Il metodo della regressione

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Il metodo della regressione"

Transcript

1 Il metodo della regressione Consideriamo il coefficiente beta di una semplice regressione lineare, cosa significa? È una differenza tra valori attesi Anche nel caso classico di variabile esplicativa continua Reddito i = α + β (Anni di istruzione i ) + ε i β = Reddito atteso con X anni di istruzione - Reddito atteso con X-1 anni di istruzione Reddito atteso con 1 anno di istruzione in più= E(Reddito istruzione = X) = α + β (X) - E(Reddito istruzione = X-1) = α + β (X-1) E(Reddito X) - E(Reddito X-1) = β 1

2 Il fatto che un coefficiente di regressione sia sempre una differenza tra medie lo si vede ancora meglio nel caso di una variabile esplicativa dicotomica Dicotomizziamo la variabile Istruzione in due soli livelli 1: Ha il diploma della media superiore 0: Non ha il diploma della media superiore Reddito i = α + β Diploma + ε i Diploma = 1 con diploma, = 0 senza diploma β = Reddito atteso con il Diploma - Reddito atteso senza il Diploma 2

3 Ovvero: β = E(R i D i = 1) - E(R i D i = 0) Oppure, se introduciamo il trattamento: E(Y i T i = 1) - E(Y i T i = 0) Nel caso di una sola variabile esplicativa dicotomica, non serve la regressione per stimare α e β, basta calcolare la semplice differenza tra le medie del reddito dei due campioni di diplomati e non diplomati α + β = reddito medio dei diplomati α = reddito medio dei non diplomati β = differenza tra i redditi medi dei due gruppi 3

4 Cosa rappresenta un altra variabile esplicativa? Reddito i = α + β Diploma i + γ Anni di lavoro i + ε i γ è l effetto degli anni di lavoro sul reddito (probabilmente positivo) Quindi ora β rappresenta l effetto del diploma A PARITA di anni di lavoro Ma β si può ancora interpretare come differenza tra medie? Sì, se riscriviamo l equazione così: Reddito i - γ Anni di lavoro i = α + β Diploma i (reddito depurato dall influenza degli anni di lavoro) + ε i β = Reddito atteso (al netto dell effetto degli anni di lavoro) con Diploma - Reddito atteso ( ) senza Diploma 4

5 Ora non è più possibile stimare il coefficiente β con semplici operazioni β= Cov(x,y)/Var(x) α= Media(y) - β Media(x) Non possiamo fare a meno della regressione, perché vogliamo ottenere una stima dell effetto della variabile dicotomica al netto dell influenza di altre variabili: la regressione serve appunto a questo e ovviamente ad includere tutte le variabili esplicative disponibili, pena l errore di variable omessa IL PROGRAMMA URBAN Riprendiamo Urban, affronta la problematica urbana in forma integrata, associando promozione dell'attività economica miglioramento dell'infrastruttura e dell'ambiente formazione personalizzata azioni a favore delle pari opportunità adeguamento dei servizi sociali 5

6 I dati id vandalismo anno urban immigrazione disoccupazione punteggio , NonUrban 4,87 18,59 71, , NonUrban 4,87 18,59 71, , NonUrban 4,87 18,59 71, , NonUrban 16,80 10,92 71, , NonUrban 16,80 10,92 71, , NonUrban 16,80 10,92 71, , NonUrban 14,93 12,28 71, , NonUrban 14,93 12,28 71, , NonUrban 14,93 12,28 71, , Urban 13,96 12,10 71, , Urban 13,96 12,10 71, , Urban 13,96 12,10 71, , Urban 13,84 14,42 71, , Urban 13,84 14,42 71, , Urban 13,84 14,42 71,7 Poniamo di misurare il tasso di vandalismo solo nel 2004, ma di conoscere il valore delle caratteristiche del quartiere che possono averlo influenzato. Supponiamo solo L accesso al programma URBAN Vogliamo quindi ottenere una stima dell effetto di URBAN sul vandalismo nel 2004, al netto dell influenza delle altre variabili osservate prima del programma, poniamo nel

