e roblem ESIGENZE Mappare quanttà d nteresse (nqunant, chmca delle acque) facendo predzon anche per st non osservat ossbltà d nserre covarate dverse dalle coordnate spazal Tecnche nonparametrche bvarate come le thn plate splnes ed l krgng fornscono mappe che usano strutture d covaranza che dpendono dalla dstanza Eucldea fra st 6/28?
8 Esgenze e roblem ESIGENZE Mappare quanttà d nteresse (nqunant, chmca delle acque) facendo predzon anche per st non osservat ossbltà d nserre covarate dverse dalle coordnate spazal Tecnche nonparametrche bvarate come le thn plate splnes ed l krgng fornscono mappe che usano strutture d covaranza che dpendono dalla dstanza Eucldea fra st ROBLEMI I domn hanno forma rregolare La dstanza Eucldea potrebbe non essere l modo mglore per msurare la smlartà fra st Impegare dstanze non-eucldee nel krgng non garantsce matrc d covaranza defnte postve (Rathbun, 1998; Gardner et al., 2003) 6/28?
9 Low-rank thn plate splnes LTS I dat degl esemp consderat hanno forma (x, y ), per = 1,..., N, con x coordnate geografche e y valor della varable d nteresse. Le tecnche nonparametrche bvarate potzzano che y = f(x ) + ε, (1) con f( ) funzone bvarata non specfcata a valor real e gl error sono tal che E(ε) = 0 e V (ε) = σ 2 εi. 7/28?
10 Low-rank thn plate splnes LTS I dat degl esemp consderat hanno forma (x, y ), per = 1,..., N, con x coordnate geografche e y valor della varable d nteresse. Le tecnche nonparametrche bvarate potzzano che y = f(x ) + ε, (1) con f( ) funzone bvarata non specfcata a valor real e gl error sono tal che E(ε) = 0 e V (ε) = σ 2 εi. Ruppert et al. (2003) nvocano l uso della rappresentazone attraverso modell ad effett mst e a basso rango d questo problema per 1. accelerare e facltare l ft de modell attraverso l software svluppato per modell mst 2. nserre altre covarate nella parte fssa (parametrca varabl quanttatve contnue o fattor) o nella parte casuale (nonparametrca modell addtv o altr effett casual) 7/28?
11 LTS: l modello La rappresentazone con modell mst del modello (1) è data da y = Xβ + Zu + ε, (2) 8/28?
12 LTS: l modello La rappresentazone con modell mst del modello (1) è data da dove y = (y 1,..., y N ) T e X = [1 x ] 1N y = Xβ + Zu + ε, (2) Z contene T N funzon base radal (radal bass) per l approssmazone della struttura non lneare d f( ) u t.c. E(u) = 0, V (u) = σ 2 ui sono effett casual ndpendent da ε Questo tpo d modello può essere fttato mpegando ROC MIXED n SAS o la funzone lme() n R ed Splus 8/28?
13 La matrce Z Z = [ ] [ ] 1/2 C( x, κ t E ) C( κ 1N t, κ t E ), (3) 1t,t 1tT T 9/28?
14 La matrce Z Z = [ ] [ ] 1/2 C( x, κ t E ) C( κ 1N t, κ t E ), (3) 1t,t 1tT T dove κ 1,..., κ T è un sottnseme d st dett nod (knots, v. prossmo lucdo) E denota la dstanza Eucldea la funzone C è data da C(r) = r 2 log r 9/28?
15 La matrce Z Z = [ ] [ ] 1/2 C( x, κ t E ) C( κ 1N t, κ t E ), (3) 1t,t 1tT T dove κ 1,..., κ T è un sottnseme d st dett nod (knots, v. prossmo lucdo) E denota la dstanza Eucldea la funzone C è data da C(r) = r 2 log r SE T = N nod osservazon e ottenamo l caso a rango peno (Thn plate splnes) 9/28?
16 La matrce Z Z = [ ] [ ] 1/2 C( x, κ t E ) C( κ 1N t, κ t E ), (3) 1t,t 1tT T dove κ 1,..., κ T è un sottnseme d st dett nod (knots, v. prossmo lucdo) E denota la dstanza Eucldea la funzone C è data da C(r) = r 2 log r SE T = N nod osservazon e ottenamo l caso a rango peno (Thn plate splnes) SE T = N & C(r) è una qualche funzone d correlazone tpo Matérn, esponenzale, gaussana Krgng a rango peno 9/28?
17 Nod 2 problem: quant & dove QUANTI a occho: 1 ogn 3-4 osservazon, ma ma pù d 100. DOVE grgla rettangolare, grgla regolare solo sul domno, space fllng desgn (FUNFITS n Splus e FIELDS n R computano quest algortm) rectangular lattce regular grd on the doman space fllng desgn obs knots /28?
