Modello logistico (Modello di regressione logistica)
|
|
- Fabriciano Luciani
- 7 anni fa
- Visualizzazioni
Transcript
1 Modello logstco (Modello d regressone logstca) Prof. Guseppe Verlato Prof. Elsabetta Zanoln Sezone d Epdemologa e Statstca Medca, Dpartmento d Santà Pubblca e Medcna d Comuntà, Unverstà degl Stud d Verona E per le varabl qualtatve NOMINALI? 2 VARIABILI (entrambe qualtatve): test del ch-quadrato, test esatto d Fscher 3 VARIABILI qualtatve (2 var. + var. d stratfcazone): test d Mantel-Haenszel MOLTE VARIABILI: y dcotomca (malato/sano) modello LOGISTICO y poltomca (fumatore, ex-fumatore, ma-fumatore) modello MULTINOMIALE
2 MODELLO DI REGRESSIONE LOGISTICA 9 / (9+32) 0 / (0+9) / (+52) 6 / (6+97) prevalenze MODELLO LOG-LINEARE contegg MODELLO DI POISSON 9 / 50 persone-anno 0 / 90 persone-anno / 630 persone-anno 6 / 03 persone-anno ncdenze
3 Dat relatv a 00 soggett sulla presenza delle malatte schemche (CHD) ID AGRP AGE CHD ID AGRP AGE CHD ID AGRP AGE CHD ID AGRP AGE CHD CHD=0 malatta assente CHD= malatta presente,2 0,8 Presenza d CHD n base all'età CHD 0,6 0,4 0, età
4 CHD classe d'età N assente presente meda(proporz.) , , , , , , , ,8 totale ,43 Proporzone d CHD per classe d'età proporzone CHD 0,8 0,6 0,4 0, età Curva con andamento sgmode
5 Rassumendo La meda condzonale (E(Y x)) deve essere compresa tra 0 e. S utlzza qund l modello d regressone logstca π(x) che soddsfa questo requsto. La dstrbuzone bernoullana descrve la dstrbuzone degl error e qund sarà la dstrbuzone su cu l anals statstca è ncentrata. Nella regressone logstca, s utlzzeranno gl stess prncp segut nella regressone lneare Odds Il cavallo Varenne ha 20 probabltà su 00 d vncere una gara. Il cavallo Varenne 20 probabltà su 00 d vncere 80 probabltà su 00 d perdere Odds d vttora = 20 / 80 = / 4 = 0,25 Pertanto Varenne vene dato 4 a ( a 4) Ch scommette 000 su Varenne n ognuna d 00 gare, vnce 20 volte 4000, n tutto 80000, perde 80 volte 000, n tutto 80000, per cu le perdte pareggano le vncte.
6 ODDS RATIO (OR) (rapporto crocato, stma ndretta del Rscho Relatvo) ESEMPIO: Un fumatore ha 40 probabltà su 00 d essere perteso a 60 ann. Un non-fumatore ha 20 probabltà su 00 d essere perteso a 60 ann. ) Probabltà (p) p (pertensone / fumatore ) = 40 / 00 = 0,4 = 40% p(pertensone / non-fumatore) = 20/00 = 0,2 = 20% p 2) Odds (ω) = p odds d pertensone ne fumator = 40 / 60 = 0,67 = 67% odds d pertensone ne non-fumator =20/80 =0,25 =25% p -p 3) Odds Rato = (O.R.) odds rato d pertensone ne fumator p 0 rspetto a non-fumator = 0,67 / 0,25 = 2,67 -p 0 Nella regressone lneare multpla la Y vara tra - e + Nella regressone logstca p(malatta) vara tra 0 e odds(malatta) = p/(-p) vara tra 0 e + Logt = ln [p/(-p)] vara tra - e + trasformazone logartmca - 0 p 0 odds + logt +
7 MODELLO DI REGRESSIONE LOGISTICA Predttore lneare Ln [π/(-π)] = β 0 + β x + β 2 x 2 + β 3 x 3 + β 3 x x 3 Logt Var.qualtatve e/o quanttatve Termne d nterazone π/(-π) = exp(β 0 + β x + β 2 x 2 + β 3 x 3 + β 3 x x 3 ) odds π = prevalenza exp(β 0 + β x + β 2 x 2 + β 3 x 3 + β 3 x x 3 ) + exp(β 0 + β x + β 2 x 2 + β 3 x 3 + β 3 x x 3 ) I MODELLI LINEARI GENERALIZZATI s dfferenzano per la dstrbuzone dell errore (error functon) e per la funzone legame (lnk functon) REGRESSIONE LINEARE MULTIPLA y = β 0 + β x + β 2 x 2 + β 3 x 3 + β 3 x x 3 + ε La funzone legame (lnk-functon) è l IDENTITA L errore segue la dstrbuzone NORMALE MODELLO DI REGRESSIONE LOGISTICA Ln [y/(-y)] = β 0 + β x + β 2 x 2 + β 3 x 3 + β 3 x x 3 + ε La funzone legame (lnk-functon) è l LOGIT [LOG(ODDS)] L errore segue la dstrbuzone BERNOULLIANA MODELLO LOG-LINEARE Ln(y) = β 0 + β x + β 2 x 2 + β 3 x 3 + β 3 x x 3 + ε La funzone legame (lnk-functon) è l LOGARITMO L errore segue la dstrbuzone d POISSON
8 Metod d ottmzzazone per trovare l modello che meglo s adatta a dat Se la funzone-legame è l denttà: Regressone lneare semplce Regressone lneare multpla Anals della varanza Anals della covaranza Omoschedastctà ɛ ~N(0;σ 2 ) Metodo de mnm quadrat (least-square method) Regressone logstca Non-Omoschedastctà ɛ ~B(0;π(-π)) Metodo della massma verosmglanza (maxmum lkelhood) Metodo teratvo Notazone utlzzata Paa d osservazon: (x, y ) =, 2, 3, 4. N y =outcome 0=assenza =presenza x =valore var. ndpendente per l soggetto esmo Es. (età,chd) Soggetto : (20,0) Soggetto 23: (34,)
