Principal Component Analysis (PCA)
|
|
- Norberto Franchi
- 8 anni fa
- Visualizzazioni
Transcript
1 Principal Component Analysis (PCA) Come evidenziare l informazione contenuta nei dati S. Marsili-Libelli: Calibrazione di Modelli Dinamici pag.
2 Perche PCA? E un semplice metodo non-parametrico per estrarre informazione rilevante da un insieme di dati confuso (ridondante + rumoroso). Riesce a eliminare la ridondanza dell informazione nei dati, rappresentata dall autocorrelazione Geometricamente l obiettivo della PCA è presentare i dati nel riferimento che evidenza maggiormente la loro struttura (Cambio di riferimento) pag.
3 Correlazione e ridondanza di informazione Consideriamo una serie di dati bidimensionali, come in figura x x Calcolando R per questi dati si ha Matrice di covarianza σ ρ C ρ σ Matrice di correlazione R : r i, j C C i,i i, j C j, j. R La correlazione fra x e x è circa del %. Ciò significa che il % dell informazione di x è contenuta anche in x Ridondanza pag. 3
4 Standardizzazione dei dati Generalmente si preferisce svolgere la PCA su dati standardizzati Media nulla Varianza unitaria E σ ( x) ( x) x I dati standardizzati si ottengono come x x σ Ovviamente per i dati standardizzati la matrice di Covarianza coincide con la matrice di correlazione C R ( x) C( z) z ( x) R( z) C( z) pag. 4
5 Esempio di dati correlati Consideriamo il sistema di due variabili dipendenti (a parte il rumore ε) x( k) ε ( k) ε k, ε k x k.4 x k ε k ( ) ( ) ( ) x z 4 ( ) ( ) x x pag. 5
6 Matrici di covarianza e correlazione Dati originali (x) C x.96.4 Dati standardizzati (z).4.5 R x C z R z Autovettori di C x Autovalori di C x Autovettori di R x,r z Autovalori di R x,r z W C λ.7 λ.4 W r λ.8 λ.98 pag. 6
7 Riassumendo: su quali dati lavoriamo. Dataset X Eliminazione del valor medio x i X X i,..., p i i Standardizzazione x i * X i X σ i i Calcolo della matrice di covarianza C x x n p p C R Calcolo della matrice di correlazione R i, j C C i,i i, j C i, j,..., p j, j pag. 7
8 Nota sulla standardizzazione La PCA viene normalmente eseguita sulla matrice di Covarianza I dati sono depurati dalla media (PCA su dati a media nulla) Se le componenti dei dati hanno ordini di grandezza molto diversi si può ricorrere alla standardizzazione PCA su dati a media nulla e varianza unitaria La matrice di Covarianza coincide con quella di Correlazione C R Le PCA eseguite su C o su R sono radicalmente diverse perché i rispettivi autovalori e autovalori sono diversi e non ottenibili mediante trasformazione ortonormale Infatti la standardizzazione non è una trasformazione ortogonale Conclusione: Se le componenti di x sono molto diverse è conveniente la PCA su R, tenendo comunque presente che essa sarà diversa da quella ottenuta su C pag. 8
9 Rappresentazione grafica della covarianza n Dato un insieme di dati X R si calcola la matrice di covarianza C C x n X X Si calcolano gli autovettori e gli autovalori λ Fra di essi valgono le relazioni di similitudine C W L W L W C W x x W [ ] con L λ λ x x x + x x Mediante autovalori ed autovettori si può scrivere l equazione parametrica dell ellisse che racchiude il 95% dei dati..96 λ.96 ϕ pag. 9 x cosϕ λ sinϕ Gli autovettori danno le direzioni degli assi dell ellisse e gli autovettori la loro lunghezza (,π )
10 Direzioni principali in funzione della covarianza ν Massima varianza { x,x} { v,v } riferimento originale riferimento che massimizza la var ianza ( autovalori Minima varianza ) ν.96 σ.96 σ x.96 σ.96 σ Guardando in questa direzione si ha la massima risoluzione su v x Guardando in questa direzione si ha la massima risoluzione su v pag.
11 Probabilità congiunta e outliers L ellisse di covarianza indica la regione di 95% di confidenza della distribuzione congiunta delle due variabili. I campioni esterni sono outliers. Perciò permette di evitare le false accettazioni di campioni che sarebbero entro la fascia di confidenza se si considera ciascuna variabile separatamente. x Si vede che il punto rosso è fuori solo se si considera la regione di confidenza bidimensionale - x pag.
12 PCA migliore visualizzazione Il cambio di riferimento può essere visto come un cambio di punto di vista che massimizza l informazione visibile nei dati x x z z pag.
