Analisi delle componenti principali
|
|
- Renata Caruso
- 7 anni fa
- Visualizzazioni
Transcript
1 Analisi delle componenti principali Si tratta di un potente metodo statistico che permette di esaminare empiricamente correlazioni fra piu' parametri. In un certo senso e' l'estenzione ad N parametri del coefficiente di correlazione definito per 2 parametri. Il numero di parametri N puo' essere piccolo (3) o grande (1000). In questo corso vedremo 2 applicazioni. Una relativa alla classificazione basata su spettri (ed in questo caso N sara' alto) ed una relativa al piano fondamentale (e qui N=3). L'ACP non e' utilizzato solo in ambito astronomico. E' usata, ad esempio, dai genetisti per studiare la relazioni tra caratteristiche somatiche (altezza, peso, colore occhi, colore capelli, gruppo sanguigno etc..) delle popolazioni.
2 Il metodo consiste nel calcolare la matrice di correlazione e diagonalizzarla mediante il calcolo di autovalori e autovettori. In questa maniera viene individuata una base di N vettori, combinazione lineare dei parametri di partenza, che meglio descrive la popolazione. Inoltre, e da qui il nome di componenti principali, permette di individuare quali sono gli autovettori piu' caratterizzanti per la popolazione. Questo permette di ridurre il numero di parametri necessari per descrivere un elemento della popolazione perdendo la minima informazione. Esempio spicciolo. Conosco eta', peso ed altezza (N=3) di una popolazione. Queste 3 grandezze sono correlate tra di loro: eta' con peso, peso con altezza, eta' con altezza. L'ACP mi permette di trovare la combinazione lineare (del tipo 0.3xEta' + 0.5xPeso 0.4xAltezza) che al meglio mi descrive una persona. Dando solo il peso di 40kg non saprei se si tratta di una persona bassa o di un bambino. Dando solo l'eta' (30 anni) non posso dedurre il peso (dipende dall'altezza). Etc. Se invece descrivo l'individuo non secondo Eta-Peso-Altezza ma secondo le 3 combinazioni individuate dagli autovettori, allora mi basta utilizzare il primo autovettore per fornire gia' la maggior parte dell'informazione.
3 Dal punto di vista statistico ecco come si procede - Sia x i il valore di N parametri misurati per M oggetti. - <x> i e' il valore medio dell'i-esimo parametro sugli M oggetti. - Posso calcolare lo scarto del parametro i dalla media come (x i -<x> i ) per ognuno degli M oggetti.
4 Matrice di covarianza La matrice di covarianza e' costruita moltiplicando gli scarti 2 a 2 e sommando sugli M oggetti: ij = 1/(M-1) M [(x i -<x> i )(x j -<x> j )] Gli elementi diagonali ii parametro i-esimo. sono uguali alla varianza del
5 Matrice di correlazione La matrice di correlazione si definisce a partire dalla matrice di covarianza come C ij = ij / ( ii jj )1/2 Si puo' vedere facilmente che la matrice e' simmetrica: C ij = C ji I valori lungo la diagonale sono tutti 1 C ii = / ( ii ii ii )1/2 = 1 (ogni parametro correla con se stesso).
