RICERCHE DI MERCATO. 5.6 Analisi Fattoriale (Componenti Principali)

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "RICERCHE DI MERCATO. 5.6 Analisi Fattoriale (Componenti Principali)"

Transcript

1 RICERCHE DI MERCATO 5.6 Analisi Fattoriale (Componenti Principali) Prof. L. Neri Dip. di Economia Politica

2 Premessa Come evidenziato in precedenza l approccio di segmentazione per omogeneità prevede la classificazione delle unità statistiche effettuata sulla base del grado di dissomiglianza rispetto ad un insieme di variabili (comportamenti, bisogni, benefici di caratteristiche di prodotti, attitudini dei consumatori, lo stile di vita, ecc.. ). Per giungere a tale classificazione si può ricorrere all uso congiunto di due tecniche di statistica multivariata: l analisi fattoriale e l analisi dei gruppi. Con l analisi fattoriale si determinano i pilastri della segmentazione ovvero le macrocaratteristiche intorno alle quali costruire la segmentazione stessa Con l analisi dei gruppi vengono effettivamente raggruppate le unità statistiche Cosa è l analisi fattoriale?

3 E una tecnica statistica multivariata utilizzata per ridurre e sintetizzare i dati, come? Da un numero consistente di variabili tra loro correlate (a diversi livelli) ad un insieme più ridotto di variabili (fattori) che costituiscono le dimensioni fondamentali del fenomeno. Ruolo delle variabili originali? L analisi fattoriale è una tecnica di analisi di interdipendenza, quindi non si fa distinzione tra variabili indipendenti e variabile dipendente: tutte le variabili sono sullo stesso piano

4 Applicazioni dell analisi fattoriale nelle ricerche di mercato Segmentazione del mercato: viene utilizzata per identificare le variabili che servono per suddividere in gruppi i clienti Segmentazione della domanda per il posizionamento dei prodotti: per determinare le caratteristiche del prodotto (brand attributes) che influenzano le scelte dei consumatori Le ricerche sull efficacia della pubblicità: utilizzate per capire come cambiano le abitudini di consumo di un certo prodotto a seguito di una campagna pubblicitaria Le ricerche per la definizione ed il controllo dei prezzi: utilizzate per identificare le caratteristiche dei consumatori price sensitive

5 Il modello di analisi fattoriale A prima vista è al modello della regressione multipla perché è espresso da una combinazione lineare Specificazione del modello Se indichiamo con X i (i=1 p) il vettore colonna relativo alla i-esima variabile originale standardizzata (cioè trasformata in modo che abbia media zero e varianza uno), tale variabile può essere espressa con il seguente modello: X i =A i1 F 1 + A i2 F 2 +.+A im F m +V i U i [4.1] Dove Fattori unici U: sono specifici di ogni singola variabile originale; sono tra loro incorrelati e sono incorrelati con i fattori comuni Fattori comuni F: possono essere espressi come combinazione lineare delle variabili osservate Più in dettaglio:

6 o A ij (j=1 m, m<p) è il coefficiente che lega la variabile i sul fattore comune j (coefficiente che lega il fattore comune j alla variabile i detto anche peso fattoriale o factor loading) o F j (vettore colonna di dimensione n) è il fattore comune a tutte le variabili, incorrelato con gli altri fattori e con il termine U i o V i è il coefficiente che lega la variabile i al fattore unico i o U i è il fattore unico i (specifico della variabile X i ) o m= numero di fattori comuni, m<p. In forma matriciale, la [4.1] è: X=FA +VU X (n,p) matrice delle variabili originali standardizzate F(n,m) le cui colonne sono gli m fattori comuni, ogni colonna di F ha media 0 e varianza 1 A (p,m) matrice dei factor loadings ovvero dei coeff. Di correlazione tra le variabili osservate ed i fattori comuni V (n,p) matrice dei fattori specifici, uno per ogni variabile osservata

7 U (p,p) matrice diagonale contenente i coefficienti dei fattori specifici L analisi fattoriale ha lo scopo di determinare i fattori comuni, mentre i fattori specifici si determinano per differenza dalla VU=X- FA La soluzione fattoriale è costituita essenzialmente dalla matrice A, tale matrice indica quali variabili risultano principalmente correlate con i diversi fattori comuni e individua, inoltre, l intensità e la direzione di tali relazione Dato che variabili originali ed i fattori sono standardizzati (quindi hanno varianza unitaria), e che per costruzione i fattori sono tra loro incorrelati, il quadrato dei factor loadings esprime la quota di varianza di ciascuna variabile spiegata da ciascun fattore.