13 Vantaggi della PCA Le PCA forniscono una spiegazione alternativa della variabilità osservata con il pregio di descrivere il fenomeno oggetto di studio mediante dimensioni fra loro non correlate e ordinate in termini della loro importanza nella spiegazione Questo permette (con maggiore o minore successo nei vari casi) di : interpretare il fenomeno attraverso il nuovo significato assunto dalle componenti principali che non sono state scartate ridurre il numero di variabili da considerare, scartando le ultime componenti principali, che contribuiscono poco alla variabilità osservata pag. 3
14 Covarianza fra i dati x x ε.995x Alta covarianza +.5ε ε, ε x x Bassa covarianza ε.5x +.95ε ε, ε x x x x pag. 4
15 Rappresentazione grafica della correlazione Si può ricavare la matrice di correlazione normalizzando le varianze o calcolando la matrice di covarianza sui dati standardizzati R i, j C C j, j Si ha la matrice simmetrica che nel caso x è del tipo Con autovettori e autovalori W R r i,i i, j C r λ + r λ r x x L equazione dell ellisse di correlazione, centrata nell origine è - - λ λ ( r,) λ ( ),r cosϕ λ sinϕ pag. 5
16 Rappresentazione grafica della correlazione x λ λ (,.6) x λ λ (,.3) R.6 x W.77 λ.4 r λ.6 + r Uguali autovettori R.3 x W.77 λ.7 r λ.3 + r pag. 6
17 Esempi di ellissi di correlazione Correlazione Ridondanza di informazione bassa media alta. R W λ r.75 λ + r.5..5 R W λ r.5 λ + r.5. R W λ r.5 λ + r.75 pag. 7
18 Obiettivi della PCA L obiettivo primario della PCA è determinare la base di riferimento più significativa per rappresentare i dati e filtrare il rumore nella speranza che questa nuova base filtri il rumore e riveli strutture prima invisibili PCA è una trasformazione lineare dei dati che:. Minimizza la ridondanza misurata dalla covarianza. Massimizza l informazione, misurata dalla varianza. Le Principal Components (PC) sono nuove variabili che hanno le seguenti proprietà:. Ogni PC è una combinazione lineare delle variabili originali. Le PC sono fra di loro ortogonali, ovvero sono mutuamente incorrelate, sopprimendo l informazione ridondante pag. 8
19 Idea base della PCA Dataset: insieme di n misure ciascuna composta da p attributi x p attributi x x... xp x x... x p n misure x R xn xn... xnp n p L intuizione di PCA è di trovare una combinazione lineare delle m coordinate dei dati in modo da esprimerli in un nuovo riferimento tale che: Ogni variabile (attributo) sia indipendente da tutti gli altri L insieme degli attributi sia ordinato secondo la loro importanza relativa pag. 9
20 Caratteristiche della PCA PCA è una trasformazione lineare ortonormale dei dati X al fine di ottenere due risultati: Feature Selection: classificare le caratteristiche importanti dei dati X, secondo la loro importanza PCA evidenzia il contenuto informativo mediante una trasformazione lineare delle coordinate di riferimento dei dati (attributi dei dati) Dimension Reduction: quantificare la perdita di informazione derivante dall eventuale riduzione della dimensionalità dei dati X. PCA quantifica la percentuale di informazione nelle varie componente ordinate per importanza, in modo da conoscere la perdita di informazione per ciascuna componente esclusa dalla riduzione pag.
21 Risultato fondamentale della PCA Se l obiettivo primario è l eliminazione della ridondanza Se la ridondanza è espressa dalle correlazioni Allora la PCA consiste nella diagonalizzazione della matrice di covarianza PCA consiste dunque in una trasformazione lineare dalle variabili originali ad altre che esprimono la stessa informazione ma sono fra loro incorrelate (Componenti Principali) La trasformazione cercata è la similitudine W fra la matrice di correlazione e la matrice diagonale degli autovalori, tale che L Z diag X W ( σ, σ σ ),..., p W C W W è : W W pag.
22 PCA come ricerca delle direzioni privilegiate z z Z W X x x z z x x x + x z + x + x x z + x x Direzione di massima varianza di x, escluso x x z i p j x j ji Direzione di massima varianza di x PCA consiste dunque nella ricerca di direzioni privilegiate che massimizzano la variazioni dei dati ed eliminano le correlazioni pag.