7 (1) Y i = α + βt i + ε i (i=1-300: ) dove: Y i rappresenta il tasso di vandalismo osservato nel quartiere i-esimo; T i rappresenta la variabile trattamento 1 per i quartieri Urban 0 per i quartieri NonUrban; ε i è il termine di errore, assumendo : Cov [ε,t] = 0 E [ε T]=0 I coefficienti hanno il seguente significato: α = E(Y i T i = 0 ) vandalismo nel 2004 senza URBAN α + β = E(Y i T i = 1 ) vandalismo nel 2004 con URBAN da cui si ricava per differenza che: β = E(Y i T i = 1 ) - E(Y i T i = 0 ) effetto atteso di URBAN nel 2004??? 7

8 Osservazioni sull'anno 2004 tasso di vandalismo Senza 0Urban: Ti=0 Con Urban: 1 Ti=1 Statistica della regressione R multiplo 0, R al quadrato 0, R al quadrato corretto 0, Errore standard 14, Osservazioni 300 ANALISI VARIANZA gdl SQ MQ F Significatività F Regressione , ,45 15, ,26392E-05 Residuo ,98 205,5603 Totale ,43 Coefficienti Err.st. Stat t Significatività Inferiore 95% Superiore 95% Intercetta 57, , ,4144 4,5732E , , T 8, , , ,26392E-05 4, , Stima dell effetto di Urban = + 8,87 atti di vandalismo (identico alla differenza tra medie con-senza ) 8

9 Il risultato ottenuto con la regressione è maggiormente credibile di quello ottenuto attraverso con-senza? Occiamente no, per migliorare una stima non basta la regressione in quanto tale. Occorrono variabili esplicative che servano a ridurre la distorsione dovuta alle differenze di partenza, come immigrazione e disoccupazione osservati prima della politica in esame, poniamo nel (2) Y i = α + βt i + θ IMM i + λ DIS i + ε i i =

10 Statistica della regressione R multiplo 0, R al quadrato 0, R al quadrato corretto 0, Errore standard 6, Osservazioni 300 ANALISI VARIANZA gdl SQ MQ F Significatività F Regressione , ,23 401, ,5892E-104 Residuo ,73 42,9991 Totale ,43 Coefficienti Err.st. Stat t Significatività Inferiore 95% Superiore 95% Intercetta -23, , , ,23195E-18-27, , T -0, , , , , , immigr 3, , , ,69172E-85 3, , disocc 2, , , ,99171E-60 2, , Stima dell effetto di Urban = 0,16 atti di vandalismo cioè 0: le variabili di controllo hanno annullato la precedente stima positiva in senso algebrico, ma negativa in senso sociale e di utilità del programma. Ora l effetto Urban (Ti=1) è quello di ridurre il tasso di vandalismo Yi (3) Y i,t = α + βt i + γp t + δt i P t + ε i,t i = 1,300 t = P t rappresenta il periodo di osservazione: 1 per il per il 2000; T i indica ora l assegnazione del quartiere a U o a NU e questo vale nel 2004 come nel 2000 T i P t rappresenta adesso la variabile trattamento, ed è uguale a 1 solo nel 2004 per i quartieri Urban, e uguale a zero in tutti gli altri casi. T i P t è costruita come interazione (prodotto) tra la variabile assegnazione T i e il periodo di osservazione P t, assume quindi valore 1 se e solo se: T i =1 e P t = 1. 10

11 α = E (Y i,t T i = 0, P t = 0) stima la media del vandalismo nei quartieri NonUrban nel 2000 α + β = E (Y i,t T i = 1, P t = 0) stima la media nei quartieri Urban nel 2000 (quando non sapevano di esserlo) e β cosa rappresenta ora? β stima le differenze di partenza (la differenza tra le medie del vandalismo osservate nel 2000 tra U e NU) 11

12 α + γ = E (Y i,t T i = 0, P t = 1) stima la media nei quartieri NonUrban nel 2004 e γ cosa stima, cosa rappresenta ora? la dinamica spontanea la sua stima è equivalente alla differenza nel vandalismo nei quartieri NU α + β + γ + δ = E(Y i,t T i = 1, P t = 1) stima la media nei quartieri Urban nel 2004 (il fattuale ) In pratica la regressione dice che il livello atteso di vandalismo nel 2004 (il fattuale ) è dato dal: livello base (α: non Urban 2000) + differenze di partenza (β: differenza U-NU nel 2000) + dinamica spontanea (γ: differenza NU ) E che fine ha fatto il controfattuale? E l effetto come lo stimiamo? 12

13 α + β + γ stima il controfattuale δ stima l effetto di Urban 80 tasso di vandalismo β δ γ α β Urban NonUrban controfattuale 13