8 Variabili osservate (standardizzate) Fattori comuni F 1 F k F m 2 X 1 A 11...A 1k A 1m h1 = Comunalità k 2 A1 k 2 X i A i1 A ik A im = 2 h i A ik 2 2 X p A p1 A pk...a pm = k Autovalori k 1.. k. m λ = k h p A pk k k h 2 i i Se si sommano per riga i quadrati dei factor loadings si ottengono le comunalità, ossia la quota di varianza delle singole variabili spiegata in complesso dai fattori comuni. Se si sommano per colonna i quadrati dei factor loadings si ottengono gli autovalori, ossia l ammontare di varianza complessiva della matrice X estratta da ciascun fattore. A questo punto ci chiediamo: come si estraggono i fattori comuni inziali? Il metodo usato più frequentemente è il metodo delle componenti principali.

9 Le componenti principali E un metodo di trasformazione di un insieme di p variabili osservate in un nuovo insieme di p variabili calcolate dette appunto componenti principali. La costruzione viene effettuata in modo che la prima componente (o fattore) spieghi la più alta proporzione della varianza totale; il secondo fattore spieghi il più possibile della varianza restante al netto del primo fattore (e sia incorrelato con il primo fattore) e così via. I fattori estratti come componenti principali (c.p) hanno le seguenti caratteristiche: o sono incorrelati o Il primo fattore tiene conto dell ammontare maggiore di varianza o Il secondo fattore tiene conto dell ammontare maggiore di varianza al netto del primo etc

10 o I fattori estratti, nel loro complesso forniscono lo stesso contributo informativo delle variabili osservate. Data la matrice X delle variabili originali standardizzate e data la corrispondente matrice di varianza-covarianza S, la prima c.p. è una combinazione lineare delle variabili X i, espressa come y 1 =W 11 X 1 + W 12 X 2 +.+W 1p X p o in termini compatti y 1 =X W 1 dove o y 1 è il vettore colonna di dimensione n dei valori della prima c.p. o X è la matrice (n,p) delle variabili originali o W 1 è il vettore (p,1) dei coefficienti da applicare alle variabili osservate per ottenere la prima c.p.

11 Essendo X una matrice nota, si tratta di calcolare W 1 in modo che Var( y 1 )=max sotto il vincolo W 1 W 1 =1 Si tratta quindi di risolvere un problema di massimo vincolato, risolvibile con il metodo di Lagrange. Il risultato cui si giunge è che la prima c.p. è il primo autovettore della matrice delle covarianze S. La varianza della prima c.p è uguale al primo autovalore 1 di S. Essendo p le variabili originali standardizzate, la somma delle loro varianze (variabilità complessiva) sarà pari a p, quindi il rapporto 1 /p fornisce la quota della varianza complessiva spiegata dalla prima c.p. Successivamente si estrae la seconda c.p. y 2 =X W 2 calcolando W 2 in modo che

12 Var( y 2 )=max sotto i vincoli W 2 W 2 =1 e cov(y 1, y 2 ) Si risolve con il metodo di Lagrange ottenendo che la seconda c.p. è il secondo autovettore della matrice delle covarianze S, il corrispondente autovalore 2 esprime la varianza della seconda c.p. Il procedimento prosegue fino all estrazione di tante componenti quante sono le variabili originali (m=p). Alla fine del processo di estrazione avremo una nuova matrice Y (n,p) calcolata come Y=XW Essendo per costruzione le c.p tra loro incorrelate, la matrice delle covarianze di Y sarà una matrice diagonale che chiameremo L (sulla diagonale ci sono 1.. k. p ). Ricordiamo che: le progressive componenti estratte presentano un contenuto informativo sempre decrescente

13 l insieme di tutte le componenti estratte contiene complessivamente il 100% della variabilità delle variabili originali. E chiaro quindi che le prime m componenti principali sono le più importanti. Come decidere m? Ci sono diversi metodi per stabilire quante componenti principali selezionare Determinazione basata sugli autovalori Si tengono i fattori con autovalori maggiori di 1 Gli autovalori esprimono l ammontare di variabilità associata al fattore Dato che ogni fattore ha varianza 1 per effetto della standardizzazione, se l ammontare di varianza è <1 vuol dire che il fattore non è migliore della variabile originale Determinazione basata sullo scree plot Grafico degli autovalori rispetto al numero del fattore (in ordine di estrazione) quindi il grafico rappresenta la percentuale di varianza spiegata da ciascun fattore. Quindi può essere opportuno fermarsi al fattore che sul grafico corrisponde ad una significativa diminuzione della pendenza

14 della spezzata. Non sempre questo grafico è facile da interpretare. Determinazione basata sulla quota di varianza spiegata Si tengono le c.p. fino al raggiungimento di una opportuna quota di varianza spiegata. Una volta deciso il numero m di c.p da scegliere si ottiene la soluzione fattoriale F = YL 1/ 2 Da cui si può ricavare la matrice A delle correlazioni tra le p variabili X e gli m fattori A 1/ 2 1/ 2 1/ 2 = 1 n X ' F = 1 n X ' YL = 1 n X ' XWL = SWL Concludendo il metodo delle c.p. fornisce una soluzione Fattoriale per il modello X=FA secondo il quale il contenuto informativo originale viene descritto attraverso un numero inferiore di fattori comuni. Se invece si ipotizza che la variabilità totale l nostro fenomeno non possa essere descritta solo da fattori comuni a tutte le