23 PCA in sintesi C Dataset X Matrice di covarianza n W... p ( X X ) ( X X )... p λ > λ >... > p p... pp λ p Matrice degli autovettori ordinata secondo autovalori decrescenti La matrice W formata dagli autovettori ordinati per autovalori decrescenti indicano le direzioni di massima varianza. La similitudine fra C e L è data da W. Nota che essendo ortonormale W W - C W L W L W C W La matrice L (diagonale) degli riporta i valori delle varianze nel nuovo riferimento PCA ( L diag σ, σ σ ),..., La trasformazione dei dati X nelle componenti principali Z è Z X W X p Z W pag. 3
24 Ogni pesce può essere definito dalle sue misure di lunghezza ed larghezza Un semplice esempio breadth length Riportando in grafico i dati degli individui del branco di pesci, si ottiene Domanda: Esiste una relazione fra le due misure? Domanda : Esiste un singolo parametro per definire la taglia di ciascun pesce? pag. 4
25 PCA sui dati dei pesci Scegliamo dei nuovi assi centrati nell insieme dei dati Poi ruotiamo gli assi per disporli lungo la direzione principale dei dati Possiamo allora definire una nuova variabile: size length + breadth Ma dato che length e breadth non sono ugualmente importanti (vedi grafico) esse dovranno essere pesate diversamente, perciò size v length + v breadth I pesi v e v sono gli autovettori della matrice di correlazione Risultato: si è ottenuta una riduzione della dimensione dei dati pag. 5
26 Cosa si perde nella riduzione Dato che length e breadth sono chiaramente molto correlate, la matrice di correlazione è molto allungata e dunque gli autovalori sono molto diversi. Supponiamo che essi valgano λ.75 e λ.5 nel riferimento originale l ellisse sarà Dopo la rotazione dovuta al cambio di riferimento sarà data dall orientamento degli autovettori e dalla grandezza degli autovalori Se si ritiene solamente la variabile size si conserva solamente 87.5% della variabilità originale. Infatti λ λ + λ % breadth breadth length size length size pag. 6
27 PCA in Matlab Le funzioni PCA sono contenute nella Statistics oolbox Si può effettuare la PCA partendo dai dati (X) o dalla matrice di covarianza (C) dai dati: [W,score,L] princomp(x) W è la matrice degli autovettori, detta matrice dei Loadings E ordinata per autovalori decrescenti Scores sono le osservazioni Z trasformate delle X nel riferimento PCA L sono gli autovalori, ordinati in ordine decrescente dalla matrice di covarianza: [W,L,expl] pcacov(c) W è la matrice degli autovettori E ordinata per autovalori decrescenti L sono gli autovalori, ordinati in ordine decrescente expl è un vettore che contiene la percentuale di varianza spiegata da ciascuna componente principale (la somma fa ) pag. 7
28 Un esempio: Employee Satisfaction Un sondaggio fra 947 impiegati di una grande azienda ha rilevato i seguenti parametri di soddisfazione Lavoro (SJ) Formazione (SJ) Condizioni di lavoro (SWC) Assicurazione medica (SMC) Assicurazione Dentistica (SDC) Il sondaggio ha prodotto la seguente matrice di correlazione..45 R pag. 8
29 Un esempio: Employee Satisfaction Si ricava la matrice delle PCA ordinata per autovalori decrescenti W Verifica: la somma dei quadrati degli elementi di ciascuna colonna somma a L La prima PC spiega il 47.3% della varianza totale λ 5 i i [ ] λ.473 pag. 9
30 Varianza spiegata e scree plot perc. var. expl. cum.var.expl. Perc. Variance eigenvalues scree plot grafico degli autovalori ordinati in senso decrescente λ i eigenvalues pag. 3
31 Un esempio: Employee Satisfaction La prima PC z si ottiene come z.44 SJ SJ SWC SMC +.4 SDC essendo i pesi tutti positivi e dello stesso ordine, z si può interpretare come un indice di soddisfazione generale La seconda PC z è z.443 SJ +.9 SJ +.38 SWC.53 SMC.586 SDC dato che le prime tre variabili sono associate positivamente a fattori di soddisfazione del lavoro, mentre gli ultimi due sono associati all assistenza medica e sono negativi, z può essere vista come un contrasto fra la soddisfazione del lavoro e l insoddisfazione dell assistenza medica. pag. 3
32 Il Biplot come visualizzazione dei contributi Per visualizzare in che misura ogni variabile originaria contribuisce alle PC, si plottano le componenti dei loadings delle prime colonne della matrice W, corrispondenti alle prime PC, le più importanti PC Si possono anche avere biplot tridimensionali La sintassi del comando Matlab è biplot(coefs,..., 'Scores', scores, 'ObsLabels', obslabs) dove coefs sono le prime o 3 colonne di W, Scores sono i dati trasformati (se presenti) e ObsLabels sono le etichette che identificano ciascuna variabile SDC SMC SJ SJ SWC PC pag. 3
33 Analisi di un episodio di torbidità FUin [NU] FUout [NU] [ C] Q p [l/sec] Floc. [ppm] Q [m 3 /sec] ime (h) Superamento della soglia di pag. 33
34 Biplot come zone di influenza delle PC PC Plant flo emp. FUout FU in Floc dos River flo PC In questo caso si nota che le componenti FUin e Floc dos contribuiscono fortemente a PC e quasi niente a PC. Al contrario Plant flo e emp sono molto rappresentate in PC e PC3 PC PC PC3 PC Biplot indica quanto ciascuna variabile contribuisca a ciascuna PC. Si ottiene plottando i loadings (componenti degli autovettori) nel piano di due PC si ha un idea di Il Biplot più comune è quello PC/PC Plant flo emp. FUout FUin Floc dos River flo PC pag. 34