18 redzon Una volta che le stme de coeffcent β e le predzon delle varabl u sono ottenute attraverso massma verosmglanza ML o massma verosmglanza rstretta REML, valor predett per st osservat sono dat da ŷ = X ˆβ + Zû 11/28?
19 redzon Una volta che le stme de coeffcent β e le predzon delle varabl u sono ottenute attraverso massma verosmglanza ML o massma verosmglanza rstretta REML, valor predett per st osservat sono dat da ŷ = X ˆβ + Zû I comand Splus per fare tutto questo sono semplcemente ft<-lme(y -1+X, random=pdident( -1+Z)) beta<-ft$coef$fxed u<-ft$coef$random pred<-x%*%beta+z%*%u 11/28?
20 redzon Una volta che le stme de coeffcent β e le predzon delle varabl u sono ottenute attraverso massma verosmglanza ML o massma verosmglanza rstretta REML, valor predett per st osservat sono dat da ŷ = X ˆβ + Zû I comand Splus per fare tutto questo sono semplcemente ft<-lme(y -1+X, random=pdident( -1+Z)) beta<-ft$coef$fxed u<-ft$coef$random pred<-x%*%beta+z%*%u redzon n st dvers da quell osservat possono essere fatte aggungendo altre rghe alle matrc X and Z. 11/28?
21 Mappa del mercuro ottenuta con LTS LTS log(hg/siltclay) (1.410) - (1.182) (1.181) - (1.149) (1.148) - (1.098) (1.097) - (0.965) (0.964) - (0.805) (0.804) - (0.720) (0.719) - (0.638) (0.637) - (0.516) (0.515) - (0.358) (0.357) Estuary Boundary Klometers I dat osservat 3 12/28?
22 Abbamo davvero bsogno d una metrca dversa?? smulazone Monte Carlo: funzone vera 13/28?
23 Rsultat: errore medo d predzone 14/28?
24 GLTS: LTS Geodetche Cambare la msura d dstanza Eucldea nella matrce Z n (3) con la DISTANZA GEODETICA = IL ERCORSO IÙ BREVE CHE UN ESCE NUOTEREBBE 15/28?
25 GLTS: LTS Geodetche Cambare la msura d dstanza Eucldea nella matrce Z n (3) con la DISTANZA GEODETICA = IL ERCORSO IÙ BREVE CHE UN ESCE NUOTEREBBE Z g = [ ] [ ] 1/2 C( x, κ t G ) C( κ 1N t, κ t G ), 1t,t 1tT T 15/28?
26 GLTS: LTS Geodetche Cambare la msura d dstanza Eucldea nella matrce Z n (3) con la DISTANZA GEODETICA = IL ERCORSO IÙ BREVE CHE UN ESCE NUOTEREBBE Z g = [ ] [ ] 1/2 C( x, κ t G ) C( κ 1N t, κ t G ), 1t,t 1tT T La dstanza geodetca è stmata attraverso l algortmo d Floyd: 1 s determna una grgla ftta d punt nel domno; 2 s costrusce un grafo n cu vertc sono quest punt; 3 cascun vertce è collegato agl nn st pù vcn; 4 s determna l percorso pù breve fra due st e s stma la dstanza geodetca come la lunghezza d questo percorso. 15/28?
27 L algortmo d Floyd per la parte Nord dell estuaro 8.2 x x x x /28?
28 La ma rcetta pass per fttare GLTS 1. Selezone de nod attraverso uno space fllng desgn. 17/28?
29 La ma rcetta pass per fttare GLTS 1. Selezone de nod attraverso uno space fllng desgn. 2. Stma della dstanza geodetca fra una grgla densa d punt del domno con l alg d Floyd: partre con nn = 3 e aumentare nn fnché tutt vertc sano conness. 17/28?
30 La ma rcetta pass per fttare GLTS 1. Selezone de nod attraverso uno space fllng desgn. 2. Stma della dstanza geodetca fra una grgla densa d punt del domno con l alg d Floyd: partre con nn = 3 e aumentare nn fnché tutt vertc sano conness. 3. Calcolo delle matrc X e Z per tutt st per qual s voglono predzon. 17/28?
31 La ma rcetta pass per fttare GLTS 1. Selezone de nod attraverso uno space fllng desgn. 2. Stma della dstanza geodetca fra una grgla densa d punt del domno con l alg d Floyd: partre con nn = 3 e aumentare nn fnché tutt vertc sano conness. 3. Calcolo delle matrc X e Z per tutt st per qual s voglono predzon. 4. Calcolo delle matrc X and the Z g per st osservat come sottonseme d rghe d X e Z. 17/28?