15 variabili originali ma anche da fattori specifici, si procede così: si devono sostituire i valori pari a 1 che si trovano sulla diagonale principale della matrice S con le quote di varianza della variabile Xi spiegate dagli m fattori comuni (comunalità). Come si conduce un analisi fattoriale 1. Si formula il problema 2. Si costruisce la matrice delle correlazioni 3. Si stabilisce il metodo di analisi fattoriale 4. Si determina il numero di fattori 5. Rotazione dei fattori 6. Interpretazione dei fattori

16 Esempio (a conclusione di questo capitolo il problema introdotto viene sviluppato con un programma scritto in Stata) 1. Si formula il problema o Si vogliono determinare i benefici che i consumatori cercano nell acquisto di un dentifricio o Si hanno 30 rispondenti o Devono indicare il livello di accordo con una serie di statements o La scala di classificazione degli statement è in 7 punti: 1= totalmente in disaccordo, 7= totalmente d accordo Statements dell esempio V 1 : è importante acquistare un dentifricio che previene la carie; V 2 : mi piace il dentifricio che dà denti splendenti V 3 : il dentifricio dovrebbe essenzialmente rinforzare le gengive; V 4 : preferisco il dentifricio che rinfresca l alito V 5 : la prevenzione della caduta dei denti non è un fattore di cui tenere conto nell acquisto di un dentifricio

17 V 6 : la più importante considerazione da fare per la scelta di un dentifricio è la bellezza dei denti 2. Si costruisce la matrice delle correlazioni N:B: base di questa operazione c è un ipotesi: la distanza tra un punteggi successivi della scala di valutazione è costante (esempio: tra il punteggio 2 e 3 c è la stessa distanza che tra 6 e 7). o L analisi fattoriale è basata sull idea che le variabili rilevate siano tra loro correlate attraverso una struttura sottostante (i fattori che vogliamo individuare) o Esaminando la matrice di correlazione si verifica se l ipotesi di correlazione è plausibile o Se tutte le correlazioni sono piccole (in valore assoluto) l analisi fattoriale non è adeguata 3. Si stabilisce il metodo di analisi fattoriale Componenti principali: da utilizzare quando l obiettivo principale è determinare il numero minimo di fattori che tengono conto della

18 massima variabilità dei dati (metodo da utilizzare se per esempio le componenti principali devono divenire variabili esplicative di un modello di regressione lineare). Si tenga conto però che nell analisi delle componenti principali tutte le componenti vengono comunque considerate (per spiegare comunque il 100% della variabilità osservata), anche se solo alcune saranno poi utilizzate a fini interpretativi. Il caso estremo è quello in cui le variabili originali del problema sono incorrelate e quindi il numero di componenti uguaglia il numero delle variabili originali. Analisi fattoriale delle comunalità: utilizzata quando l obiettivo principale è individuare la struttura sottostante le nostre variabili originali. In questo caso i fattori sono stimati solo tenendo conto della variabilità comune delle variabili originali. 4. Si determina il numero di fattori Si possono costruire tante componenti principali/fattori quante sono le variabili originali. Per sintetizzare l informazione di base devono essere un numero inferiore alle variabili originali.

19 5. Rotazione dei fattori Una rotazione dei fattori è un cambiamento di posizione delle dimensioni estratte nella prima fase di analisi, mantenendo fissa l origine. Obiettivo della rotazione è la semplificazione della struttura dei fattori. La rotazione determina una riduzione del valore dei pesi fattoriali che nella prima estrazione erano relativamente piccoli e nell incremento (in valore assoluto) dei pesi già dominanti. La soluzione ideale è quella in cui tutti i pesi fattoriali sono prossimi a 0 o 1. Esistono diversi metodi di rotazione. 6. Interpretazione dei fattori Interpretare un fattore significa dargli un nome che abbia pertinenza con il fenomeno studiato e con le variabili dominanti per quel fattore. Per approfondimenti teorici sull analisi fattoriale: Fabbris L.(1997) Statistica multivariata e analisi esplorativa dei dati. McGraw-Hill

20 Esempio ACQUISTO DEL DENTIFRICIO use "F:\written\didattica\statistica per le analisi di mercato\dati/dentifricio". /*analisi preliminare dei dati anche per avere un'idea della variabilità di > ogni item*/. summarize v1-v6 Variable Obs Mean Std. Dev. Min Max v v v v v v /*Analisi di correlazione e test di significatività: h0 e' che la matrice di > correlazione sia una matrice identità e che quindi le variabili siano incorrelate (test basat su chi quadro)*/. pwcorr v1 v2 v3 v4 v5 v6, star(5) v1 v2 v3 v4 v5 v v v v * v * v * * v * * /*per vedere se ci sono outlier e per avere un'idea delle relazioni tra gli item*/. graph matrix v1-v6, mlabel(cod) msymbol(none).. /*componenti principali della matrice di correlazione da cui vedo quanta parte di variabilità è spiegata da ogni componente ad esempio la prima spiega il 45%, le prime 2 l'82%*/. pca v1-v6