6 Il Metodo L'idea e' di individuare un nuovo sostema di coordinate che meglio descriva la variabilita' dei dati. X 2 X 1
7 Matematicamente, si tratta di risolvere il problema agli autovettori e diagonalizzare la matrice di covarianza. In questo modo troveremo una base i cui versori saranno: Ortogonali e indipendenti Catturano quantita' crescente di varianza Possiamo ordinare infatti gli N autovettori secondo l'autovettore ad essi associato: > >...> 1 2 N La porzione di varianza spiegata da /( ) N
8 Per capire le cose servono degli esempi... eccone uno =1983-->95% 1 =97 -->5% 2 Ho dei dati, descritti da 2 parametri x e y. Qui si puo' vedere come sono distribuiti i punti. Non sono sparsi a caso nel volume ma c'e' una relazione tra x e y. Con la PCA e' possibile individuare le direzioni lungo cui sono sistribuiti i punti. Nella figura sono indicate come k1, k2. Se rappresento i punti nella nuova base, trovo
9 Per capire le cose servono degli esempi... eccone un'altro Ho dei dati, descritti da 3 parametri x, y, z. Qui si puo' vedere come sono distribuiti i punti. Non sono sparsi a caso nel volume ma c'e' una relazione tra x, y e z. Con la PCA e' possibile individuare le direzioni lungo cui sono sistribuiti i punti. Nella figura sono indicate come k1, k2 e k3
10 M dati DATI SCARTI prodotto degli SCARTI # x y z x-<x> y-<y> z-<z> x x y y z z x y x z y z # Matrice di covarianza Varianza di x, y, e z
11 Matrice di covarianza Si trova il valore di per cui il determinante e' uguale a 0. E' una equazione di 3zo grado (dato che abbiamo 3 parametri). = >87.8% 1 = >11.7% 2 = > 0.4% 3 Aut. Vettore K1 = X Y Z Aut. Vettore K2 = X Y Z Aut. Vettore K3 = X Y Z
12 Posso cambiare sistema di coordinate e graficare i punti nello spazio K1, K2, K3 k1= *x *y *z k2= *x *y *z k3=-0.488*x *y z
13 Applicazione della PCA per la classificazione di galassie basata su spettri Nel prossimo futuro, survey di galassie produrranno una gran quantita' di spettri che permetteranno di misurare una gran quantita' di proprieta' dele galassie. Ad esempio, la survey 2dF Galaxy Survey misurera' lo spettro di galassie. Lo spettro integrato di una galassia e' la misura della sua popolazione stellare, del suo contenuto di gas e delle sue proprieta' dinamiche. Le proprieta' dello spettro correlano spesso con la morfologia delle galassie. Dato che lo spettro e' legato direttamente ai processi astrofisici che lo generano, gli spettri possono essere utilizzati per descrivere lo stato evolutivo della galassie. Gli spettro possono essere ottenuti per oggetti relativamente lontani e per i quali non e' possibile studiare la morfologia da immagini e sono relativametne semplici da analizzare. Anche se sono state studiate possibili classificazioni spettrali di galassie (Humason nel 1936, Morgan & Mayall nel 1957), solo recentemente questo tipo di studio/tecnica e' stata concretamente sviluppata.
14 Come si applica agli spettri Uno spettro puo' essere considerato come 1 punto in uno spazio M-dimensionale dove M e' il numero di bin a cui e' misurato il flusso. In altre parole, preso uno spettro lo si ripulisce ta residui di sottrazione del cielo (sia emissione che assorbimento), eventuali colonne rovinate etc., lo si riporta nel sistema a riposo (non solo per quanto riguarda la lunchezza d'onda ma anche il flusso). A questo punto lo spettro avra' M misure di flusso, una per ogni intervallino di lunghezza d'onda (bin per l'appunto). Nella applicazione che mostriamo come esempio (presa da Folkes, S.R., et al. 1999, MNRAS 308, 459, l'articolo e' nel suto web del corso) il bin e' di 4Å. Lo scopo del PCA e' il trovare la combinazione lineare degli M parametri lungo cui la varianza e' massima. E' possibile vedere che questo asse corrisponde proprio all'autovettore corrispondente all'autovalore maggiore (che di fatto sara' uguale alla varianza lungo quest'asse).
15 Esempio di spettri preparati per la PCA. Ogni spettro e' campionato con 738 valori di flusso (ogni 4Å). Le righe spettrali piu' importanti sono indicte dalle linee verticali.
16 Componente principale n.3 : 4.6% della dispersione. Componente principale n.2. Il 11.6% della dispersione dei punti avviene in questa direzione Componente principale n.1 (o primo autovettore). Il 49.6% della dispersione dei punti avviene in questa direzione Spettro medio di tutto il campione di galassie (~6000 oggetti in questo esempio)
17 L'interpretazione delle prime 3 componenti Con le prime 3 componenti si tiene conto del 65.4% della varianza. Il rimanente 34.2% e' essenzialmente dovuto a rumore nei dati. A questo punto si puo' cercare di dare un senso fisoco a questo risultato. La prima componente (PC1) essenzialmente mostra la correlazione tra tra la pendenza del continuo nel blu e la presenza di emissioni forti (cioe' se un oggetto e' blu ha anche forti emissioni La seconda componente (PC2) permette di aumentare l'intensita' delle emissioni senza alterare al forma del continuo. La terza componente (PC3) permette una anticorrelazione tra l'intensita' delle righe dell'ossigeno e dell'h, in relazione al livello di ionizzazione delle regioni che generano l'emissione
18 Interpretazione Fisica Vediamo ora come e' possibile dare un significato fisico all'analisi PCA. Vedremo 2 differenti approcci: 1) interpretazione dello spettro 2) classificazione morfologica.