32 La ma rcetta pass per fttare GLTS 1. Selezone de nod attraverso uno space fllng desgn. 2. Stma della dstanza geodetca fra una grgla densa d punt del domno con l alg d Floyd: partre con nn = 3 e aumentare nn fnché tutt vertc sano conness. 3. Calcolo delle matrc X e Z per tutt st per qual s voglono predzon. 4. Calcolo delle matrc X and the Z g per st osservat come sottonseme d rghe d X e Z. 5. Ft d modell mst. roblem: nsermento d altre covarate nfluenza la dmensone d X ; test d sgnfcatvtà delle covarate sono condotte nel modo classco; test d sgnfcatvtà delle component casual (.e. componente spazale), se fatt usando la teora asntotca de modell mst possono essere molto conservatv. 17/28?
33 Mappa del mercuro ottenuta con GLTS GLTS log(hg/siltclay) (1.410) - (1.182) (1.181) - (1.149) (1.148) - (1.098) (1.097) - (0.965) (0.964) - (0.805) (0.804) - (0.720) (0.719) - (0.638) (0.637) - (0.516) (0.515) - (0.358) (0.357) Estuary Boundary Klometers /28?
34 GLTS vs LTS GLTS log(hg/siltclay) LTS log(hg/siltclay) (1.410) - (1.182) (1.181) - (1.149) (1.148) - (1.098) (1.097) - (0.965) (0.964) - (0.805) (0.804) - (0.720) (0.719) - (0.638) (0.637) - (0.516) (0.515) - (0.358) (0.357) Estuary Boundary Klometers Klometers /28?
35 Come volano corv o come nuotano pesc?? 20/28?
36 Come volano corv o come nuotano pesc?? S ftt un modello con ambedue gl effett e po s test la sgnfcatvtà y = Xβ + Zu + Z g u g + ε dove Cov ε u u g = σ 2 εi σ 2 ui σ 2 gi La stma delle component d varanza può ancora essere ottenuta va REML; l test della loro sgnfcatvtà è condotto attraverso un bootstrap nonparametrco (Opsomer et al., 2005). 20/28?
37 Test bootstrap Modello test per logrelk p-value β 0 + Zu + Z g u g (modello completo) β 0 + Zu σg 2 = 0 (non come nuotano pesc) < β 0 + Z g u g σu 2 = 0 (non come volano corv) β 0 σg 2 = σu 2 = 0 (nessuna struttura spazale) < La struttura spazale suggerta da dat è quella come nuotano pesc 21/28?
38 Applcazone alla rete d fum del Maryland ANC e la capacta che l acqua ha d tamponare l acdo pccolo e male! Observed ANC (319.70) Streams / Klometers L2 3M 33 22?
39 roblem nuov rspetto all estuaro 1. Dmensone ntrnseca d una rete d fum è dversa da 2 occorre mpegare una dversa matrce Z n. 23/28?
40 roblem nuov rspetto all estuaro 1. Dmensone ntrnseca d una rete d fum è dversa da 2 occorre mpegare una dversa matrce Z n. 2. Dstanze drologche non possono essere calcolate effcentemente con l algortmo d Floyd strument GIS (Geographc Informaton System). 23/28?
41 roblem nuov rspetto all estuaro 1. Dmensone ntrnseca d una rete d fum è dversa da 2 occorre mpegare una dversa matrce Z n. 2. Dstanze drologche non possono essere calcolate effcentemente con l algortmo d Floyd strument GIS (Geographc Informaton System). 3. GIS è necessaro anche per ottenere altre covarate e dstanze lungo fum per st dvers da quell osservat. 23/28?
42 roblem nuov rspetto all estuaro 1. Dmensone ntrnseca d una rete d fum è dversa da 2 occorre mpegare una dversa matrce Z n. 2. Dstanze drologche non possono essere calcolate effcentemente con l algortmo d Floyd strument GIS (Geographc Informaton System). 3. GIS è necessaro anche per ottenere altre covarate e dstanze lungo fum per st dvers da quell osservat. 4. Fnora abbamo modellato ANC, nserto sa msure d smlartà basate sulla dstanza Eucldea che sulla dstanza Idrologca Asmmetrca (come scorre l acqua) e testato quale delle due è pù suggerta da dat attraverso test bootstrap nonparametrc. 23/28?
43 Msure d dstanza *sgnfcatve* per la chmca dell acqua lungo una rete d fum 24/28?
44 -splnes per una rete d fum - un accenno 1. S defnsce una penalzed splne ad una dmensone (Rupper, Wand & Carroll, 2003) lungo la rete d fum. 25/28?
45 -splnes per una rete d fum - un accenno 1. S defnsce una penalzed splne ad una dmensone (Rupper, Wand & Carroll, 2003) lungo la rete d fum. 2. NOTA: se s usano funzon bas d tpo lnear troncate, allora la matrce Z n concde con la matrce d dstanze drologche asmmetrche fra st ed un nseme d nod. 25/28?