21 Solo i primi due autovalori sono <di 1 (obs=30) (principal components; 6 components retained) Component Eigenvalue Difference Proportion Cumulative La somma degli autovalori è 6 perchè rapperesentano varianze di variabili standardizzate /6= (proporzione di variabilità spiegata dal fattore 1 proporzione di variabilità spiegata dai primi due fattori Eigenvectors Variable v v v v v v /*scree plot: autovalori rispetto al loro rango*/. greigen.. /*i factor loading esprimono la correlazione tra le componenti principali estratte e le variabili originali non è detto che sia semplice interpretare i fattori */. factor v1-v6, pcf (obs=30) (principal component factors; 2 factors retained) Factor Eigenvalue Difference Proportion Cumulative

22 Factor Loadings Variable 1 2 Uniqueness v v v v v v Ogni fattore è correlato in modo importante con pi+ù variabili, quindi difficile interpretare rotazione.. /*rotazione dei fattori: la variabilità totale spiegata resta inalterata, varia la ripartizione tra i fattori per rendere più agevole l'interpretazione (ci sono diversi metodi di rotazione e danno risultati diversi*/. rotate (varimax rotation) Rotated Factor Loadings Variable 1 2 Uniqueness v v v v v v Fattore 1 correlato (+) con V1, V3 (- ) con V5 Fattore 2 correlato (+) con V2, V4, V6 v 1 =0.96f f U 1 v 2 =-0.06f f U 2 v 6 =0.08f f U6. /*score delle due componenti principali: sono due variabili standardizzate e > nuove del dataset*/. score pc1 pc2 (based on rotated factors) Scoring Coefficients Variable v v v v v v

23 pc1=f 1 =0.3584v v v6 pc2=f 2 =0.013v v v6. summarize pc1 pc2 Variable Obs Mean Std. Dev. Min Max pc e pc e /*per vedere come si dispongono le unita' statistiche rispetto ad i nuovi fattori*/. twoway scatter pc2 pc1, mlabel(cod). log close Interpretazione dei fattori PC1: BENEFICI PER LA SALUTE V1: è importante acquistare un dentifricio che previene la carie; V3: il dentifricio dovrebbe essenzialmente rinforzare le gengive; V5 (-): la prevenzione della caduta dei denti non è un fattore di cui tenere conto nell'acquisto di un dentifricio PC2: BENEFICI "SOCIALI" V2: mi piace il dentifricio che dà denti splendenti V4: preferisco il dentifricio che rinfresca l'alito V6: la più importante considerazione da fare per la scelta di un dentifricio è la bellezza dei denti

Principal Component Analysis

Principal Component Analysis Principal Component Analysis Alessandro Rezzani Abstract L articolo descrive una delle tecniche di riduzione della dimensionalità del data set: il metodo dell analisi delle componenti principali (Principal

Dettagli

Principal Component Analysis (PCA)

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

Dettagli

Analisi delle Corrispondenze Multiple Prof. Roberto Fantaccione

Analisi delle Corrispondenze Multiple Prof. Roberto Fantaccione Analisi delle Corrispondenze Multiple Prof. Roberto Fantaccione Consideriamo il nostro dataset formato da 468 individui e 1 variabili nominali costituite dalle seguenti modalità : colonna D: Age of client

Dettagli

Esercizi su Autovalori e Autovettori

Esercizi su Autovalori e Autovettori Esercizi su Autovalori e Autovettori Esercizio n.1 5 A = 5, 5 5 5 Esercizio n.6 A =, Esercizio n.2 4 2 9 A = 2 1 8, 4 2 9 Esercizio n.7 6 3 3 A = 6 3 6, 3 3 6 Esercizio n.3 A = 4 6 6 2 2, 6 6 2 Esercizio

Dettagli

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

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

Dettagli

RELAZIONE TRA DUE VARIABILI QUANTITATIVE

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

Dettagli

Parte 2. Determinante e matrice inversa

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

Dettagli

Matrice rappresent. Base ker e img. Rappresentazione cartesiana ker(f) + im(f).

Matrice rappresent. Base ker e img. Rappresentazione cartesiana ker(f) + im(f). Due Matrici A,B. Ker f = ker g. 1- Ridurre a scala A e B e faccio il sistema. 2 Se Vengono gli stessi valori allora, i ker sono uguali. Cauchy 1 autovalore, 1- Metto a matrice x1(0),x2(0),x3(0) e la chiamo

Dettagli

Dott.ssa Caterina Gurrieri

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

Dettagli

Matematica B - a.a 2006/07 p. 1

Matematica B - a.a 2006/07 p. 1 Matematica B - a.a 2006/07 p. 1 Definizione 1. Un sistema lineare di m equazioni in n incognite, in forma normale, è del tipo a 11 x 1 + + a 1n x n = b 1 a 21 x 1 + + a 2n x n = b 2 (1) = a m1 x 1 + +