35 PCA con Covarianza o Correlazione? Le PCA ottenute nei due casi sono molto diverse e non facilmente riconducibili l una all altra perché i loro autovalori e autovettori non sono legati da una semplice relazione Covarianza Riflette le reali proporzioni fra variabili E sensibile alle unità di misura, enfatizzando l importanza delle variabili più grandi Correlazione Indipendenti dalle unità di misura operando su dati standardizzati I risultati di diverse analisi sono comparabili Esempio: Supponendo di effettuare una PCA su misure di lunghezza (x ) e peso (x ), a seconda che x sia espresso in cm (a) o in mm (b), mentre x è sempre espresso in grammi, si ha nei due casi una PCA molto diversa. Nel secondo caso la dominanza di x è totale 8 44 C a C b z z ( a ) ( b ).77 x.998 x +.77 x +.55 x pag. 35
36 Come ridurre l ordine della PCA Ci si basa sulla quantità di varianza spiegata: si trattengono le componenti che forniscono una varianza totale spiegata fra il 7% e il 9% Ovviamente si arrotonda all intero più vicino Alternativamente (o insieme) si taglia all autovalore un po inferiore ad Nel caso di matrice di correlazione si taglia.5 intorno a λ.7 Nel caso di matrice di covarianza si taglia intorno a circa.7 della media degli autovalori Perc. Variance eigenvalues.7 λ j p j eigenvalues λ λ min.7 λ j. 7 p j pag. 36
37 Esempio di dati correlati Dati di qualità dell acqua del fiume Arno Centralina di Rosano 5-7 Settembre 4 DO % DO% ph empo (h) Le tre variabili seguono tutte il ritmo circadiano, pilotato dalla luce solare. La correlazione fra di esse è evidente. L ossigeno disciolto è il più pronto, seguito dalla temperatura a h e dal ph a 3 h di ritardo. L aumento del ph è dovuto al consumo di CO a seguito della fotosintesi ph ( C) pag. 37
38 Correlazioni e autovalori ph Perc. Variance.5 DO% ph 3 DO% 3 eigenvalues 3 eigenvalues La forte correlazione fra le prime due cariabili, fa sì che PC spieghi circa 83% della variabilità totale. Analogamente il primo autovalore è dominante rispetto agli altri due. pag. 38
39 Meglio l analisi di correlazione PC C PC dati λ λ.66 λ ph PC DO% PC L analisi di covarianza tende ad enfatizzare le dipendenze fra le variabili ed a mantenere solo la prima. L analisi di correlazione evidenzia il legame delle tre, pur mantenendo il carattere dominante di DO% PC λ.567 λ.359 λ PC -.5. R PC R ph DO%.5 PC pag. 39
40 Biplot proiettato sulle tre PC (cov) ph.5.5 PC 3 PC 3 DO% PC PC.5 PC ph DO% PC pag. 4
41 PC Biplot proiettato sulle tre PC (corr) DO% PC.8 PC PC PC ph DO% ph PC pag. 4
42 est di consistenza Le componenti principali non avendo un significato immediato devono essere spiegate con statistiche di sintesi: Hotelling s Z L Z X W L W coglie la variazione delle componenti all interno del modello di riferimento (spazio delle PC) Statistica Q Q X misura la variazione non considerata dal modello (spazio ortogonale alle PC) ( I WW ) X X pag. 4
43 La statistica Hotelling E un estensione multivariabile della statistica Student t. Data una matrice di misure X R n p e W la loro matrice di covarianza, la statistica Hotelling è data da X Inoltre, volendola usare come limite di accettabilità (hypothesis testing) si può definire un valore limite di in funzione della statistica F di cui rappresenta una realizzazione lim Dove n è il numero di misure e p le variabili di ciascuna misura, mentre α è il limite di confidenza fissato (generalmente α.5, corrispondente ad una confidenza del 95%) W X ( n ) α p n p F n p,p pag. 43
44 Andamento della statistica F Esempio: Il valore limite di al 95% per un campione di n 8 misure di p 8 variabili ciascuna è 8 α.95 x finv(.95,8,8-8) x 3.77 F 6 4 Ciò significa che si può osservare per puro caso un valore di F superiore a solamente nel 5% dei casi In questo caso il lim sarebbe ( 8 ) n-p 8 lim p pag. 44
45 Applicazione del ai dati di qualità L indice Hotelling s è lo stesso sia per i dati originali che per quelli standardizzati Ovviamente l indice per ogni dato è inferiore a lim perché sono gli stessi dati usati per determinare le PC Dati standard. Dati tal quali lim Misure pag. 45
46 Riduzione della dimensionalità Se alcune PC non sono molto importanti (vedi scree plot) si può ridurre la dimensionalità dell analisi trattenendo solamente le prime a < p PC La matrice di trasformazione è la sotto matrice di W che ritiene i primi a autovettori W... p a... p La trasformazione PCA ridotta diviene a a pa p a p p pp n a Za X Wa R ovvero i dati X vengono proiettati nelle prime a componenti di Z W a... p... p a a... pa R n a pag. 46
47 Decomposizione parziale La PCA ridotta contiene solo le prime due componenti (vedi scree plot) che comunque spiegano 83% della variabilità totale. Perc. Variance.5 X 3 eigenvalues x x a x x a x eigenvalues a Misure pag. 47