46 -splnes per una rete d fum - un accenno 1. S defnsce una penalzed splne ad una dmensone (Rupper, Wand & Carroll, 2003) lungo la rete d fum. 2. NOTA: se s usano funzon bas d tpo lnear troncate, allora la matrce Z n concde con la matrce d dstanze drologche asmmetrche fra st ed un nseme d nod. 3. I nod sono stat scelt come tutt que st con almeno 4 st a monte (verso la sorgente, upstream). 25/28?
47 Modell per ANC e test bootstrap Covarate sgnfcatve nserte nella parte fssa del modello (nella matrce X): % pascolo, % argn boscos, % bassa denstà urbana nel bacno superore al sto e anno d rlevazone 26/28?
48 Modell per ANC e test bootstrap Covarate sgnfcatve nserte nella parte fssa del modello (nella matrce X): % pascolo, % argn boscos, % bassa denstà urbana nel bacno superore al sto e anno d rlevazone Modello test per p-value Xβ + Zu + Z n u n (modello completo) Xβ + Zu σ 2 n = 0 (no struttura dro. asmm.) Xβ + Z n u n σ 2 u = 0 (no struttura Eucldea) < Xβ σ 2 n = σ 2 u = 0 (no struttura spazale) < La struttura d smlartà suggerta da dat n questo caso è basata sulla dstanza Eucldea 26/28?
49 Rassumendo È possble trattare domn con forme non regolar. 2. Il contesto delle splnes penalzzate (sa b- che un-varate) permette d nserre faclmente covarate nel modello. 3. Questo contesto permette anche l mpego d tecnche bootstrap per test. 4. Altre applcazon: msure d dstanza funzonal, domn con *buch* 27/28?
50 Rassumendo È possble trattare domn con forme non regolar. 2. Il contesto delle splnes penalzzate (sa b- che un-varate) permette d nserre faclmente covarate nel modello. 3. Questo contesto permette anche l mpego d tecnche bootstrap per test. 4. Altre applcazon: msure d dstanza funzonal, domn con *buch* Cosa stamo facendo... Applcazone Lavoro con GIS per ottenere covarate e msure d dstanza Metodologa Formalzzare la p-splne per la rete d fum e defnre un modello per dstanze drologche smmetrche. 27/28?
51 Bblografa essenzale... e Graze! Cranceanu, C. and Ruppert, D. (2004), Lkelhood rato tests n lnear mxed models wth one varance component, J.R.S.S. B, 66, Gardner, B., Sullvan,.J. and Lembo, A.J.Jr (2003), redctng stream temperatures: geostatstcal model comparson usng alternatve dstance metrcs, Can. J. Fsh. Aquat. Sc., 60, Opsomer, J.D., Claeskens, G., Ranall, M.G., Kauermann, G., Bredt, F.J. (2005). Nonparametrc Small Area Estmaton Usng enalzed Splne Regresson. Rathbun, S.L. (1998), Spatal modellng n rregularly shaped regons: krgng estuares, Envronmetrcs, 9, Ruppert, D., Wand, M.. and Carroll, R. (2003), Semparametrc Regresson. Cambrdge Unversty ress, Cambrdge, New York. Wang H., Ranall M.G. (2005) Low-rank smoothng splnes for complex domans, Manuscrpt. The work reported here was developed under the STAR Research Assstance Agreement CR awarded by the U.S. Envronmental rotecton Agency (EA) to Colorado State Unversty. Ths presentaton has not been formally revewed by EA. The vews expressed here are solely those of the presenter and STARMA. EA does not endorse any products or commercal servces mentoned n ths presentaton. 28/28?