19 PC1-PC2 In Questo piano gli spettri tendono a formare un unico raggruppamento. Gli oggetti blu e con righe di emissione cadono nella regione a destra mentre gli oggetti rossi con assorbimenti sulla sinistra. Oggetti con righe di emissione particolarmente forti sono nella pate inferiore del grafico. Gli oggetti indicati in basso a destra sono stati divisi in 6 categorie in modo da evidenziarne la posizione e dare un significato fisico alla classificazione. Distribuzione degli spettri nello spazio delle prime 3 PC.
20 PC1-PC3 In questo piano la segregazione dei punti e' meno marcata (come ci si poteca aspettare dato che PC3 conta meno di PC2). Si puo' comunque distinguere qui fra oggetti con emissioni di idrogeno e ossigeno
21 Distribuzione degli spettri nello spazio delle PC e classificazione morfologica Utilizzando una 50na di oggetti con classificazione nota, e' possibile individuare le zone occupate dai vari tipi morfologici. Le righe oblique dividono il piano in 5 aree relative a 5 tipi morfologici come inticato dall'elenco in basso a destra. Gli spettri relativi ai 5 tipo sono mostrati nella diapositiva successiva.
22
Analisi delle componenti principali
Analisi delle componenti principali Si tratta di un potente metodo statistico che permette di esaminare empiricamente correlazioni fra più parametri. In un certo senso é l'estenzione ad N parametri del
Dettagli62 CAPITOLO 3. STATISTICA DESCRITTIVA
62 CAPITOLO 3. STATISTICA DESCRITTIVA Raccogliamo su una popolazione di n individui i dati relativi a m caratteri (variabili) e riportiamoli in una matrice, dove le righe (n) sono relative ad individui
DettagliPrincipal. component analysis. Dai volti agli spettri di galassie
Principal component analysis Dai volti agli spettri di galassie SCOPO: PCA for beginners Ridurre il numero di variabili all interno di una collezione di oggetti per descriverli piu facilmente, sulla base
DettagliRappresentazione dei dati multivariati
Rappresentazione dei dati multivariati Quando si hanno più di due varabili la posizione di ciascuna unità rispetto alle altre può essere rappresentata nel diagramma relativo alle prime due CP l importanza
DettagliVarianza totale e generalizzata Analisi Esplorativa
Varianza totale e generalizzata Analisi Esplorativa Aldo Solari 1 / 49 1 Varianza totale 2 Varianza generalizzata 3 Appendice 2 / 49 Variabilità Nel caso p = 1, la variabilità (o dispersione) presente
DettagliAnalisi delle componenti principali
Analisi delle componenti principali Serve a rappresentare un fenomeno k-dimensionale tramite un numero inferiore o uguale a k di variabili incorrelate, ottenute trasformando le variabili osservate Consiste
DettagliComprendere i fenomeni vuol dire studiare le relazioni tra 2 o più variabili. Esiste un legame tra le variabili?
Comprendere i fenomeni vuol dire studiare le relazioni tra 2 o più variabili. Esiste un legame tra le variabili? Quale tipo di legame? Quanto forte? Siamo sicuri che non sia dovuto al caso? Tutti i modelli
DettagliEsplorazione grafica di dati multivariati. N. Del Buono
Esplorazione grafica di dati multivariati N. Del Buono Scatterplot Scatterplot permette di individuare graficamente le possibili associazioni tra due variabili Variabile descrittiva (explanatory variable)
DettagliStatistica descrittiva in due variabili
Statistica descrittiva in due variabili 1 / 65 Statistica descrittiva in due variabili 1 / 65 Supponiamo di misurare su un campione statistico due diverse variabili X e Y. Indichiamo come al solito con
DettagliUniversità degli Studi di Bergamo Modulo di Geometria e Algebra Lineare (nuovo programma) 2 settembre 2013 Tema A
Università degli Studi di Bergamo Modulo di Geometria e Algebra Lineare (nuovo programma) settembre 013 Tema A Tempo a disposizione: ore e mezza Calcolatrici, libri e appunti non sono ammessi Ogni esercizio
DettagliNel modello omoschedastico la varianza dell errore non dipende da i ed è quindi pari a σ 0.