Dettagli

Titolo della lezione. Analisi dell associazione tra due caratteri: indipendenza e dipendenza

Titolo della lezione. Analisi dell associazione tra due caratteri: indipendenza e dipendenza Titolo della lezione Analisi dell associazione tra due caratteri: indipendenza e dipendenza Introduzione Analisi univariata, bivariata, multivariata Analizzare le relazioni tra i caratteri, per cercare

Dettagli

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

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

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

Capitolo 12 La regressione lineare semplice

Capitolo 12 La regressione lineare semplice Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara

Dettagli

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

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

Dettagli

STUDIO DI SETTORE SM43U

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

Dettagli

Rapida Introduzione all uso del Matlab Ottobre 2002

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

Dettagli

Statistica. Lezione 6

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

Dettagli

Flusso a costo minimo e simplesso su reti

Flusso a costo minimo e simplesso su reti Flusso a costo minimo e simplesso su reti La particolare struttura di alcuni problemi di PL può essere talvolta utilizzata per la progettazione di tecniche risolutive molto più efficienti dell algoritmo

Dettagli

Appunti di Statistica

Appunti di Statistica Appunti di Statistica Riccardo Ricci Università di Firenze, Facoltà di Psicologia Corso di Laurea in Scienze e Tecniche di Psicologia del Lavoro e delle Organizzazioni Anno Accademico 2002-2003 1 maggio

Dettagli

Breve introduzione al metodo del Analytic Hierarchy Process (AHP)

Breve introduzione al metodo del Analytic Hierarchy Process (AHP) Breve introduzione al metodo del Analytic Hierarchy Process (AHP) Massimo Paolucci (paolucci@dist.unige.it) DIST Università di Genova 2 Il metodo SAW costruisce un peso con cui valutare le alternative

Dettagli

LA CORRELAZIONE LINEARE

LA CORRELAZIONE LINEARE LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione

Dettagli

UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA. Filippo Romano 1

UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA. Filippo Romano 1 UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA Filippo Romano 1 1. Introduzione 2. Analisi Multicriteri o Multiobiettivi 2.1 Formule per l attribuzione del

Dettagli

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

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

Dettagli

GEOMETRIA I Corso di Geometria I (seconda parte)

GEOMETRIA I Corso di Geometria I (seconda parte) Corso di Geometria I (seconda parte) anno acc. 2009/2010 Cambiamento del sistema di riferimento in E 3 Consideriamo in E 3 due sistemi di riferimento ortonormali R e R, ed un punto P (x, y, z) in R. Lo

Dettagli

4. Operazioni elementari per righe e colonne

4. Operazioni elementari per righe e colonne 4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:

Dettagli

MINIMI QUADRATI. REGRESSIONE LINEARE

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

Dettagli

ANALISI DEI DATI CON SPSS

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

Dettagli

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA Esercizi su eventi, previsioni e probabilità condizionate Nota: Alcuni esercizi sono tradotti, più o meno fedelmente, dal libro A first course in probability

Dettagli

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

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

Dettagli

Accuratezza di uno strumento

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

Dettagli

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

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

Dettagli

Analisi statistica di dati biomedici Analysis of biologicalsignals

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

Dettagli

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche Ancora sull indipendenza Se A e B sono indipendenti allora lo sono anche A e B Ā e B Ā e B Sfruttiamo le leggi di De Morgan Leggi di De Morgan A B = Ā B A B = Ā B P (Ā B) = P (A B) = 1 P (A B) = 1 (P (A)

Dettagli

STATISTICA 1 ESERCITAZIONE 1 CLASSIFICAZIONE DELLE VARIABILI CASUALI

STATISTICA 1 ESERCITAZIONE 1 CLASSIFICAZIONE DELLE VARIABILI CASUALI STATISTICA 1 ESERCITAZIONE 1 Dott. Giuseppe Pandolfo 30 Settembre 2013 Popolazione statistica: insieme degli elementi oggetto dell indagine statistica. Unità statistica: ogni elemento della popolazione

Dettagli

Esercitazioni di Statistica

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

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE 1 DIPENDENZA E INDIPENDENZA LINEARE Se ho alcuni vettori v 1, v 2,, v n in uno spazio vettoriale V, il sottospazio 1 W = v 1,, v n di V da loro generato è

Dettagli

Capitolo 2 - Teoria della manutenzione: classificazione ABC e analisi di Pareto

Capitolo 2 - Teoria della manutenzione: classificazione ABC e analisi di Pareto Capitolo 2 - Teoria della manutenzione: classificazione ABC e analisi di Pareto Il presente capitolo continua nell esposizione di alcune basi teoriche della manutenzione. In particolare si tratteranno

Dettagli

Esercizi su lineare indipendenza e generatori

Esercizi su lineare indipendenza e generatori Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v