Relazioni tra variabili: Correlazione e regressione lineare
Dott. Raffaele Casa - Dpartmento d Produzone Vegetale Modulo d Metodologa Spermentale Febbrao 003 Relazon tra varabl: Correlazone e regressone lneare Anals d relazon tra varabl 6 Produzone d granella (kg
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata
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
La regressione. La Regressione. La Regressione. min. min. Var X. X Variabile indipendente (data) Y Variabile dipendente
Unverstà d Macerata Facoltà d Scenze Poltche - Anno accademco - La Regressone Varable ndpendente (data) Varable dpendente Dpendenza funzonale (o determnstca): f ; Da un punto d vsta analtco, valor della
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
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
Statistica e calcolo delle Probabilità. Allievi INF
Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:
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
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA IL PROBLEMA Supponamo d voler studare l effetto d 4 dverse dete su un campone casuale d 4
Introduzione al Machine Learning
Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone
MODELLI PER DATI SU RETICOLO (LATTICE DATA)
Schema degl argoment trattat MODELLI PER DATI SU RETICOLO (LATTICE DATA) -Indc global d autocorrelazone; -Defnzone d strutture d vcnato -Modell SAR -Modell CAR 2 Dat su retcolo S ntendono dat su aree (regolar
STATISTICA DESCRITTIVA CON EXCEL
STATISTICA DESCRITTIVA CON EXCEL Corso d CPS - II parte: Statstca Laurea n Informatca Sstem e Ret 2004-2005 1 Obettv della lezone Introduzone all uso d EXCEL Statstca descrttva Utlzzo dello strumento:
DBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2
DBMS multmedal A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2 DBMS multmedal Def: Sono DBMS che consentono d memorzzare e recuperare dat d natura multmedale:
RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII
Prof. Guseppe F. Ross E-mal: guseppe.ross@unpv.t Homepage: http://www.unpv.t/retcal/home.html UNIVERSITA' DEGLI STUDI DI PAVIA Facoltà d Ingegnera A.A. 2011/12 - I Semestre - Sede PV RETI TELEMATICHE Lucd
LA COMPATIBILITA tra due misure:
LA COMPATIBILITA tra due msure: 0.4 Due msure, supposte affette da error casual, s dcono tra loro compatbl quando la loro dfferenza può essere rcondotta ad una pura fluttuazone statstca attorno al valore
Principi di ingegneria elettrica. Lezione 6 a. Analisi delle reti resistive
Prncp d ngegnera elettrca Lezone 6 a Anals delle ret resste Anals delle ret resste L anals d una rete elettrca (rsoluzone della rete) consste nel determnare tutte le corrent ncognte ne ram e tutt potenzal
STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE
Matematca e statstca: da dat a modell alle scelte www.dma.unge/pls_statstca Responsabl scentfc M.P. Rogantn e E. Sasso (Dpartmento d Matematca Unverstà d Genova) STATISTICA DESCRITTIVA - SCHEDA N. REGRESSIONE
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
TITOLO: L INCERTEZZA DI TARATURA DELLE MACCHINE PROVA MATERIALI (MPM)
Identfcazone: SIT/Tec-012/05 Revsone: 0 Data 2005-06-06 Pagna 1 d 7 Annotazon: Il presente documento fornsce comment e lnee guda sull applcazone della ISO 7500-1 COPIA CONTROLLATA N CONSEGNATA A: COPIA
Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model
Rcerca Operatva e Logstca Dott. F.Carrabs e Dott.ssa M.Gentl Modell per la Logstca: Sngle Flow One Level Model Mult Flow Two Level Model Modell d localzzazone nel dscreto Modell a Prodotto Sngolo e a Un
* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1
APAT Agenza per la Protezone dell Ambente e per Servz Tecnc Dpartmento Dfesa del Suolo / Servzo Geologco D Itala Servzo Tecnologe del sto e St Contamnat * * * Nota nerente l calcolo della concentrazone
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
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
Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa 2012-2013 lezione 13: 24 aprile 2013
Dpartmento d Statstca Unverstà d Bologna Matematca fnanzara aa 2012-2013 lezone 13: 24 aprle 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/23? reammortamento uò accadere che, dopo l erogazone
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
Norma UNI CEI ENV 13005: Guida all'espressione dell'incertezza di misura
orma UI CEI EV 3005: Guda all'espressone dell'ncertezza d msura L obettvo d una msurazone è quello d determnare l valore del msurando, n altre parole della grandezza da msurare. In generale, però, l rsultato
Concetti principale della lezione precedente
Corso d Statstca medca e applcata 6 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone precedente I concett prncpal che sono stat presentat sono: I fenomen probablstc RR OR ROC-curve Varabl
Test delle ipotesi Parte 2
Test delle potes arte Test delle potes sulla dstrbuzone: Introduzone Test χ sulla dstrbuzone b Test χ sulla dstrbuzone: Eserczo Test delle potes sulla dstrbuzone Molte concluson tratte nell nferenza parametrca
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