Regressione [] el modello di regressione lineare si assume una relazione di tipo lineare tra il valore medio della variabile dipendente Y e quello della variabile indipendente X per cui Il modello si scrive
DettagliMatematica Lezione 22
Università di Cagliari Corso di Laurea in Farmacia Matematica Lezione 22 Sonia Cannas 14/12/2018 Indici di posizione Indici di posizione Gli indici di posizione, detti anche misure di tendenza centrale,
DettagliAutovalori e autovettori
Autovalori e autovettori Ax = λx x 0 Allora λ è un autovalore della matrice A corrispondente all autovettore x Risolviamo l equazione secolare det(a λi) = 0 Trasformazioni di similarità det(sas 1 λi) =
DettagliProbablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Franco Flandoli, Università di Pisa Matrice di covarianza Dato un vettore aleatorio (anche non gaussiano) X = (X 1,..., X n ), chiamiamo sua media il vettore
DettagliLa matrice delle correlazioni è la seguente:
Calcolo delle componenti principali tramite un esempio numerico Questo esempio numerico puó essere utile per chiarire il calcolo delle componenti principali e per introdurre il programma SPAD. IL PROBLEMA
Dettagli25 - Funzioni di più Variabili Introduzione
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 25 - Funzioni di più Variabili Introduzione Anno Accademico 2013/2014 M. Tumminello
DettagliAnalisi delle corrispondenze
Analisi delle corrispondenze Obiettivo: analisi delle relazioni tra le modalità di due (o più) caratteri qualitativi Individuazione della struttura dell associazione interna a una tabella di contingenza
DettagliAstrofisica Generale Mod.B
Astrofisica Generale Mod.B parte III Classificazione ad alti z Laurea Specialistica in Astronomia AA 2007/08 Alessandro Pizzella Sommario 1) Classificazione automatica e per alti z. 1a) da immagini: Indici
DettagliEsercizi 3, 1. Prof. Thomas Parisini. Esercizi 3, 3 Regola:
Esercizi 3, 1 Esercizi 3, 2 Esercizi Stabilità per sistemi a tempo continuo Analisi degli autovalori Analisi del polinomio caratteristico, criterio di Routh-Hurwitz Stabilità per sistemi a tempo continuo
DettagliStabilità per sistemi a tempo continuo
Esercizi 3, 1 Stabilità per sistemi a tempo continuo Analisi degli autovalori Analisi del polinomio caratteristico, criterio di Routh-Hurwitz Calcolo di Esercizi 3, 2 Esercizi Stabilità per sistemi a tempo
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
Dettagli1 se k = r i. 0 altrimenti. = E ij (c)
Facoltà di Scienze Statistiche, Algebra Lineare A, G.Parmeggiani LEZIONE 5 Matrici elementari e loro inverse Si fissi m un numero naturale. Per ogni i, j m con i j siano E ij (c) (ove c è uno scalare )
DettagliStatistica multivariata! Analisi fattoriale
Parte 3 : Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Statistica multivariata! Analisi
DettagliUniversità degli Studi di Bergamo Scuola di Ingegneria Corso di Geometria e Algebra Lineare Appello 4 luglio 2016 Parte B Tema B1
Università degli Studi di Bergamo Scuola di Ingegneria Corso di Geometria e Algebra Lineare Appello luglio 6 Parte B Tema B Tempo a disposizione: due ore. Calcolatrici, libri e appunti non sono ammessi.
DettagliAnalisi delle corrispondenze
Capitolo 11 Analisi delle corrispondenze L obiettivo dell analisi delle corrispondenze, i cui primi sviluppi risalgono alla metà degli anni 60 in Francia ad opera di JP Benzécri e la sua equipe, è quello
DettagliANALISI MULTIDIMENSIONALE DEI DATI (AMD)
ANALISI MULTIDIMENSIONALE DEI DATI (AMD) L Analisi Multidimensionale dei Dati (AMD) è una famiglia di tecniche il cui obiettivo principale è la visualizzazione, la classificazione e l interpretazione della
DettagliStatistica di base per l analisi socio-economica
Laurea Magistrale in Management e comunicazione d impresa Statistica di base per l analisi socio-economica Giovanni Di Bartolomeo gdibartolomeo@unite.it Definizioni di base Una popolazione è l insieme
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
DettagliStatistica Elementare
Statistica Elementare 1. Frequenza assoluta Per popolazione si intende l insieme degli elementi che sono oggetto di una indagine statistica, ovvero l insieme delle unità, dette unità statistiche o individui
DettagliDeterminazione della curva di luce e della massa di NGC 2748
Determinazione della curva di luce e della massa di NGC 2748 Marco Berton, Liceo Scientifico U. Morin - Mestre Alessio Dalla Valle, Liceo Scientifico G. Bruno Mestre Luca Marafatto, Liceo Classico M. Foscarini
DettagliApplicazioni bilineari e matrici.