9 Il metodo della massma verosmglanza c fornsce valor de parametr gnot che massmzzano la probabltà d ottenere dat osservat. Per applcarlo dobbamo costrure la funzone d verosmglanza, che c dà la probabltà d avere dat osservat n funzone de parametr gnot. Sceglamo parametr (stme d massma verosmglanza) che massmzzano la funzone d verosmglanza. Come stmare parametr gnot nella regressone logstca tramte la funzone d verosmglanza? π(x) c dà la probabltà condzonale che y= per un dato valore d x es. π(x) c dà la probabltà che un soggetto abba CHD (y=) all età d 49 ann (x) π(x) c dà la probabltà condzonale che y=0 per un dato valore d x es. -π(x) c dà la probabltà che un soggetto non abba CHD (y=0) all età d 49 ann (x) per (x, y ) dove y = l contrbuto alla funzone d verosmglanza è π(x ) per (x, y ) dove y =0 l contrbuto alla funzone d verosmglanza è -π(x )
10 [ ] [ ] [ ] [ ] { } ) ( )ln ( ) ( ln ) ( ln ) ( ) ( ) ( ) ( ) ( ) ( n n y y x y x y l L x l x x x π π ζ π π ζ + = = = = = = β β β Il contrbuto d una coppa alla funzone d verosmglanza è: Assumendo che le osservazon sano ndpendent, la funzone d verosmglanza vene ottenuta come prodotto de termn ζ(x ): Per l prncpo della massma verosmglanza, utlzzamo le stme d β 0 e β che massmzzano l(β), ma matematcamente l logartmo d l(β) è pù facle da trattare: log-lkelhood [ ] [ ] 0 ) ( 0 ) ( = = = = n n x y x x y π π Per trovare valor d β 0 e β che massmzzano L(β), dervamo L(β) rspetto a β 0 e β e ponamo le espresson rsultant=0. Per β 0 s ha: Per β s ha: Queste equazon, non essendo lnear ne parametr, sono rsolvbl tramte process teratv dsponbl ne software statstc.
11 S ottengono così le stme de parametr e, dove ^ ndca la stma. βˆ Esempo con dat su età e CHD. Utlzzando un software statstco, ottenamo rsultat n tabella: βˆ 0 varable AGE Constant Coeffcente stmato Errore standard Coeff./ES Log-lkelhood= Qund valor predett vengono dat dall equazone: e * age ˆ ( x ) = * age π e l logt stmato è: + e g ˆ ( x) = * age Log-lkelhood= è ottenuto dall equazone (che è stata massmzzata per ottenere le stma de parametr) : n L( β) = ln [ l( β) ] = { y ln[ π( x )] + ( y )ln [ π( x )]} =
12 L nterpretazone de coeffcent (β) del modello d regressone logstca Nella regressone lneare, β c dcono d quanto vara y al varare d x d un untà. β = y(x+) y(x) Analogamente anche per la regressone logstca: β = g(x+) g(x) Il problema è dare un sgnfcato alla dfferenza tra quest 2 logt Per scoprre l sgnfcato d questa dfferenza tra due logt, consderamo l caso n cu abbamo una varable ndpendente x dcotomca, codfcata come x=0 (non esposto) e x= (esposto)
13 β = g(x+) g(x)= g() - g(0)= ( ) π ( 0) π = ln ln = π () π (0) π () π () = ln = π (0) ln(or) π (0) β =ln(or) e β =OR Odds tra non espost Odds tra gl espost OR Quando abbamo una sola varable ndpendente, possamo verfcare che l parametro β stmato dalla regressone logstca corrsponde al ln(or) calcolato dalla tabellna corrspondente. Es. Età e CHD: dvdamo l età n 2 categore <55(x=0) e >55(x=) Coeffcente Errore Coeff./ES OR Stmato Standard AGE Constant
14 CONSEGUENZE della TRASFORMAZIONE LOGARITMICA: 5 L ntervallo d confdenza dventa asmmetrco 4 3 e η+,96 ES 2 e η e η,96 ES Modello Modello loglneare logstco 0 stma conteggo Odds Rato log(stma) OR) Costruendo ora la tabellna 2X2: AGE(x) CHD (y) >55() <55 Presente () Assente (0) Totale OR=2*5/(6*22)=8. che qund corrsponde a quanto trovato con la regressone logstca
15 L nterpretazone de coeffcente nel caso d una varable ndpendente classfcata n pù d 2 categore è analoga. Es. CHD e razza (banca=; nera=2; spanca=3; altra=4) Coeffcente Stmato Errore Standard Coeff./ES OR RAZZA(2) RAZZA(3) RAZZA(4) Costante In questo caso, l OR è calcolato per tutte le razze rspetto alla razza banca Varabl dummy (fttze) Lvello della varable RAZZA NERA ISPANICA ALTRO RAZZA() Banca RAZZA(2) Nera 0 0 RAZZA(3) Ispanca 0 0 RAZZA(4) Altra 0 0
16 Anche quando x è contnua l nterpretazone è analoga, ma β dà l cambamento del log-odds all aumentare d della varable ndpendente. A volte può essere molto utle calcolare l cambamento nvece che per ogn untà d x, per ogn 0 UNITA (ad es. nvece d consderare solo anno d età, consderare 0 ann d età) oppure per un ncremento d UNA DEVIAZIONE STANDARD. Una volta stmat parametr, c chedamo: sono sgnfcatv? Il modello che nclude la varable n studo c dà nformazon n pù sull outcome rspetto al modello che non la nclude? Es. Consderare l età come possble fattore d rscho per l nsorgenza d CHD ha senso? Test d sgnfcatvtà per parametr