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI METODI PER LO STUDIO DEL LEGAME TRA VARIABILI IN UN RAPPORTO DI CAUSA ED EFFETTO I MODELLI DI REGRESSIONE Prof.ssa G. Sero, Prof. P. Trerotol, Cattedra
LEZIONE 2 e 3. La teoria della selezione di portafoglio di Markowitz
LEZIONE e 3 La teora della selezone d portafoglo d Markowtz Unverstà degl Stud d Bergamo Premessa Unverstà degl Stud d Bergamo Premessa () È puttosto frequente osservare come gl nvesttor tendano a non
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
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
Leggere i dati da file
Esempo %soluzon d una equazone d secondo grado dsp('soluzon d a^+b+c') anput('damm l coeffcente a '); bnput('damm l coeffcente b '); cnput('damm l coeffcente c '); deltab^-4*a*c; f delta0 dsp('soluzon
Regressioni con variabili strumentali
Regresson con varabl strumental 3 mportant mnacce alla valdtà nterna del modello: Bas dovuta alle varabl omesse, varabl correlate con X ma non osservate e che per questo non possono essere ncluse nella
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
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
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
CAPITOLO 3 Incertezza di misura Pagina 26
CAPITOLO 3 Incertezza d msura Pagna 6 CAPITOLO 3 INCERTEZZA DI MISURA Le operazon d msurazone sono tutte nevtablmente affette da ncertezza e coè da un grado d ndetermnazone con l quale l processo d msurazone
Tutorato di Complementi di Analisi Matematica e Statistica 23 e 30 marzo 2017
Tutorato d Complement d Anals Matematca e Statstca 23 e 30 marzo 2017 Gl esercz con l smbolo eo sono tratt da prove d esame del 2016 ( eo gorno/mese eo) Esercz dagl ncontr precedent 3. Una varable X può
STATISTICA SOCIALE Corso di laurea in Scienze Turistiche, a.a. 2007/2008 Esercizi 16 novembre2007
STATISTICA SOCIALE Corso d laurea n Scenze Turstche, a.a. 07/08 Esercz 6 novembre07 Eserczo La Tabella contene alcun dat relatv a 6 lavorator delle azende Alfa e Beta. Tabella Lavorator delle azende Alfa
La verifica delle ipotesi
La verfca delle potes In molte crcostanze l rcercatore s trova a dover decdere quale, tra le dverse stuazon possbl rferbl alla popolazone, è quella meglo sostenuta dalle evdenze emprche. Ipotes statstca:
Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti
Il modello marovano per la rappresentazone del Sstema Bonus Malus rof. Cercara Rocco Roberto Materale e Rferment. Lucd dstrbut n aula. Lemare 995 (pag.6- e pag. 74-78 3. Galatoto G. 4 (tt del VI Congresso
Modelli con varabili binarie (o qualitative)
Modell con varabl bnare (o qualtatve E( Y X α + βx + ε quando Y è una varable benoullana Y 1 0 s ha l modello lneare d probabltà Pr( Y 1 X α + βx + ε dove valor stmat della Y assumono l sgnfcato d probabltà.
Esame di Statistica Corso di Laurea in Economia
Esame d Statstca Corso d Laurea n Economa 9 Gennao 0 Cognome Nome atr. Teora S dmostr la propretà d lneartà della meda artmetca. Eserczo Una casa edtrce è nteressata a valutare se tra lettor d lbr esste
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
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
Definizione di campione
Defnzone d campone S consder una popolazone fnta U = {1, 2,..., N}. Defnamo campone ordnato d dmensone n qualsas sequenza d n etchette della popolazone anche rpetute. s = ( 1, 2,..., n ), dove j è l etchetta
Ottimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO
Ottmzzazone nella gtone de progett Captolo 6 Project Schedulng con vncol sulle rsorse CARLO MANNINO Unverstà d Roma La Sapenza Dpartmento d Informatca e Sstemstca 1 Rsorse Ogn attvtà rchede rsorse per
Capitolo 6 Risultati pag. 468. a) Osmannoro. b) Case Passerini c) Ponte di Maccione
Captolo 6 Rsultat pag. 468 a) Osmannoro b) Case Passern c) Ponte d Maccone Fgura 6.189. Confronto termovalorzzatore-sorgent dffuse per l PM 10. Il contrbuto del termovalorzzatore alle concentrazon d PM
Metodi Quantitativi per Economia, Finanza e Management
Metod Quanttatv per Economa, Fnanza e Management Lezone n 10 Regressone Logstca: Le potes del modello, la stma del modello, l nterpretazone del del modello L mpostazone del problema Reddtvtà = rcav - cost
Studio grafico-analitico di una funzioni reale in una variabile reale
Studo grafco-analtco d una funzon reale n una varable reale f : R R a = f ( ) n Sequenza de pass In pratca 1 Stablre l tpo d funzone da studare es. f ( ) Determnare l domno D (o campo d esstenza) della
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
Apprendimento Automatico e IR: introduzione al Machine Learning
Apprendmento Automatco e IR: ntroduzone al Machne Learnng MGRI a.a. 2007/8 A. Moschtt, R. Basl Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: {moschtt,basl}@nfo.unroma2.t 1
McGraw-Hill. Tutti i diritti riservati. Caso 11
Caso Copyrght 2005 The Companes srl Stma d un area fabbrcable n zona ndustrale nella cttà d Ferrara. La stma è effettuata con crter della comparazone e quello del valore d trasformazone. Indce Confermento
MODELLO MONOINDICE. R = a + β R. R M = è variabile aleatoria di rendimento del mercato (in Italia può essere usato il MIB 30).