Il caso reale Applicazioni bilineari e matrici Sia g un prodotto scalare su R n Ricordo che un prodotto scalare su R n è un applicazione g : R n R n R che soddisfa le seguenti condizioni: Per ogni v ;
DettagliREGRESSIONE E CORRELAZIONE
REGRESSIONE E CORRELAZIONE Nella Statistica, per studio della connessione si intende la ricerca di eventuali relazioni, di dipendenza ed interdipendenza, intercorrenti tra due variabili statistiche 1.
DettagliAlfonso Iodice D Enza
Strumenti quantitativi per l economia e la finanza I Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino e del Lazio Meridionale ali dei Il coefficiente () Statistica 1 / 50 Outline
DettagliPsicometria con Laboratorio di SPSS 1
Psicometria con Laboratorio di SPSS 1 1-Panoramica delle tecniche: Spiegazione intuitiva vers. 1.1 (vers. 1.1, 14 marzo 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università
DettagliUniversità degli Studi di Bergamo Matematica II (5 e 7,5 crediti) 5 luglio 2013 Tema A
Università degli Studi di Bergamo Matematica II (5 e 7,5 crediti) 5 luglio 2013 Tema A Tempo a disposizione: 1 ora e mezza. Calcolatrici, libri e appunti non sono ammessi. Ogni esercizio va iniziato all
DettagliPiccola rassegna di Algebra delle Matrici
Piccola rassegna di Algebra delle Matrici 1 Introduzione Questa nota va intesa semplicemente come un brevissimo sommario di alcuni concetti relativi alle Matrici, che dovete utilizzare nell ambito dello
DettagliDef. 1. Si chiamano operazioni elementari sulle righe di A le tre seguenti operazioni:
Facoltà di Scienze Statistiche, Algebra Lineare 1 A, G.Parmeggiani LEZIONE 5 Operazioni elementari sulle righe di una matrice Sia A una matrice m n. Def. 1. Si chiamano operazioni elementari sulle righe
Dettagli05. Determinare una base ortonormale per ognuno dei seguenti spazi vettoriali.
T.1 BASI ORTONORMALI, MATRICI ORTOGONALI 01. Sia V il sottospazio di IR 3 generato dalla base B : (1, 0, 2), (0, 2, 1). Verificare che anche C : (1, 2, 1), (1, 4, 0) è base per V e ortonormalizzare le
DettagliUniversità degli Studi di Bergamo Modulo di Geometria e Algebra Lineare (vecchio programma) 2 settembre 2013 Tema A
Università degli Studi di Bergamo Modulo di Geometria e Algebra Lineare (vecchio programma) settembre 013 Tema A Tempo a disposizione: ore. Calcolatrici, libri e appunti non sono ammessi. Ogni esercizio
DettagliProva scritta di Complementi di Probabilità e Statistica. 7 Dicembre 2012
Prova scritta di Complementi di Probabilità e Statistica 7 Dicembre. Un ingegnere vuole investigare se le caratteristiche di una superficie metallica sono influenzate dal tipo di pittura usata e dal tempo
Dettagli11 settembre Soluzione esame di geometria - Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura 3 ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliESERCIZI DI STATISTICA SOCIALE
ESERCIZI DI STATISTICA SOCIALE FREQUENZA ASSOLUTA Data una distribuzione semplice di dati, ovvero una serie di microdati, si chiama frequenza assoluta di ogni modalità del carattere studiato il numero
DettagliSpettroscopia ottica di sorgenti celesti ignote
Spettroscopia ottica di sorgenti celesti ignote Filippo Dalla, Angelo La Rocca, Luca Palmieri ABSTRACT La spettroscopia è la scienza che si occupa dello studio e della misura di uno spettro, i dati che
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliAnalisi multivariata (DPRS)
Analisi multivariata (DPRS) 8b-Esempio di fattoriale esplorativa vers. 1.0 Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2010-2011 Rossi (Dip. Psicologia)
DettagliDIAGONALIZZAZIONE E FORME QUADRATICHE / ESERCIZI PROPOSTI