48 Ricostruzione da PCA ridotta La ricostruzione delle variabili originali dalla PCA ridotta contiene ovviamente degli errori Se la mappa inversa completa era nel caso ridotto sarà Z W La matrice E contiene gli errori di ricostruzione X X Z W X Z W + a a a a a E n X Z a W a a + E p a p p n modello ridotto residui Matlab: [residuals,reconstructed]pcares(x,a); pag. 48
49 Ricostruzione da PCA completa Ricostruzione con a 3 X Z W DO% stand ph stand stand pag. 49
50 Ricostruzione da PCA ridotta Ricostruzione con a X Z W + a a E DO% stand ph stand. stand pag. 5
51 Ricostruzione da PCA ridotta Ricostruzione con a X Z W + a a E DO% stand ph stand. stand pag. 5
52 pag. 5 La statistica Q Valuta l importanza delle PC escluse dall analisi Ha significato solo quando si esegue una riduzione (a < p) Il valore limite della statistica Q per il quantile c α -α èdato da ( ) 3 o p a i 3 3 p a i p a i i h o o o lim 3 h h h c h Q i i o ϑ ϑ ϑ λ ϑ λ ϑ λ ϑ ϑ ϑ ϑ ϑ ϑ α
Il concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
DettagliRicerca di outlier. Ricerca di Anomalie/Outlier
Ricerca di outlier Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Ricerca di Anomalie/Outlier Cosa sono gli outlier? L insieme di dati che sono considerevolmente differenti dalla
DettagliANALISI 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
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliRegressione Mario Guarracino Data Mining a.a. 2010/2011
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
DettagliLa statistica multivariata
Cenni di Statistica Multivariata Dr Corrado Costa La statistica multivariata La statistica multivariata è quella parte della statistica in cui l'oggetto dell'analisi è per sua natura formato da almeno
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
DettagliLezione n. 2 (a cura di Chiara Rossi)
Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 3.1 Introduzione all inferenza statistica Prima Parte Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014
DettagliANALISI DEI DATI PER IL MARKETING 2014
ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it RIPASSO SULLE MATRICI 1 Addizione tra matrici Moltiplicazione Matrice diagonale Matrice identità Matrice trasposta
DettagliLE CARTE DI CONTROLLO (4)
LE CARTE DI CONTROLLO (4) Tipo di carta di controllo Frazione difettosa Carta p Numero di difettosi Carta np Dimensione campione Variabile, solitamente >= 50 costante, solitamente >= 50 Linea centrale
DettagliUn po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
DettagliDimensione 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
DettagliComplementi di Analisi per Informatica *** Capitolo 2. Numeri Complessi. e Circuiti Elettrici. a Corrente Alternata. Sergio Benenti 7 settembre 2013
Complementi di Analisi per nformatica *** Capitolo 2 Numeri Complessi e Circuiti Elettrici a Corrente Alternata Sergio Benenti 7 settembre 2013? ndice 2 Circuiti elettrici a corrente alternata 1 21 Circuito
DettagliAnalisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri
DettagliAbbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995).
ANALISI DI UNA SERIE TEMPORALE Analisi statistica elementare Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). Si puo' osservare una media di circa 26 C e una deviazione
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliL analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt
L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELL ROLE Six Sigma Master lack elt Dicembre, 009 Introduzione Nell esecuzione dei progetti Six Sigma è di fondamentale importanza sapere se
DettagliScheda n. 10: PCA - parte seconda
Scheda n. 10: PCA - parte seconda November 25, 2008 1 Il piano principale Con il comando: > biplot(pca) si ottiene un immagine del piano principale, con la proiezione dei dati e dei vecchi assi (le vecchie
DettagliVerifica di ipotesi e intervalli di confidenza nella regressione multipla
Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2014 Rossi MRLM Econometria - 2014 1 / 23 Sommario Variabili di controllo
DettagliFUNZIONE REALE DI UNA VARIABILE
FUNZIONE REALE DI UNA VARIABILE Funzione: legge che ad ogni elemento di un insieme D (Dominio) tale che D R, fa corrispondere un elemento y R ( R = Codominio ). f : D R : f () = y ; La funzione f(): A
DettagliGIROSCOPIO. Scopo dell esperienza: Teoria fisica. Verificare la relazione: ω p = bmg/iω
GIROSCOPIO Scopo dell esperienza: Verificare la relazione: ω p = bmg/iω dove ω p è la velocità angolare di precessione, ω è la velocità angolare di rotazione, I il momento principale d inerzia assiale,
DettagliRAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL
RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL 1 RAPPRESENTAZIONE GRAFICA Per l analisi dati con Excel si fa riferimento alla versione 2007 di Office, le versioni successive non differiscono
DettagliEsempi di funzione. Scheda Tre
Scheda Tre Funzioni Consideriamo una legge f che associa ad un elemento di un insieme X al più un elemento di un insieme Y; diciamo che f è una funzione, X è l insieme di partenza e X l insieme di arrivo.