ODELLO ONOINDICE Il rendmento d un ttolo uò essere scrtto come: R = a + β R (1) dove: R = rendmento dell -mo ttolo; a = comonente aleatora del rendmento, ndendente dall andamento del mercato; R = è varable
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
Gli impatti dei cambiamenti climatici sull atmosfera e sul mare: il ruolo dei Climate Services
Gl mpatt de cambament clmatc sull atmosfera e sul mare: l ruolo de Clmate Servces Maurzo Mauger Dpartmento d Fsca Va Celora 16 I20133 MILANO maurzo.mauger@unm.t Indce Descrzone dell UdR UnM Un esempo d
lxmi.mi.infn.it/~camera/silsis/laboratorio-1/2-statistica.ppt http://www2.dm.unito.it/paginepersonali/zucca/index.htm Misura:
Elaborazone de dat geochmc e cenn d statstca lm.m.nfn.t/~camera/slss/laboratoro-1/-statstca.ppt http://www.dm.unto.t/pagnepersonal/zucca/nde.htm Msura: Espressone quanttatva del rapporto fra una grandezza
Strutture deformabili torsionalmente: analisi in FaTA-E
Strutture deformabl torsonalmente: anals n FaTA-E Il comportamento dsspatvo deale è negatvamente nfluenzato nel caso d strutture deformabl torsonalmente. Nelle Norme Tecnche cò vene consderato rducendo
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
Adattamento di una relazione funzionale ai dati sperimentali
Adattamento d una relazone 1 funzonale a dat spermental Sno ad ora abbamo vsto come può essere stmato, con un certo lvello d confdenza, l valore vero d una grandezza fsca (dretta o dervata) con l suo ntervallo
STRATIGRAFIE PARTIZIONI VERTICALI
STRATIGRAFI PARTIZIONI VRTICALI 6. L solamento acustco: tecnche, calcol 2 Trasmssone rumor In edlza s possono dstnguere dfferent tp d rumor: rumor aere (vocare de vcn da altre untà abtatve, rumor provenent
Precisione e Cifre Significative
Precsone e Cfre Sgnfcatve Un numero (una msura) è una nformazone! E necessaro conoscere la precsone e l accuratezza dell nformazone. La precsone d una msura è contenuta nel numero d cfre sgnfcatve fornte
La taratura degli strumenti di misura
La taratura degl strument d msura L mportanza dell operazone d taratura nasce dall esgenza d rendere l rsultato d una msura rferble a campon nazonal od nternazonal del msurando n questone affnché pù msure
Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2011-2012 lezione 22: 30 maggio 2013
Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2011-2012 lezone 22: 30 maggo 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/27? Eserczo Dmostrare che l equazone della frontera
Calcolo Scientifico e Matematica Applicata Secondo Parziale, Ingegneria Ambientale
Calcolo Scentfco e Matematca Applcata Secondo Parzale, 7.2.28 Ingegnera Ambentale Rsolvere gl esercz, 2, 4 oppure, n alternatva, gl esercz, 3, 4. Valutazone degl esercz: 4, 2 8, 3 8, 4 8.. Illustrare,
Simulazione seconda prova Tema assegnato all esame di stato per l'abilitazione alla professione di geometra, 2006
Smulazone seconda prova Tema assegnato all esame d stato per l'abltazone alla professone d geometra, 006 roposte per lo svolgmento pubblcate sul ollettno SIFET (Socetà Italana d Fotogrammetra e Topografa)
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.
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.
3. Esercitazioni di Teoria delle code
3. Eserctazon d Teora delle code Poltecnco d Torno Pagna d 33 Prevsone degl effett d una decsone S ndvduano due tpologe d problem: statc: l problema non vara nel breve perodo dnamc: l problema vara Come
ANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI
ANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI Rappresentazone tabellare della sere storca Sequenza cronologca Sequenza ordnata Osservazon d massmo annuo d pogga n un gorno 2 Rappresentazone grafca della
Macchine. 5 Esercitazione 5
ESERCITAZIONE 5 Lavoro nterno d una turbomacchna. Il lavoro nterno massco d una turbomacchna può essere determnato not trangol d veloctà che s realzzano all'ngresso e all'uscta della macchna stessa. Infatt
Dai circuiti ai grafi
Da crcut a graf Il grafo è una schematzzazone grafca semplfcata che rappresenta le propretà d nterconnessone del crcuto ad esso assocato Il grafo è costtuto da un nseme d nod e d lat Se lat sono orentat
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.