M.GUIDA, S.ROLANDO, 204 DIAGONALIZZAZIONE E FORME QUADRATICHE / ESERCIZI PROPOSTI L asterisco contrassegna gli esercizi più difficili o che possono considerarsi meno basilari. Autovalori, autospazi e diagonalizzazione
DettagliFondamenti di Matematica del discreto
Fondamenti di Matematica del discreto M1 - Insiemi numerici 25 gennaio 2013 - Laurea on line Esercizio 1. Dire, motivando la risposta, se è possibile scrivere 3 come combinazione lineare di 507 e 2010,
DettagliEsercizi di Calcolo e Biostatistica con soluzioni
1 Esercizi di Calcolo e Biostatistica con soluzioni 1. Date le funzioni f 1 (x) = x/4 1, f 2 (x) = 3 x, f 3 (x) = x 4 2x, scrivere a parole le operazioni che, dato x in modo opportuno, permettono di calcolare
Dettagli7. STATISTICA DESCRITTIVA
7. STATISTICA DESCRITTIVA Quando si effettua un indagine statistica si ha a che fare con un numeroso insieme di oggetti, detto popolazione del quale si intende esaminare una o più caratteristiche (matricole
DettagliSPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE
SPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE. Esercizi Esercizio. In R calcolare il modulo dei vettori,, ),,, ) ed il loro angolo. Esercizio. Calcolare una base ortonormale del sottospazio
DettagliStatistica descrittiva in due variabili
Statistica descrittiva in due variabili Dott Nicola Pintus AA 2018-2019 Indichiamo con U la popolazione statistica e con u i le unità statistiche Ad ogni unità statistica associamo i caratteri osservati
DettagliStatistica multivariata
Parte 3 : Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Analisi multivariata Cercare di capire
DettagliStatistica multivariata
Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Analisi multivariata Cercare di capire le relazioni
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 16/06/2016 NOME: COGNOME: MATRICOLA: Esercizio 1 Cinque lettere
Dettagli1 Addendum su Diagonalizzazione
Addendum su Diagonalizzazione Vedere le dispense per le definizioni di autovettorre, autovalore e di trasformazione lineare (o matrice) diagonalizzabile. In particolare, si ricorda che una condizione necessaria
DettagliPROCEDURE/TECNICHE DI ANALISI / MISURE DI ASSOCIAZIONE A) ANALISI DELLA VARIANZA
PROCEDURE/TECNICHE DI ANALISI / MISURE DI ASSOCIAZIONE A) ANALISI DELLA VARIANZA PROCEDURA/TECNICA DI ANALISI DEI DATI SPECIFICAMENTE DESTINATA A STUDIARE LA RELAZIONE TRA UNA VARIABILE NOMINALE (ASSUNTA
DettagliIl Modello della Analisi Fattoriale Esplorativa e i Metodi di Classificazione Automatica (Analisi di Raggruppamento)
Il Modello della Analisi Fattoriale Esplorativa e i Metodi di Classificazione Automatica (Analisi di Raggruppamento) Se all interno di un insieme di informazioni articolato in una matrice di dati X si
DettagliEsame scritto di Geometria I
Esame scritto di Geometria I Università degli Studi di Trento Corso di laurea in Fisica A.A. 26/27 Appello di febbraio 27 Esercizio Sia f h : R R l applicazione lineare definita da f h (e ) = 2e + (2 h)e
DettagliMetodo dei Minimi Quadrati. Dott. Claudio Verona
Metodo dei Minimi Quadrati Dott. Claudio Verona E in generale interessante studiare l andamento di una variabile in funzione di un altra e capire se c è una funzione matematica che le lega. Viceversa è
DettagliMatematica per Chimica, Chimica Industriale e Scienze dei Materiali Primo appello 7/02/2012 Tema A
Matematica per Chimica, Chimica Industriale e Scienze dei Materiali Primo appello 7/02/202 Tema A NOME:..................................................... COGNOME:.....................................................