DettagliFondamenti e didattica di Matematica Finanziaria
Fondamenti e didattica di Matematica Finanziaria Silvana Stefani Piazza dell Ateneo Nuovo 1-20126 MILANO U6-368 silvana.stefani@unimib.it 1 Unità 9 Contenuti della lezione Operazioni finanziarie, criterio
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliStatistica. 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
DettagliControlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L.
Parte 3 Aggiornamento: Settembre 2010 Parte 3, 1 Trasformata di Laplace e Funzione di trasferimento Prof. Lorenzo Marconi DEIS-Università di Bologna Tel. 051 2093788 Email: lmarconi@deis.unibo.it URL:
DettagliLA 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
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
Dettagli13. Campi vettoriali
13. Campi vettoriali 1 Il campo di velocità di un fluido Il concetto di campo in fisica non è limitato ai fenomeni elettrici. In generale il valore di una grandezza fisica assegnato per ogni punto dello
DettagliMINIMI 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
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
Dettagli2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione
Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza
DettagliOCCUPATI SETTORE DI ATTIVITA' ECONOMICA
ESERCIZIO 1 La tabella seguente contiene i dati relativi alla composizione degli occupati in Italia relativamente ai tre macrosettori di attività (agricoltura, industria e altre attività) negli anni 1971
DettagliTransitori del primo ordine
Università di Ferrara Corso di Elettrotecnica Transitori del primo ordine Si consideri il circuito in figura, composto da un generatore ideale di tensione, una resistenza ed una capacità. I tre bipoli
DettagliEsempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica.
Esempio Risultati sperimentali Approssimazione con il criterio dei minimi quadrati Esempio Interpolazione con spline cubica. Esempio 1 Come procedere? La natura del fenomeno suggerisce che una buona approssimazione
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
Dettagli( x) ( x) 0. Equazioni irrazionali
Equazioni irrazionali Definizione: si definisce equazione irrazionale un equazione in cui compaiono uno o più radicali contenenti l incognita. Esempio 7 Ricordiamo quanto visto sulle condizioni di esistenza
DettagliVALORE DELLE MERCI SEQUESTRATE
La contraffazione in cifre: NUOVA METODOLOGIA PER LA STIMA DEL VALORE DELLE MERCI SEQUESTRATE Roma, Giugno 2013 Giugno 2013-1 Il valore economico dei sequestri In questo Focus si approfondiscono alcune
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliUniversita degli Studi di Roma Tor Vergata Facolta di Ingegneria Elettronica
Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria Elettronica Terzo Appello del corso di Geometria e Algebra II Parte - Docente F. Flamini, Roma, 7/09/2007 SVOLGIMENTO COMPITO III APPELLO
DettagliCURVE DI LIVELLO. Per avere informazioni sull andamento di una funzione f : D IR n IR può essere utile considerare i suoi insiemi di livello.
CURVE DI LIVELLO Per avere informazioni sull andamento di una funzione f : D IR n IR può essere utile considerare i suoi insiemi di livello. Definizione. Si chiama insieme di livello k della funzione f
DettagliL ANALISI ABC PER LA GESTIONE DEL MAGAZZINO
L ANALISI ABC PER LA GESTIONE DEL MAGAZZINO È noto che la gestione del magazzino è uno dei costi nascosti più difficili da analizzare e, soprattutto, da contenere. Le nuove tecniche hanno, però, permesso
DettagliFederico Lastaria. Analisi e Geometria 2. Matrici simmetriche. Il teorema spettrale. 1/24
Contenuto Endomorfismi auto-aggiunti. Matrici simmetriche. Il teorema spettrale Gli autovalori di una matrice simmetrica sono tutti reali. (Dimostrazione fatta usando i numeri complessi). Dimostrazione
DettagliRICHIAMI SULLE MATRICI. Una matrice di m righe e n colonne è rappresentata come
RICHIAMI SULLE MATRICI Una matrice di m righe e n colonne è rappresentata come A = a 11 a 12... a 1n a 21 a 22... a 2n............ a m1 a m2... a mn dove m ed n sono le dimensioni di A. La matrice A può
DettagliAnalisi della performance temporale della rete
Analisi della performance temporale della rete In questo documento viene analizzato l andamento nel tempo della performance della rete di promotori. Alcune indicazioni per la lettura di questo documento:
DettagliIl Campionameto dei segnali e la loro rappresentazione. 1 e prende il nome frequenza di
Il Campionameto dei segnali e la loro rappresentazione Il campionamento consente, partendo da un segnale a tempo continuo ovvero che fluisce con continuità nel tempo, di ottenere un segnale a tempo discreto,
DettagliLezione del 28-11-2006. Teoria dei vettori ordinari
Lezione del 8--006 Teoria dei vettori ordinari. Esercizio Sia B = {i, j, k} una base ortonormale fissata. ) Determinare le coordinate dei vettori v V 3 complanari a v =,, 0) e v =, 0, ), aventi lunghezza
Dettagliu 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k
Capitolo 4 Serie numeriche 4. Serie convergenti, divergenti, indeterminate Data una successione di numeri reali si chiama serie ad essa relativa il simbolo u +... + u +... u, u 2,..., u,..., (4.) oppure
Dettagli~ Copyright Ripetizionando - All rights reserved ~ http://ripetizionando.wordpress.com STUDIO DI FUNZIONE
STUDIO DI FUNZIONE Passaggi fondamentali Per effettuare uno studio di funzione completo, che non lascia quindi margine a una quasi sicuramente errata inventiva, sono necessari i seguenti 7 passaggi: 1.