17 Regressone lneare multpla y = β 0 + β x + β 2 x 2 + ε Varabltà totale (y- y) = (ŷ - y) + (y-ŷ ) Varabltà spegata dalla regressone Varabltà resdua,2 varable Y 5,6 La scomposzone delle devanza vene effettuata nello stesso modo: l unca dfferenza è che y atteso (ŷ) gace nel pano e non su una retta 0 varable X 4 S varable X2 SCOMPOSIZIONE DELLA DEVIANZA nella Regressone lneare multpla - 2 Varabltà totale (y- y) = (y - y) + (y- y ) Varabltà spegata dalla regressone Varabltà resdua S può dmostrare che: Devanza totale, SST Σ(y- y) 2 = Σ (y - y) 2 + Σ(y- y) 2 Devanza spegata dalla regressone, SSR Devanza resdua, SSE
18 Anche nella regressone logstca, s confrontano valor y osservat con quell prevst dal modello con e senza la varable d regressone. Il paragone vene effettuato tramte la log-lkelhood. Pensamo agl osservat come dat prevst da un modello saturo (= modello che contene tant parametr quant dat). ( verosmglanza. modello. corrente) D = 2ln = ( verosmglanza. modello. saturo) = 2 ln( [ veros. mod. saturo) ln( veros. mod. corrente) ] D vene chamata devanza e ha lo stesso ruolo d la devanza resdua nella regressone lneare SSE= n ( y yˆ = ) 2 CONCETTO DI DEVIANCE l( = ) Modello n studo modello saturo l( =x) n parametr = n data ln(0.005)= ln(0.)= lkelhood -6-4 log(lkelhood) ln(0.005)= ln(0.)=2.303 devance=2*( )= log(lkelhood)
19 D ( verosmglanza. modello. corrente) = 2ln ( verosmglanza. modello. saturo) Lkelhood rato test Rapporto d verosmglanza D è dstrbuta come χ 2 con g.l.=n osservazon-n parametr Per testare la sgnfcatvtà d una varable ndpendente (x): G = D(per l modello senza la varable) D(per l modello con la varable) Sosttuendo D dventa: verosmglanza.sen za. varable G = 2ln = verosmglanza. con. varable = 2 ln( [ verosmcon..var) ln( verosm.sen za.var) ] Sotto l potes che β =0, la statstca G segue χ 2 con g.l. (quando x è contnua o dcotomca)
20 Altro test per testare la sgnfcatvtà delle varabl: Wald test W = βˆ EŜ(ˆ β ) Sotto l potes nulla β =0, W segue una dstrbuzone normale esempo varable AGE Constant Coeffcente stmato Errore standard Coeff./ES Log-lkelhood rato test: Log-lkelhood= Log-lkelhood senza la varable AGE (modello nullo solo con la costante) = G=2( ( ))=29.3 χ 2 con g.l. P<0.00 Wald test: z=4.6 P<0.00 AGE è sgnfcatva
21 Per l passaggo alla regressone logstca multpla, aggungamo le varabl d nteresse al modello n studo: g( x) = β 0 + β x + β x β x p p π( x) e = + e g( x) g( x) Test d sgnfcatvtà per parametr regressone logstca multpla Es. Studo su possbl fattor d rscho per basso peso alla nascta (peso<2.5kg): y= bmbo a basso peso; y=0 bmbo peso normale Dat su 89 donne d cu 59 hanno avuto bmb con basso peso alla nascta. Varabl ndpendent (x) consderate: Età Peso della madre all ultmo cclo Razza (0=banca, =Nera, 2=altra razza) N. d vste dal medco nel I trmestre
22 Età Coeffcente stmato Errore standard Coeff./Se -0.7 Peso-madre E razza razza n.vste I trm costante Log-lkelhood=-.286 verosmglanza. senza. varable G = 2ln = verosmglanza. con. varable = 2 ln( [ veros. senza.var) ln( veros. con.var) ] Non abbamo la log-lkelhood del modello senza varabl: fttamo un modello con solo l termne costante: Loglkelhood= G= -2[(-7.336) (-.286)]=2. Sotto H 0 che tutt parametr=0, G s dstrbusce come χ 2 con grad d lbertà par al n. d parametr stmat (n questo caso 5). P[χ 2 (5)]<0.05
23 Il rfuto dell potes nulla n questo caso sgnfca che almeno uno de parametr stmat è dverso da 0. Per vedere qual delle varabl potrebbero essere escluse dal modello, faccamo l Wald test su cascun parametro (ultma colonna tabella) La razza e l peso della madre sono le due varabl che rsultano sgnfcatve Possamo costrure un modello con un mnor numero d varabl Coeffcente stmato Errore standard Coeff./ES Peso-madre E razza razza Costante Log-lkelhood= Confrontamolo con l modello precedente: G= -2[(-.630) - (-.286)] = con 2 g.l. P[χ 2 (2)]>0.05 non sgnf. Il presente modello è un buon modello