Dettagli

Minimizzazione di Reti Logiche Combinatorie Multi-livello

Minimizzazione di Reti Logiche Combinatorie Multi-livello Minimizzazione di Reti Logiche Combinatorie Multi-livello Maurizio Palesi Maurizio Palesi 1 Introduzione Obiettivo della sintesi logica: ottimizzazione delle cifre di merito area e prestazioni Prestazioni:

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

Autorità per la vigilanza sui contratti pubblici di lavori, servizi e forniture QUADERNO

Autorità per la vigilanza sui contratti pubblici di lavori, servizi e forniture QUADERNO Autorità per la vigilanza sui contratti pubblici di lavori, servizi e forniture QUADERNO IL CRITERIO DI AGGIUDICAZIONE DELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA Dicembre 2011 IL CRITERIO DI AGGIUDICAZIONE

Dettagli

(V) (FX) Z 6 è un campo rispetto alle usuali operazioni di somma e prodotto.

(V) (FX) Z 6 è un campo rispetto alle usuali operazioni di somma e prodotto. 29 giugno 2009 - PROVA D ESAME - Geometria e Algebra T NOME: MATRICOLA: a=, b=, c= Sostituire ai parametri a, b, c rispettivamente la terzultima, penultima e ultima cifra del proprio numero di matricola

Dettagli

Metodi statistici per l economia (Prof. Capitanio) Slide n. 4. Materiale di supporto per le lezioni. Non sostituisce il libro di testo

Metodi statistici per l economia (Prof. Capitanio) Slide n. 4. Materiale di supporto per le lezioni. Non sostituisce il libro di testo Metodi statistici per l economia (Prof. Capitanio) Slide n. 4 Materiale di supporto per le lezioni. Non sostituisce il libro di testo Dipendenza di un carattere QUANTITATIVO da un carattere QUALITATIVO

Dettagli

General Linear Model. Esercizio

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

Dettagli

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1 LEZIONE 14 141 Dimensione di uno spazio vettoriale Abbiamo visto come l esistenza di una base in uno spazio vettoriale V su k = R, C, permetta di sostituire a V, che può essere complicato da trattare,

Dettagli

RELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della

RELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della RELAZIONE TRA VARIABILI QUANTITATIVE Lezione 7 a Accade spesso nella ricerca in campo biomedico, così come in altri campi della scienza, di voler studiare come il variare di una o più variabili (variabili

Dettagli

Compito di SISTEMI E MODELLI. 19 Febbraio 2015

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

Dettagli

MATRICI E DETERMINANTI

MATRICI E DETERMINANTI MATRICI E DETERMINANTI 1. MATRICI Si ha la seguente Definizione 1: Un insieme di numeri, reali o complessi, ordinati secondo righe e colonne è detto matrice di ordine m x n, ove m è il numero delle righe

Dettagli

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 = 1

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 = 1 Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 Capitolo 3. L'analisi della varianza. Il problema dei confronti multipli. La soluzione drastica di Bonferroni ed il test

Dettagli

Notizie generali sul Resilience Process Questionnaire

Notizie generali sul Resilience Process Questionnaire 12 Notizie generali sul Resilience Process Questionnaire Il modello teorico di riferimento Oltre ai modelli descritti da Fergus e Zimmerman (2005) esiste un quarto approccio che, partendo dall approccio

Dettagli

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

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

Dettagli

CS. Cinematica dei sistemi

CS. Cinematica dei sistemi CS. Cinematica dei sistemi Dopo aver esaminato la cinematica del punto e del corpo rigido, che sono gli schemi più semplificati con cui si possa rappresentare un corpo, ci occupiamo ora dei sistemi vincolati.

Dettagli

Introduzione Metodo POT

Introduzione Metodo POT Introduzione Metodo POT 1 Un recente metodo di analisi dei valori estremi è un metodo detto POT ( Peak over thresholds ), inizialmente sviluppato per l analisi dei dati idrogeologici a partire dalla seconda

Dettagli

(accuratezza) ovvero (esattezza)

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

Dettagli

FUNZIONE ESPONENZIALE E FUNZIONE LOGARITMICA

FUNZIONE ESPONENZIALE E FUNZIONE LOGARITMICA FUNZIONE ESPONENZIALE E FUNZIONE LOGARITMICA DEFINIZIONE: Dato un numero reale a che sia a > 0 e a si definisce funzione esponenziale f(x) = a x la relazione che ad ogni valore di x associa uno e un solo

Dettagli

Le competenze linguistiche e matematiche degli adulti italiani sono tra le più basse nei paesi OCSE

Le competenze linguistiche e matematiche degli adulti italiani sono tra le più basse nei paesi OCSE ITALIA Problematiche chiave Le competenze linguistiche e matematiche degli adulti italiani sono tra le più basse nei paesi OCSE La performance degli italiani varia secondo le caratteristiche socio-demografiche

Dettagli

di4g: Uno strumento di clustering per l analisi integrata di dati geologici

di4g: Uno strumento di clustering per l analisi integrata di dati geologici di4g: Uno strumento di clustering per l analisi integrata di dati geologici Alice Piva 1, Giacomo Gamberoni 1, Denis Ferraretti 1, Evelina Lamma 2 1 intelliware snc, via J.F.Kennedy 15, 44122 Ferrara,