DettagliMetodi e Modelli Matematici di Probabilità per la Gestione Prova scritta A 18/12/2009
Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta A 18/1/009 Esercizio 1. Un officina ha tre stazioni di lavoro uguali dove può essere effettuata la verniciatura, con un unica fila
Dettagli1 SIGNIFICATO DEL DETERMINANTE
UNIVERSITÀ DEGLI STUDI DI ROMA LA SAPIENZA - Facoltà di Farmacia e Medicina - Corso di Laurea in CTF 1 SIGNIFICATO DEL DETERMINANTE Consideriamo il seguente problema: trovare l area del parallelogramma
DettagliAlfonso Iodice D Enza
Strumenti quantitativi per l economia e la finanza I Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino e del Lazio Meridionale () Statistica 1 / 58 Outline 1 2 3 4 5 () Statistica
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
Dettagli0.1 Coordinate in uno spazio vettoriale
0.. COORDINATE IN UNO SPAZIO VETTORIALE 0. Coordinate in uno spazio vettoriale Sia V uno spazio vettoriale di dimensione finita n costruito sul campo K. D ora in poi, ogni volta che sia fissata una base
DettagliUniversità degli Studi di Bergamo Corso integrato di Analisi 1 (Geometria e Algebra Lineare) 3 settembre 2009 Tema A
Università degli Studi di Bergamo Corso integrato di Analisi (Geometria e Algebra Lineare) settembre 009 Tema A Tempo a disposizione: ore. Calcolatrici, libri e appunti non sono ammessi. Ogni esercizio
DettagliGeometria BAER Test di autovalutazione del 31/10/18
Geometria BAER Test di autovalutazione del 3//8 LEGGERE ATTENTAMENTE PRIMA DI ANDARE ALL INIZIO DEL TEST ALLA PAGINA SUCCESSIVA. NON LEGGERE LE DOMANDE PRIMA DI INIZIARE IL TEST Il test NON É VALUTATO
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
DettagliEsercizi di Geometria - 1
Esercizi di Geometria - Samuele Mongodi - smongodi@snsit Di seguito si trovano alcuni esercizi assai simili a quelli che vi troverete ad affrontare nei test e negli scritti dell esame Non è detto che vi
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
DettagliAnalisi statistica e matematico-finanziaria II. Alfonso Iodice D Enza Università degli studi di Cassino e del Lazio Meridionale
delle sui delle Analisi statistica e matematico-finanziaria II Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino e del Lazio Meridionale sulle particolari ali dei dati Outline
DettagliINGEGNERIA EDILE ARCHITETTURA ELEMENTI DI ALGEBRA LINEARE E GEOMETRIA 25 FEBBRAIO a a. A a = 1 a 0
INGEGNERIA EDILE ARCHITETTURA ELEMENTI DI ALGEBRA LINEARE E GEOMETRIA 5 FEBBRAIO 013 Esercizio 1. Al variare del parametro a R, si consideri la matrice A a = 1 a 0 a 1 0. 1 1 a (1) Si discuta al variare
DettagliL'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile. Corso di Metodologia della ricerca sociale
L'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile Corso di Metodologia della ricerca sociale L analisi della varianza (ANOVA) La tecnica con cui si esplorano le relazioni
DettagliEsercitazione ENS su processi casuali (13 e 14 Maggio 2008)
Esercitazione ES su processi casuali ( e 4 Maggio 2008) D. Donno Esercizio : Calcolo di autovalori e autovettori Si consideri un processo x n somma di un segnale e un disturbo: x n = Ae π 2 n + w n, n
DettagliApplicazioni statistiche e utilizzo del package statistico Spss - 7
Applicazioni statistiche e utilizzo del package statistico Spss - 7 CISI 27 gennaio 2005 ricercapsicologica@tiscali.it Illustrare le principali statistiche mono e bivariate. Valutare quando è opportuno
DettagliL A B C di R. Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010
L A B C di R 0 20 40 60 80 100 2 3 4 5 6 7 8 Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010 La scelta del test statistico giusto La scelta della analisi
Dettagli3 settembre Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliCapitolo 3 Sintesi e descrizione dei dati quantitativi
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 3 Sintesi e descrizione dei dati quantitativi Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e tecnologie Alimentari" Unità