24 Coeffcente stmato Errore standard Coeff./ES Peso-madre E razza razza Costante Problema: solo uno de due coeffcent d Razza (razza) rsulta sgnfcatvo con l Wald test; la varable sarà complessvamente statstcamente sgnfcatva per l modello? Effettuamo l lkelhood rato test che confronta l modello con Pesomadre e Razza con quello contenente solo Peso-madre: G= -2[(-4.345) - (-.630)] = 5.43 con 2 g.l. P[χ 2 (2)]=0.066 >0.05 non sgnf., teorcamente dovremmo escludere Razza dal modello, MA è bologcamente mportante, percò NON la escludamo. E per confrontare modell con varabl dverse? poch parametr scarso adattamento (goodness-of-ft) buon adattamento (goodness-of-ft) modello ottmale molt parametr modello nadeguato L AIC (Akake Informaton crteron) tene conto sa della bontà dell adattamento (devance) che della parsmona del modello (grad d lbertà)
25 Devance 2p 2* 2*2 2* Applcazon del Modello d Regressone Logstca - ) Rcerca d varabl esplcatve: qual sono fattor d rscho d una determnata malatta? I modell pù utlzzat nell'epdemologa clnca sono: a) l modello logstco se la varable d rsposta è dcotomca (malatta presente/assente). b) l modello d Cox se dobbamo tenere presente, oltre ad una varable d rsposta dcotomca (evento presente/assente, vvo/morto), anche l'ntervallo d tempo ntercorso prma del verfcars dell'evento (tempo d sopravvvenza) Modello Tpo d studo Varable d rsposta Modello logstco Modello d Cox Trasversale (Anals della prevalenza) Longtudnale (anals della sopravvvenza) Varable dcotomca Varable dcotomca + tempo d sopravvvenza
26 2) Stma della probabltà d appartenenza: Se dobbamo stmare la probabltà che un soggetto (o un'altra untà statstca) appartenga ad un gruppo (Y=0) oppure ad un altro (Y=), possamo cercare la combnazone lneare d varabl esplcatve che crea la maggore dscrmnazone fra le untà del prmo e del secondo gruppo. 3) Prevsone: Svluppare un modello che non solo descrva n modo adeguato la varable d rsposta nel campone n studo, ma possa essere applcato anche ad altr dat. Ad esempo, voglamo predre se un soggetto ha la crros epatca, senza rcorrere alla bopsa e all esame stologco, ma semplcemente sulla base d esam ematochmc. Per sceglere l modello mglore, s utlzzano dat d soggett con dagnos certa, che vengono assegnat casualmente ad un gruppo d apprendmento (tranng set) o d valdazone (valdaton set). Il modello vene costruto sul prmo gruppo e successvamente la sua capactà predttva vene verfcata sul secondo gruppo. Test consglat Hosmer DW Jr, Lemeshow S. Appled logstc regresson. John Wley & Sons, New York 990 Clayton D, Hlls M: Statstcal models n epdemology. Oxford Scence Publcaton; Oxford 993
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
DettagliRelazione 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
DettagliRegressione 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
DettagliNOTE 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
DettagliSTATISTICA 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
DettagliIntroduzione 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
DettagliMODELLI 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
DettagliCapitolo 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
DettagliLA 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
DettagliMinistero 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
DettagliL analisi di studi con variabili di risposta multiple
X1 X X 3 Quando un confronto venga effettuato per tre lvell d un fattore, sembrerebbe ntutvo effettuare l confronto con l test t d Student a pù lvell: X X X 1 1 vs vs vs X X X 3 3 Metodologa per l anals
DettagliUniversità 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
DettagliVariabili 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
DettagliAnalisi di mercurio in matrici solide mediante spettrometria di assorbimento atomico a vapori freddi
ESEMPIO N. Anals d mercuro n matrc solde medante spettrometra d assorbmento atomco a vapor fredd 0 Introduzone La determnazone del mercuro n matrc solde è effettuata medante trattamento termco del campone
DettagliAdattamento 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
DettagliTutti 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
DettagliCAPITOLO 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
DettagliNorma 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
DettagliTest 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
DettagliGrafico di una serie di dati sperimentali in EXCEL
Grafco d una sere d dat spermental n EXCEL 1. Inseramo sulla prma rga l ttolo che defnsce l contenuto del foglo. Po nseramo su un altra rga valor spermental della x e su quella successva valor della y.