Dettagli

Addio agli studi. L impatto dei fattori sociali e delle motivazioni individuali sulla scelta di abbandonare l università

Addio agli studi. L impatto dei fattori sociali e delle motivazioni individuali sulla scelta di abbandonare l università Università degli Studi di Milano - Bicocca Nucleo di Valutazione Addio agli studi. L impatto dei fattori sociali e delle motivazioni individuali sulla scelta di abbandonare l università Alessandra Caserini

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

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

Dettagli

SISTEMI LINEARI QUADRATI: METODI ITERATIVI

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

Dettagli

La dissomiglianza tra due distribuzioni normali

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

Dettagli

METODI ITERATIVI PER SISTEMI LINEARI

METODI ITERATIVI PER SISTEMI LINEARI METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione

Dettagli

Laboratorio di Progettazione Esecutiva dell Architettura 2 Corso di Estimo a.a. 2007-08 Docente Renato Da Re Collaboratore: Barbara Bolognesi

Laboratorio di Progettazione Esecutiva dell Architettura 2 Corso di Estimo a.a. 2007-08 Docente Renato Da Re Collaboratore: Barbara Bolognesi Laboratorio di Progettazione Esecutiva dell Architettura 2 Corso di Estimo a.a. 2007-08 Docente Renato Da Re Collaboratore: Barbara Bolognesi Microeconomia venerdì 29 febbraio 2008 La struttura della lezione

Dettagli

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

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

Dettagli

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y =

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y = ESERCIZI Testi (1) Un urna contiene 20 palline di cui 8 rosse 3 bianche e 9 nere; calcolare la probabilità che: (a) tutte e tre siano rosse; (b) tutte e tre bianche; (c) 2 rosse e una nera; (d) almeno

Dettagli

COME MASSIMIZZARE UNA FUNZIONE DI UTILITÀ

COME MASSIMIZZARE UNA FUNZIONE DI UTILITÀ icroeconomia Douglas Bernheim, ichael Whinston Copyright 009 The cgraw-hill Companies srl COE ASSIIZZARE UNA FUNZIONE DI UTILITÀ Supponiamo che il reddito mensile di Elena sia pari a Y e sia interamente

Dettagli

4. Confronto tra medie di tre o più campioni indipendenti

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

Dettagli

x 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0.

x 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0. Problema. Sia W il sottospazio dello spazio vettoriale R 4 dato da tutte le soluzioni dell equazione x + x 2 + x = 0. (a. Sia U R 4 il sottospazio dato da tutte le soluzioni dell equazione Si determini

Dettagli

SCOMPOSIZIONE IN FATTORI DI UN POLINOMIO

SCOMPOSIZIONE IN FATTORI DI UN POLINOMIO SCOMPOSIZIONE IN FATTORI DI UN POLINOMIO Così come avviene per i numeri ( 180 = 5 ), la scomposizione in fattori di un polinomio è la trasformazione di un polinomio in un prodotto di più polinomi irriducibili

Dettagli

Esercizi di calcolo combinatorio

Esercizi di calcolo combinatorio CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA Esercizi di calcolo combinatorio Nota: Alcuni esercizi sono tradotti, più o meno fedelmente, dal libro A first course in probability di Sheldon Ross, quinta

Dettagli

Funzioni in più variabili

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

Dettagli

APPLICAZIONI LINEARI

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

Dettagli

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

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

Dettagli

Appunti di Algebra Lineare

Appunti di Algebra Lineare Appunti di Algebra Lineare Indice 1 I vettori geometrici. 1 1.1 Introduzione................................... 1 1. Somma e prodotto per uno scalare....................... 1 1.3 Combinazioni lineari e

Dettagli

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

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

Dettagli

La www.mailsms.it. Per contattarci ass.mailsms@gmail.com. Oppure per contatto diretto 3425824000 orari ufficio DIRETTAMENTE PROGRAMMANDONE L INVIO

La www.mailsms.it. Per contattarci ass.mailsms@gmail.com. Oppure per contatto diretto 3425824000 orari ufficio DIRETTAMENTE PROGRAMMANDONE L INVIO La www.mailsms.it E lieta di presentarvi il sistema sms numero 1 in Italia Per contattarci ass.mailsms@gmail.com Oppure per contatto diretto 3425824000 orari ufficio FINALMENTE UN SISTEMA AFFIDABILE E

Dettagli

Rette e piani con le matrici e i determinanti

Rette e piani con le matrici e i determinanti CAPITOLO Rette e piani con le matrici e i determinanti Esercizio.. Stabilire se i punti A(, ), B(, ) e C(, ) sono allineati. Esercizio.. Stabilire se i punti A(,,), B(,,), C(,, ) e D(4,,0) sono complanari.