DettagliIL RISCHIO D IMPRESA ED IL RISCHIO FINANZIARIO. LA RELAZIONE RISCHIO-RENDIMENTO ED IL COSTO DEL CAPITALE.
IL RISCHIO D IMPRESA ED IL RISCHIO FINANZIARIO. LA RELAZIONE RISCHIO-RENDIMENTO ED IL COSTO DEL CAPITALE. Lezione 5 Castellanza, 17 Ottobre 2007 2 Summary Il costo del capitale La relazione rischio/rendimento
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
DettagliPer studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R
Studio di funzione Per studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R : allo scopo di determinarne le caratteristiche principali.
DettagliPsicometria (8 CFU) Corso di Laurea triennale STANDARDIZZAZIONE
Psicometria (8 CFU) Corso di Laurea triennale Un punteggio all interno di una distribuzione è in realtà privo di significato se preso da solo. Sapere che un soggetto ha ottenuto un punteggio x=52 in una
DettagliRELAZIONE 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
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliCapitolo 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
DettagliConsideriamo due polinomi
Capitolo 3 Il luogo delle radici Consideriamo due polinomi N(z) = (z z 1 )(z z 2 )... (z z m ) D(z) = (z p 1 )(z p 2 )... (z p n ) della variabile complessa z con m < n. Nelle problematiche connesse al
DettagliEdited by Foxit PDF Editor Copyright (c) by Foxit Software Company, 2004 For Evaluation Only.
In un mercato del lavoro competitivo esistono due tipi di lavoratori, quelli con alta produttività L A, che producono per 30 $ l'ora, e quelli con bassa produttività, L B, che producono per 5 $ l'ora.
Dettaglidella funzione obiettivo. Questo punto dovrebbe risultare chiaro se consideriamo una generica funzione:
Corso di laurea in Economia e finanza CLEF) Economia pubblica ************************************************************************************ Una nota elementare sulla ottimizzazione in presenza di
DettagliChe cosa e come valutano le prove di matematica e con quali risultati. nell A.S. 2008 2009
Che cosa e come valutano le prove di matematica e con quali risultati nell A.S. 2008 2009 Presentazione a cura di Roberta Michelini Casalpusterlengo, 8 gennaio 2010 http://www.invalsi.it/esamidistato0809/
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
DettagliMetodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla
Il metodo della regressione può essere esteso dal caso in cui si considera la variabilità della risposta della y in relazione ad una sola variabile indipendente X ad una situazione più generale in cui
DettagliNormative sulla Tenuta dei Serramenti ad Aria, Acqua e Vento
UNI EN 12208 La tenuta all acqua di un serramento, descrive la sua capacità di essere impermeabile sotto l azione di pioggia battente e in presenza di una determinata velocità del vento. La norma, la UNI
DettagliVARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che
VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile
DettagliCONTINUITÀ E DERIVABILITÀ Esercizi proposti. 1. Determinare lim M(sinx) (M(t) denota la mantissa di t)
CONTINUITÀ E DERIVABILITÀ Esercizi proposti 1. Determinare lim M(sin) (M(t) denota la mantissa di t) kπ/ al variare di k in Z. Ove tale limite non esista, discutere l esistenza dei limiti laterali. Identificare
DettagliSOLUZIONE DEL PROBLEMA 1 TEMA DI MATEMATICA ESAME DI STATO 2015
SOLUZIONE DEL PROBLEMA 1 TEMA DI MATEMATICA ESAME DI STATO 015 1. Indicando con i minuti di conversazione effettuati nel mese considerato, la spesa totale mensile in euro è espressa dalla funzione f()
DettagliSistemi Informativi Territoriali. Map Algebra
Paolo Mogorovich Sistemi Informativi Territoriali Appunti dalle lezioni Map Algebra Cod.735 - Vers.E57 1 Definizione di Map Algebra 2 Operatori locali 3 Operatori zonali 4 Operatori focali 5 Operatori
DettagliDott.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
DettagliAPPLICAZIONI 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)
DettagliL EQUILIBRIO UNIVERSALE dalla meccanica celeste alla fisica nucleare
L EQUILIBRIO UNIVERSALE dalla meccanica celeste alla fisica nucleare Cap.4 giroscopio, magnetismo e forza di Lorentz teoria del giroscopio Abbiamo finora preso in considerazione le condizionidi equilibrio
DettagliCONI, CILINDRI, SUPERFICI DI ROTAZIONE
CONI, CILINDRI, SUPERFICI DI ROTAZIONE. Esercizi x + z = Esercizio. Data la curva x, calcolare l equazione del cilindro avente γ y = 0 come direttrice e con generatrici parallele al vettore v = (, 0, ).