DettagliModelli descrittivi, statistica e simulazione
Modell descrttv, statstca e smulazone Master per Smart Logstcs specalst Roberto Cordone (roberto.cordone@unm.t) Statstca descrttva Cernusco S.N., govedì 28 gennao 2016 (9.00/13.00) 1 / 15 Indc d poszone
DettagliStatistica 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:
DettagliConcetti 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
DettagliPREVEDERE IL CHURN: UN APPROCCIO LONGITUDINALE
UNIVERSITÀ DEGLI STUDI DI PADOVA FACOLTÀ DI SCIENZE STATISTICHE CORSO DI LAUREA SPECIALISTICA IN SCIENZE STATISTICHE, ECONOMICHE, FINANZIARIE E AZIENDALI PREVEDERE IL CHURN: UN APPROCCIO LONGITUDINALE
DettagliAlgebra 2. 6 4. Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.
Testo Fac-smle 2 Durata prova: 2 ore 8 1. Un gruppo G s dce semplce se suo unc sottogrupp normal sono 1 e G stesso. Sa G un gruppo d ordne pq con p e q numer prm tal che p < q. (a) Il gruppo G può essere
DettagliUniversità degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno
Unverstà degl Stud d Cassno, Anno accademco 004-005 Corso d Statstca, Pro. M. Furno Eserctazone del 5//005 dott. Claudo Conversano Eserczo Ad un certo tavolo d un casnò s goca lancando un dado. Il goco
DettagliLa 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
Dettagli* * * 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
DettagliLezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse
Lezone 1. L equlbro del mercato fnanzaro: la struttura de tass d nteresse Ttol con scadenza dversa hanno prezz (e tass d nteresse) dfferent. Due ttol d durata dversa emess dallo stesso soggetto (stesso
DettagliSTATISTICA 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:
DettagliTITOLO: 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
DettagliMetodi 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
Dettagli6.1. Moody s KMV Credit Portfolio Manager
6.. Moody s MV Credt Portfolo Manager 6... La struttura del modello L mpanto d Moody s MV (MMV) è costtuto dal modello d Merton e da un approcco d tpo fattorale per la stma delle correlazon. Attualmente,
Dettagli{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo
Element d teora de goch Govann D Bartolomeo Unverstà degl Stud d Teramo 1. Descrzone d un goco Un generco goco, Γ, che s svolge n un unco perodo, può essere descrtto da una Γ= NSP,,. Ess sono: trpla d
DettagliSISTEMI PREVISIVI PER IL FLUSSO DI CLIENTELA IN POSTE ITALIANE
Statstca Applcata Vol. 17, n. 3, 2005 377 SISTEMI PREVISIVI PER IL FLUSSO DI CLIENTELA IN POSTE ITALIANE Gan Pero Cervellera Poste Italane, Dvsone Rete Terrtorale, Drezone Operazon, Svluppo Process Ducco
DettagliLa 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:
DettagliMisure di dispersione. Introduzione. Statistica descrittiva. Distribuzioni di probabilità e funzioni di ripartizione. Indici di posizione
UNIVERSITA DEL SALENTO CORSO DI LAUREA IN FISICA (a.a. 007/008) Corso d Laboratoro II (Prof. Antono D INNOCENZO) ESERCITAZIONE DI STATISTICA * Lo scopo d questa eserctazone è quello d comncare ad utlzzare
DettagliRETI 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
DettagliCapitolo 7. La «sintesi neoclassica» e il modello IS-LM. 2. La curva IS
Captolo 7 1. Il modello IS-LM La «sntes neoclassca» e l modello IS-LM Defnzone: ndvdua tutte le combnazon d reddto e saggo d nteresse per le qual l mercato de ben (curva IS) e l mercato della moneta (curva
DettagliCalibrazione. Lo strumento idealizzato
Calbrazone Come possamo fdarc d uno strumento? Abbamo bsogno d dentfcare l suo funzonamento n condzon controllate. L dentfcazone deve essere razonalmente organzzata e condvsa n termn procedural: s tratta
DettagliApprendimento 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
DettagliElementi di linear discriminant analysis per la classificazione e il posizionamento nelle ricerche di marketing
http://www.mauroennas.eu Element d lnear dscrmnant analyss per la classfcazone e l poszonamento nelle rcerche d maretng Mauro Ennas Lnear Dscrmnant Analyss http://www.mauroennas.eu ADL_fnale_confronto_Ecel.sav
DettagliUNA RASSEGNA SUI METODI DI STIMA DEL VALUE
UNA RASSEGNA SUI METODI DI STIMA DEL VALUE at RISK (VaR) Chara Pederzol - Costanza Torrcell Dpartmento d Economa Poltca - Unverstà degl Stud d Modena e Reggo Emla Marzo 999 INDICE Introduzone. Il concetto
DettagliAnalisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:
Anals ammortzzata Anals ammortzzata S consdera l tempo rchesto per esegure, nel caso pessmo, una ntera sequenza d operazon. Se le operazon costose sono relatvamente meno frequent allora l costo rchesto
DettagliRicerca 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
DettagliPrincipali tecniche di regressione con R
Prncpal tecnche d regressone con R Versone 0.3 11 settembre 2006 Vto Rcc vto_rcc@yahoo.com E garantto l permesso d copare, dstrbure e/o modfcare questo documento seguendo termn della Lcenza per Documentazone
DettagliSTATISTICA 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
DettagliUNIVERSITA DEGLI STUDI DI PADOVA ANALISI STATISTICA DELLE VOTAZIONI PRESIDENZIALI AMERICANE IN FLORIDA NEL 2000
UNIVERSITA DEGLI STUDI DI PADOVA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA IN STATISTICA, ECONOMIA E FINANZA RELAZIONE FINALE ANALISI STATISTICA DELLE VOTAZIONI PRESIDENZIALI AMERICANE IN FLORIDA
DettagliEsercitazioni del corso: STATISTICA
A. A. 0-0 Eserctazon del corso: STATISTICA Sommaro Eserctazone : Moda Medana Meda Artmetca Varabltà: Varanza, Devazone Standard, Coefcente d Varazone ESERCIZIO : UNIVERSITÀ DEGLI STUDI DI MILANO BICOCCA
DettagliAnalisi statistica di dati biomedici Analysis of biologicalsignals
Anals statstca d dat bomedc Analyss of bologcalsgnals I Parte Inferenza statstca Agostno Accardo (accardo@unts.t) Master n Ingegnera Clnca LM Neuroscenze 2013-2014 e segg. Altman Practcal statstcs for
DettagliCapitolo 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
DettagliOsservatorio regionale per l Università e per il Diritto allo studio universitario. Il rendimento privato dell istruzione
Il rendmento prvato dell struzone 1 Osservatoro regonale per l Unverstà e per l Drtto allo studo unverstaro Il rendmento prvato dell struzone d Valera Contn Introduzone L struzone e la formazone sono le
DettagliDipartimento 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
DettagliPROCEDURA 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
DettagliHansard OnLine. Unit Fund Centre Guida
Hansard OnLne Unt Fund Centre Guda Sommaro Pagna Introduzone al Unt Fund Centre (UFC) 3 Uso de fltr per la selezone de fond 4-5 Lavorare con rsultat del fltro 6 Lavorare con rsultat del fltro - Prezz 7
DettagliGLI ERRORI SPERIMENTALI NELLE MISURE DI LABORATORIO
GLI ERRORI SPERIMETALI ELLE MISURE DI LABORATORIO MISURA DI UA GRADEZZA FISICA S defnsce grandezza fsca una propretà de corp sulla quale possa essere eseguta un operazone d msura. Msurare una grandezza
Dettagli3. 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
DettagliCorso di laurea in Ingegneria Meccatronica. DINAMICI CA - 04 ModiStabilita
Automaton Robotcs and System CONTROL Unverstà degl Stud d Modena e Reggo Emla Corso d laurea n Ingegnera Meccatronca MODI E STABILITA DEI SISTEMI DINAMICI CA - 04 ModStablta Cesare Fantuzz (cesare.fantuzz@unmore.t)
DettagliINDICI 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
DettagliLEZIONE 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
DettagliI MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE
Facoltà d Economa Valutazone de prodott e dell mpresa d asscurazone I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE Clauda Colucc Letza Monno Gordano Caporal Martna Ragg I Modell Multstato sono un
DettagliLa 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
DettagliDai 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
DettagliValore attuale di una rendita. Valore attuale in Excel: funzione VA
Valore attuale d una rendta Nella scorsa lezone c samo concentrat sul problema del calcolo del alore attuale d una rendta S che è dato n generale da V ( S) { R ; t, 0,,,..., n,... } n 0 R ( t ), doe (t
DettagliFondamenti di Fisica Acustica
Fondament d Fsca Acustca Pro. Paolo Zazzn - DSSARR Archtettura Pescara Anals n requenza de segnal sonor, bande d ottava e terz d ottava. Rumore banco e rumore rosa. Lvello equvalente. Fsologa dell apparato
DettagliTrigger di Schmitt. e +V t
CORSO DI LABORATORIO DI OTTICA ED ELETTRONICA Scopo dell esperenza è valutare l ampezza dell steres d un trgger d Schmtt al varare della frequenza e dell ampezza del segnale d ngresso e confrontarla con
DettagliLaboratorio di Strumentazione e Misura. Cesare Bini