Dettagli

Studente: SANTORO MC. Matricola : 528

Studente: SANTORO MC. Matricola : 528 CORSO di LAUREA in INFORMATICA Corso di CALCOLO NUMERICO a.a. 2004-05 Studente: SANTORO MC. Matricola : 528 PROGETTO PER L ESAME 1. Sviluppare una versione dell algoritmo di Gauss per sistemi con matrice

Dettagli

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

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

Dettagli

ANALISI DELLE FREQUENZE: IL TEST CHI 2

ANALISI DELLE FREQUENZE: IL TEST CHI 2 ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento

Dettagli

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

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

Dettagli

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

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

Dettagli

PRINCIPI BASILARI DI ELETTROTECNICA

PRINCIPI BASILARI DI ELETTROTECNICA PRINCIPI BASILARI DI ELETTROTECNICA Prerequisiti - Impiego di Multipli e Sottomultipli nelle equazioni - Equazioni lineari di primo grado e capacità di ricavare le formule inverse - nozioni base di fisica

Dettagli

Effetto reddito ed effetto sostituzione.

Effetto reddito ed effetto sostituzione. . Indice.. 1 1. Effetto sostituzione di Slutsky. 3 2. Effetto reddito. 6 3. Effetto complessivo. 7 II . Si consideri un consumatore che può scegliere panieri (x 1 ; ) composti da due soli beni (il bene

Dettagli

FONDAMENTI DI ECONOMIA AZIENDALE E IMPIANTISTICA INDUSTRIALE. Sistemi di rilevazione dei costi Job Costing, Process Costing

FONDAMENTI DI ECONOMIA AZIENDALE E IMPIANTISTICA INDUSTRIALE. Sistemi di rilevazione dei costi Job Costing, Process Costing FONDAMENTI DI ECONOMIA AZIENDALE E IMPIANTISTICA INDUSTRIALE Proff.. Alberto Baggini Marco Melacini A.A. 2008/2009 Sistemi di rilevazione dei costi Job Costing, Process Costing Allocazione dei costi industriali

Dettagli

ELEMENTI DI STATISTICA

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

Dettagli

Approssimazione polinomiale di funzioni e dati

Approssimazione polinomiale di funzioni e dati Approssimazione polinomiale di funzioni e dati Approssimare una funzione f significa trovare una funzione f di forma più semplice che possa essere usata al posto di f. Questa strategia è utilizzata nell

Dettagli

Confronto tra gruppi (campioni indipendenti)

Confronto tra gruppi (campioni indipendenti) Confronto tra gruppi (campioni indipendenti) Campioni provenienti da una popolazione Normale con medie che possono essere diverse ma varianze uguali campioni: Test z or t sulla differenza tra medie 3,

Dettagli

6. Calcolare le derivate parziali prime e seconde, verificando la validità del teorema di Schwarz:

6. Calcolare le derivate parziali prime e seconde, verificando la validità del teorema di Schwarz: FUNZIONI DI PIU VARIABILI Esercizi svolti. Determinare il dominio delle seguenti funzioni e rappresentarlo graficamente : (a) f log( x y ) (b) f log(x + y ) (c) f y x 4 (d) f sin(x + y ) (e) f log(xy +

Dettagli

ESTIMO GENERALE. 1) Che cos è l estimo?

ESTIMO GENERALE. 1) Che cos è l estimo? ESTIMO GENERALE 1) Che cos è l estimo? L estimo è una disciplina che ha la finalità di fornire gli strumenti metodologici per la valutazione di beni economici, privati o pubblici. Stimare infatti significa

Dettagli

Il simbolo. è è = = = In simboli: Sia un numero naturale diverso da zero, il radicale. Il radicale. esiste. esiste 0 Il radicale

Il simbolo. è è = = = In simboli: Sia un numero naturale diverso da zero, il radicale. Il radicale. esiste. esiste 0 Il radicale Radicali 1. Radice n-esima Terminologia Il simbolo è detto radicale. Il numero è detto radicando. Il numero è detto indice del radicale. Il numero è detto coefficiente del radicale. Definizione Sia un

Dettagli

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

Appunti sull uso di matlab - I

Appunti sull uso di matlab - I Appunti sull uso di matlab - I. Inizializazione di vettori.. Inizializazione di matrici.. Usare gli indici per richiamare gli elementi di un vettore o una matrice.. Richiedere le dimensioni di una matrice

Dettagli

2 Formulazione dello shortest path come problema di flusso

2 Formulazione dello shortest path come problema di flusso Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10 Lecture 20: 28 Maggio 2010 Cycle Monotonicity Docente: Vincenzo Auletta Note redatte da: Annibale Panichella Abstract In questa lezione

Dettagli

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

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

Dettagli

VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011

VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011 VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011 1 RAPPRESENTARE I DATI: TABELLE E GRAFICI Un insieme di misure è detto serie statistica o serie dei dati 1) Una sua prima elementare elaborazione può

Dettagli

Lab. 1 - Introduzione a Matlab

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

Dettagli