Tutti gli strumenti vanno tarati
L'INCERTEZZA DI MISURA Anta Calcatell I.N.RI.M S eseguono e producono msure per prendere delle decson sulla base del rsultato ottenuto, come per esempo se bloccare l traffco n funzone d msure d lvello
Esercitazioni del corso di Relazioni tra variabili. Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca
Eserctazon del corso d Relazon tra varabl Gancarlo Manz Facoltà d Socologa Unverstà degl Stud d Mlano-Bcocca e-mal: gancarlo.manz@statstca.unmb.t Terza eserctazone Mlano, 8 febbrao 7 SOMMARIO TERZA ESERCITAZIONE
Progetto Lauree Scientifiche. La corrente elettrica
Progetto Lauree Scentfche La corrente elettrca Conoscenze d base Forza elettromotrce Corrente Elettrca esstenza e resstvtà Legge d Ohm Crcut 2 Una spra d rame n equlbro elettrostatco In un crcuto semplce
Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2012-2013 Esercitazione: 4 aprile 2013
Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2012-2013 Eserctazone: 4 aprle 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/41? Aula "Ranzan B" 255 post 1 2 3 4 5 6 7 8 9
Sistemi Intelligenti Stimatori e sistemi lineari - III
Sstem Intellgent Stmator e sstem lnear - III Alberto Borghese Unverstà degl Stud d Mlano Laboratory of Appled Intellgent Systems (AIS-Lab) Dpartmento d Informatca borghese@d.unm.t /6 http:\\borghese.d.unm.t\
MODELLI STOCASTICI DELLA CLASSE GLM
MODELLI STOCASTICI DELLA CLASSE GLM S possono consderare GLM con dstrbuzone specfcata o modell con quas-verosmglanza, quest ultm sono modell d tpo semparametrco. Illustramo l loro uso come: strumento d
Fotogrammetria. O centro di presa. fig.1 Geometria della presa fotogrammetrica
Fotogrammetra Scopo della fotogrammetra è la determnazone delle poszon d punt nello spazo fsco a partre dalla msura delle poszon de punt corrspondent su un mmagne fotografca. Ovvamente, affnché questo
L analisi della correlazione lineare
L anals della correlazone lneare Corso d STATISTICA Prof. Roberta Sclano Ordnaro d Statstca, Unverstà d apol Federco II Professore supplente, Unverstà della Baslcata a.a. 20/202 Prof. Roberta Sclano Statstca
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
PARTE II LA CIRCOLAZIONE IDRICA
PARTE II LA CIRCOLAZIONE IDRICA La acque d precptazone atmosferca che gungono al suolo scorrono n superfce o penetrano n profondtà dando orgne alla crcolazone, la quale subsce l nfluenza d molt fattor
Circuiti di ingresso differenziali
rcut d ngresso dfferenzal - rcut d ngresso dfferenzal - Il rfermento per potenzal Gl stad sngle-ended e dfferenzal I segnal elettrc prodott da trasduttor, oppure preleat da un crcuto o da un apparato elettrco,
INDICI STATISTICI MEDIA, MODA, MEDIANA, VARIANZA
Lezone 7 - Indc statstc: meda, moda, medana, varanza INDICI STATISTICI MEDIA, MODA, MEDIANA, VARIANZA GRUPPO MAT06 Dp. Matematca, Unverstà d Mlano - Probabltà e Statstca per le Scuole Mede -SILSIS - 2007
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
I SINDACATI E LA CONTRATTAZIONE COLLETTIVA. Il ruolo economico del sindacato in concorrenza imperfetta, in cui:
I IDACATI E LA COTRATTAZIOE COLLETTIVA Il ruolo economco del sndacato n concorrenza mperfetta, n cu: a) le mprese fssano prezz de ben n contest d concorrenza monopolstca (con extra-proftt); b) lavorator
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
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
La retroazione negli amplificatori
La retroazone negl amplfcator P etroazonare un amplfcatore () sgnfca sottrarre (o sommare) al segnale d ngresso (S ) l segnale d retroazone (S r ) ottenuto dal segnale d uscta (S u ) medante un quadrpolo
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
Oltre la regressione lineare
Oltre la regressone lneare Modello d regressone lneare (semplce o multpla: - varabl esplcatve X quanttatve e qualtatve (nserte tramte uso d varabl dummy - varable dpendente Y è quanttatva Y = b + b X +
Soluzioni per lo scarico dati da tachigrafo innovativi e facili da usare. http://dtco.it
Soluzon per lo scarco dat da tachgrafo nnovatv e facl da usare http://dtco.t Downloadkey II Moble Card Reader Card Reader Downloadtermnal DLD Short Range and DLD Wde Range Qual soluzon ho a dsposzone per
* 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
Regressione Multipla e Regressione Logistica: concetti introduttivi ed esempi
Regressone Multpla e Regressone Logstca: concett ntroduttv ed esemp I Edzone ottobre 014 Vncenzo Paolo Senese vncenzopaolo.senese@unna.t Indce Note prelmnar alla I edzone 1 Regressone semplce e multpla
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
6 Prodotti scalari e prodotti Hermitiani
6 Prodott scalar e prodott Hermtan 6.1 Prodott scalar S fss K = R. Defnzone 6.1 Sa V un R-spazo vettorale. Un prodotto scalare su V è un applcazone che gode delle seguent propretà: ) (lneartà rspetto al