Laboratoro d Strumentazone e Msura Cesare Bn Corso d laurea n Fsca Anno Accademco 006-007 Quest appunt sono basat sulle lezon del modulo d Laboratoro d Strumentazone e Msura del prmo anno delle lauree
DettagliLeggere 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
DettagliLA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE
Lezone 6 - La statstca: obettv; raccolta dat; le frequenze (EXCEL) assolute e relatve 1 LA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE GRUPPO MAT06 Dp. Matematca, Unverstà
DettagliCONFORMITA DEL PROGETTO
AMGA - Azenda Multservz S.p.A. - Udne pag. 1 d 6 INDICE 1. PREMESSA...2 2. CALCOLI IDRAULICI...3 3. CONFORMITA DEL PROGETTO...6 R_Idr_Industre_1 Str.doc AMGA - Azenda Multservz S.p.A. - Udne pag. 2 d 6
DettagliCondensatori e resistenze
Condensator e resstenze Lucano attaa Versone del 22 febbrao 2007 Indce In questa nota presento uno schema replogatvo relatvo a condensator e alle resstenze, con partcolare rguardo a collegament n sere
DettagliRISULTATI PRIMO RAPPORTO
INDAGINE EPIDEMIOLOGICA PRESSO LA POPOLAZIONE RESIDENTE A FALCONARA MARITTIMA E COMUNI LIMITROFI RISULTATI PRIMO RAPPORTO A cura d: Dott.ssa Elsabetta Meneghn Dott. Paolo Bal Dott. Mauro Marottn (ARPAM,
DettagliEconomia del Settore Pubblico 97. Economia del Settore Pubblico 99. Quale indice di diseguaglianza usare? il rapporto interdecilico PROBLEMA:
Economa del Settore Pubblco Laura Vc laura.vc@unbo.t www.dse.unbo.t/lvc/edsp_.htm LEZIONE 4 Rmn, 9 aprle 008 Economa del Settore Pubblco 96 I prncpal ndc d dseguaglanza: ndc d entropa generalzzata Isprata
DettagliCalcolo delle Probabilità
alcolo delle Probabltà Quanto è possble un esto? La verosmglanza d un esto è quantfcata da un numero compreso tra 0 e. n partcolare, 0 ndca che l esto non s verfca e ndca che l esto s verfca senza dubbo.
DettagliMacchine. 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
DettagliCalcolo della caduta di tensione con il metodo vettoriale
Calcolo della caduta d tensone con l metodo vettorale Esempo d rete squlbrata ed effett del neutro nel calcolo. In Ampère le cadute d tensone sono calcolate vettoralmente. Per ogn utenza s calcola la caduta
DettagliEsercitazioni 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
Dettaglilxmi.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
DettagliGianni Cicia (1), Marcella Corduas (2), Teresa Del Giudice (1), Domenico Piccolo (2) 1. Premessa
L anals delle preferenze de consumator ne confront delle produzon d qualtà: uno studo del consumo d caffé equosoldale medante l modello CUB Gann Cca (), Marcella Corduas (2), Teresa Del Gudce (), Domenco
DettagliAppunti delle lezioni di Laboratorio di Strumentazione e Misura
Sergo Frasca Appunt delle lezon d Laboratoro d Strumentazone e Msura Dpartmento d Fsca Unverstà d Roma La Sapenza Museo del Dpartmento d Fsca dell'unverstà La Sapenza Versone 5 ottobre 004 Versone aggornata
DettagliProgrammazione e Controllo della Produzione. Analisi dei flussi
Programmazone e Controllo della Produzone Anals de fluss Clent SERVIZIO Uscta Quanto al massmo produce l mo sstema produttvo? Quanto al massmo produce la ma macchna? Lo rsolvo con la smulazone? Sarebbe
DettagliProva di verifica n.0 Elettronica I (26/2/2015)
Proa d erfca n.0 lettronca I (26/2/2015) OUT he hfe + L OUT - Fgura 1 Con rfermento alla rete elettrca d Fg.1, determnare: OUT / OUT / la resstenza sta dal generatore ( V ) la resstenza sta dall uscta
DettagliDI IDROLOGIA TECNICA PARTE II
FACOLTA DI INGEGNERIA Laurea Specalstca Igegera Cvle NO Guseppe T Aroca CORSO DI IDROLOGIA TECNICA PARTE II Aals e prevsoe statstca delle varabl drologche Lezoe X: Scelta d u modello probablstco Aals e
DettagliInduzione elettromagnetica
Induzone elettromagnetca L esperenza d Faraday L'effetto d produzone d corrente elettrca n un crcuto prvo d generatore d tensone fu scoperto dal fsco nglese Mchael Faraday nel 83. Egl studò la relazone
DettagliDATA MINING E CLUSTERING
Captolo 4 DATA MINING E CLUSTERING 4. Che cos'è l Data Mnng Per Data Mnng s'ntende quel processo d estrazone d conoscenza da banche dat, tramte l'applcazone d algortm che ndvduano le assocazon non mmedatamente
DettagliIl 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
DettagliStudio 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
DettagliIl traffico è un gioco?