DettagliAPPUNTI SULLA DIAGONALIZZAZIONE Corso Prof. F.Podestà, a.a
APPUNTI SULLA DIAGONALIZZAZIONE Corso Prof FPodestà, aa 003-004 Sia V uno spazio vettoriale e sia f : V V una applicazione lineare una tale applicazione da uno spazio vettoriale in se stesso è chiamata
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
DettagliA.A. 2014/2015 Corso di Algebra Lineare
A.A. 2014/2015 Corso di Algebra Lineare Stampato integrale delle lezioni Massimo Gobbino Indice Lezione 01: Vettori geometrici nel piano cartesiano. Operazioni tra vettori: somma, prodotto per un numero,
DettagliINGEGNERIA EDILE ARCHITETTURA ELEMENTI DI ALGEBRA LINEARE E GEOMETRIA 19 GIUGNO 2012
INGEGNERIA EDILE ARCHITETTURA ELEMENTI DI ALGEBRA LINEARE E GEOMETRIA 19 GIUGNO 2012 MATTEO LONGO Esercizio 1. Al variare del parametro a R, si consideri l applicazione lineare L a : R R definita dalle
DettagliEsercizi Di Geometria 1 (BAER) Canale 1 Da consegnare Lunedi 26 Ottobre
Esercizi Di Geometria 1 (BAER) Canale 1 Da consegnare Lunedi 26 Ottobre SETTIMANA 4 (19 25 Ottobre) Matrici elementari Gli esercizi sono presi dal libro Intorduction to Linear Algebra di Serge Lang. Esercizio
DettagliAUTOVALORI, AUTOVETTORI, AUTOSPAZI
AUTOVALORI, AUTOVETTORI, AUTOSPAZI. Esercizi Esercizio. Sia f : R 3 R 3 l endomorfismo definito da f(x, y, z) = (x+y, y +z, x+z). Calcolare gli autovalori ed una base per ogni autospazio di f. Dire se
Dettaglii) Si tratta di uno studio di osservazione V F ii) Quale delle seguenti affermazioni è corretta? a b c
I COMPITO (3 crediti) ESERCIZIO 1 E stata effettuata una ricerca per studiare se il raccolto di una particolare specie di cereale Y (t/ha) è correlato linearmente con la quantità di fertilizzante applicato
DettagliScheda n. 9: PCA - parte prima
Scheda n. 9: PCA - parte prima November 22, 2008 1 Introduzione Supponiamo di esaminare n variabili aleatorie (gaussiane -anche se questa richiesta non è necessaria-) X 1,..., X n. Un esempio possono essere
DettagliUNIVERSITÀ DEGLI STUDI DI FIRENZE. Registro dell'insegnamento
UNIVERSITÀ DEGLI STUDI DI FIRENZE Registro dell'insegnamento Anno accademico 2010/2011 Prof. PRATO ELISA Settore inquadramento GEOMETRIA REGISTRO Facoltà FACOLTA' DI ARCHITETTURA NON VALIDATO Insegnamento
DettagliCapitolo 8 Forme quadratiche e loro applicazioni Esercizi svolti Tutorato di geometria e algebra lineare. Marco Robutti
Capitolo 8 Forme quadratiche e loro applicazioni Esercizi svolti Tutorato di geometria e algebra lineare Marco Robutti 5 Ottobre 2017 1 Introduzione Gli esercizi di questo capitolo riguardano i seguenti
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure relative a una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliCORSO DI LAUREA IN INGEGNERIA EDILE/ARCHITETTURA
CORSO DI LAUREA IN INGEGNERIA EDILE/ARCHITETTURA FOGLIO DI ESERCIZI 4 GEOMETRIA 2008/09 Esercizio 4.1 (5.10). Dati i vettori di R 3 : v 1 (1, 1, 2), v 2 (2, 4, 6), v 3 ( 1, 2, 5), v 4 (1, 1, 10) determinare
DettagliBasi matematiche per il Machine Learning
Basi matematiche per il Machine Learning Corso di AA, anno 2017/18, Padova Fabio Aiolli 04 Ottobre 2017 Fabio Aiolli Basi matematiche per il Machine Learning 04 Ottobre 2017 1 / 14 Probabilità Un esperimento
DettagliProgrammazione con Foglio di Calcolo Cenni di Statistica Descrittiva
Fondamenti di Informatica Ester Zumpano Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Lezione 5 Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di
DettagliScopo dello studio. Metodi
Ci si può fidare dei risultati dell analisi delle componenti principali? Ricci C, Milani S Istituto di Statistica Medica e Biometria G.A. Maccacaro Facoltà di Medicina e Chirurgia, Università degli Studi
DettagliSISTEMI DI DUE EQUAZIONI IN DUE INCOGNITE
SISTEMI DI DUE EQUAZIONI IN DUE INCOGNITE Un equazione di primo grado in una incognita del tipo, con ha: una sola soluzione (equazione determinata) se nessuna soluzione (equazione impossibile) se tutte
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
Dettagli