DettagliProcesso di rendering
Processo di rendering Trasformazioni di vista Trasformazioni di vista Il processo di visione in tre dimensioni Le trasformazioni di proiezione 2 Rendering nello spazio 2D Il processo di rendering (visualizzazione)
DettagliMatematica e Statistica
Matematica e Statistica Prova d esame (0/07/03) Università di Verona - Laurea in Biotecnologie - A.A. 0/3 Matematica e Statistica Prova di MATEMATICA (0/07/03) Università di Verona - Laurea in Biotecnologie
DettagliI punteggi zeta e la distribuzione normale
QUINTA UNITA I punteggi zeta e la distribuzione normale I punteggi ottenuti attraverso una misurazione risultano di difficile interpretazione se presi in stessi. Affinché acquistino significato è necessario
DettagliISTITUTO COMPRENSIVO MONTEGROTTO TERME SCUOLA PRIMARIA DISCIPLINA: MATEMATICA - CLASSE PRIMA OBIETTIVI DI APPRENDIMENTO
PRIMA DELLA DISCIPLINA: MATEMATICA - CLASSE PRIMA L alunno si muove con sicurezza nel calcolo scritto e mentale con i numeri naturali. Legge e comprende testi che coinvolgono aspetti logici e matematici.
DettagliStatistica. Alfonso Iodice D Enza iodicede@unina.it
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 16 Outline 1 () Statistica 2 / 16 Outline 1 2 () Statistica 2 / 16 Outline 1 2 () Statistica 2 / 16
DettagliBasi di matematica per il corso di micro
Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
Dettagli2. Leggi finanziarie di capitalizzazione
2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M
DettagliLibrerie digitali. Video. Gestione di video. Caratteristiche dei video. Video. Metadati associati ai video. Metadati associati ai video
Video Librerie digitali Gestione di video Ogni filmato è composto da più parti Video Audio Gestito come visto in precedenza Trascrizione del testo, identificazione di informazioni di interesse Testo Utile
DettagliCome visto precedentemente l equazione integro differenziale rappresentativa dell equilibrio elettrico di un circuito RLC è la seguente: 1 = (1)
Transitori Analisi nel dominio del tempo Ricordiamo che si definisce transitorio il periodo di tempo che intercorre nel passaggio, di un sistema, da uno stato energetico ad un altro, non è comunque sempre
DettagliModulo 2. Domanda aggregata e livello di produzione
Modulo 2 Domanda aggregata e livello di produzione Esercizio. In un sistema economico privo di settore pubblico, la funzione di consumo è: C = 200 + 0.8Y; gli investimenti sono I= 50. a) Qual è il livello
DettagliTeoria in sintesi 10. Attività di sportello 1, 24 - Attività di sportello 2, 24 - Verifica conclusiva, 25. Teoria in sintesi 26
Indice L attività di recupero 6 Funzioni Teoria in sintesi 0 Obiettivo Ricerca del dominio e del codominio di funzioni note Obiettivo Ricerca del dominio di funzioni algebriche; scrittura del dominio Obiettivo
DettagliCapitolo 2 Distribuzioni di frequenza
Edizioni Simone - Vol. 43/1 Compendio di statistica Capitolo 2 Distribuzioni di frequenza Sommario 1. Distribuzioni semplici. - 2. Distribuzioni doppie. - 3. Distribuzioni parziali: condizionate e marginali.
DettagliInteresse, sconto, ratei e risconti
TXT HTM PDF pdf P1 P2 P3 P4 293 Interesse, sconto, ratei e risconti Capitolo 129 129.1 Interesse semplice....................................................... 293 129.1.1 Esercizio per il calcolo dell
DettagliLa categoria «ES» presenta (di solito) gli stessi comandi
Utilizzo delle calcolatrici FX 991 ES+ Parte II PARMA, 11 Marzo 2014 Prof. Francesco Bologna bolfra@gmail.com ARGOMENTI DELLA LEZIONE 1. Richiami lezione precedente 2.Calcolo delle statistiche di regressione:
DettagliL Analisi della Varianza ANOVA (ANalysis Of VAriance)
L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 CONCETTI GENERALI Finora abbiamo descritto test di ipotesi finalizzati alla verifica di ipotesi sulla differenza tra parametri di due popolazioni
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliMATEMATICA 2001. p = 4/6 = 2/3; q = 1-2/3 = 1/3. La risposta corretta è quindi la E).
MATEMATICA 2001 66. Quale fra le seguenti affermazioni è sbagliata? A) Tutte le funzioni ammettono la funzione inversa B) Una funzione dispari è simmetrica rispetto all origine C) Una funzione pari è simmetrica
Dettagli