Il traffco è un goco? Gacomo Tomme Dpartmento d Matematca, Unverstà d Psa e-mal: tomme@dm.unp.t Introduzone Il ttolo potrebbe apparre provocatoro, ma n realtà è solo lo spunto per ntrodurre tem che voglamo
DettagliIl pendolo di torsione
Unverstà degl Stud d Catana Facoltà d Scenze MM.FF.NN. Corso d aurea n FISICA esna d ABORAORIO DI FISICA I Il pendolo d torsone (sezone costante) Moreno Bonaventura Anno Accademco 005/06 Introduzone. I
DettagliCorso di Automazione Industriale 1. Capitolo 7
1 Corso d Automazone Industrale 1 Captolo 7 Teora delle code e delle ret d code Introduzone alla Teora delle Code La Teora delle Code s propone d svluppare modell per lo studo de fenomen d attesa che s
DettagliGli 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
DettagliPrincipi 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
DettagliIl patrimonio informativo aziendale come supporto alle attività di marketing
Unverstà degl Stud d RomaTre - Facoltà d Economa Corso d Rcerche d Marketng Il patrmono nformatvo azendale come supporto alle attvtà d marketng ng. Stefano Cazzella stefano.cazzella@datamat.t Agenda La
DettagliMauro Vettorello. Vi veneto. come Calcolare la Rata di un Finanziamento o di un Leasing senza calcolatrice STUDIO VETTORELLO
Mauro Vettorello V veneto come Calcolare la Rata d un Fnanzamento o d un Leasng senza calcolatrce STUDIO VETTORELLO V veneto come Calcolare la Rata d un Fnanzamento o d un Leasng senza calcolatrce Mauro
DettagliCorso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE. Prof. Dario Amodio d.amodio@univpm.it. Ing. Gianluca Chiappini g.chiappini@univpm.
Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE Prof. Daro Amodo d.amodo@unvpm.t Ing. Ganluca Chappn g.chappn@unvpm.t http://www.dpmec.unvpm.t/costruzone/home.htm (Ddattca/Dspense) Testo d rfermento: Stefano
DettagliIndicatori di rendimento per i titoli obbligazionari
Indcator d rendmento per ttol obblgazonar LA VALUTAZIONE DEGLI INVESTIMENTI A TASSO FISSO Per valutare la convenenza d uno strumento fnanzaro è necessaro precsare: /4 Le specfche esgenze d un nvesttore
DettagliAppendice B. B Elementi di Teoria dell Informazione 1. p k =P(X = x k ) ovviamente, valgono gli assiomi del calcolo della probabilità: = 1;
Appendce B Eleent d Teora dell Inforazone Appendce B B Eleent d Teora dell Inforazone B Introduzone E noto da tepo che fenoen percettv possono essere foralzzat e studat edante la Teora dell Inforazone
DettagliVA TIR - TA - TAEG Introduzione
VA TIR - TA - TAEG Introduzone La presente trattazone s pone come obettvo d analzzare due prncpal crter d scelta degl nvestment e fnanzament per valutare la convenenza tra due o pù operazon fnanzare. S
DettagliMETODI BAYESIANI PER IL CONTROLLO STATISTICO DI QUALITA
Unverstà degl Stud d Bresca Poltecnco d Mlano Unverstà degl Stud d Pava Unverstà degl Stud d Lecce Dottorato d Rcerca n TECNOLOGIE E SISTEMI DI LAVORAZIONE XII CICLO METODI BAYESIANI PER IL CONTROLLO STATISTICO
DettagliAnalisi dei flussi 182
Programmazone e Controllo Anals de fluss Clent SERVIZIO Uscta Quanto al massmo produce l mo sstema produttvo? Quanto al massmo produce la ma macchna? Anals de fluss 82 Programmazone e Controllo Teora delle
Dettagli