14 Statistica della regressione R multiplo 0, R al quadrato 0, R al quadrato corretto 0, Errore standard 14, Osservazioni 600 ANALISI VARIANZA gdl SQ MQ F Significatività F Regressione , ,593 48, ,46935E-28 Residuo ,4 202,9117 Totale ,2 Coefficienti Err.st. Stat t Significatività Inferiore 95% Superiore 95% Intercetta 46, , , ,6836E , , T 16, , , ,51462E-13 12, , Periodo 11, , , ,42972E-17 8, , T*P -7, , , , , , Tipo di quartiere Urban NonUrban Differenze (U-NU) Media del tasso di vandalismo nel ,90 66,37 46,37 57,50 16,53 8,87 Differenze ( ) 3,47 11,13 7,66 Che valenza ha il risultato attuale rispetto a quello Diff&Diff? Identica, ma risultato è ora molto più accurato: possiamo valutare che δ è significativo, con Diff&Diff non era possibile, possiamo vedere i residui e il comportamento degli outliers sulle stime, per quanto con variabili dummy disponiamo tuttavia di indicatori di adattamento globale del modello, come R 2 possiamo aggiungere altri predittori 14

15 3 - La regressione con variabile dipendente ΔY ΔY i = Y i, Y i,2000 (4) ΔY i = α + βt i + ε i i = α= E(ΔY i, T i = 0 ) = E (Y i, Y i, 2000 T i = 0) stima la dinamica spontanea per i quartieri NonUrban 15

16 α + β = E(ΔYi, Ti = 1 ) = E(Yi, Yi, 2000 Ti = 1) stima la dinamica per i quartieri Urban, da cui si ricava per differenza che β = E(Y i, Y i, 2000 T i =1)-E(Y i, Y i, 2000 T i =0) cioè nuovamente la stima diff-diff dell effetto di Urban su Y i Statistica della regressione R multiplo 0, R al quadrato 0, R al quadrato corretto 0, Errore standard 1, Osservazioni 300 Con ΔY ANALISI VARIANZA gdl SQ MQ F Significatività F Regressione , , , ,66652E-77 Residuo ,943 3, Totale ,814 Coefficienti Err.st. Stat t Significatività Inferiore 95% Superiore 95% Intercetta 11, , , ,0195E , , T -7, , ,6783 1,66652E-77-8, , Con Y Coefficienti Err.st. Stat t Significatività Inferiore 95% Superiore 95% Intercetta 46, , , ,6836E , , T 16, , , ,51462E-13 12, , Periodo 11, , , ,42972E-17 8, , T*P -7, , , , , ,

17 Al modello con la variabile dipendente espressa come differenza, possiamo aggiungere variabili di controllo per catturare eventuali differenze dovute alle diverse condizioni di partenza (immigrazione e disoccupazione nel 2000) (5) ΔYi = α + βt i + θ IMM i + λ DIS i + ε i i = 1,300 Statistica della regressione R multiplo 0, R al quadrato 0, R al quadrato corretto 0, Errore standard 1, Osservazioni 300 ANALISI VARIANZA gdl SQ MQ F Significatività F Regressione , , , ,22771E-79 Residuo ,131 3, Totale ,814 Coefficienti Err.st. Stat t Significatività Inferiore 95% Superiore 95% Intercetta 8, , , ,88867E-29 7, , T -8, , ,4177 7,70905E-80-8, , immigr 0, , , , , , disocc 0, , , ,38612E-05 0, , Stima dell effetto di Urban = -8,10 atti di vandalismo (IMM n.s. e DIS sig.) 17

18 6) ΔY i,t = α + βt i + γp t + δt i *P t + ε i,t i = 1,300 P t = P t = α = crescita nei quartieri NonUrban tra il 1996 e il 2000 β = differenziale, cioè E(ΔY i,t - ΔY j,t ), nei trend di crescita tra i due gruppi di quartieri nel periodo (nel primo modello è zero) γ = differenziale di crescita nei quartieri NonUrban tra il 2000 e il 2004 rispetto al quadriennio precedente δ = stima l effetto dell intervento Statistica della regressione R multiplo 0, R al quadrato 0, R al quadrato corretto 0, Errore standard 1, Osservazioni 600 ANALISI VARIANZA gdl SQ MQ F Significatività F Regressione , , , ,4589E-133 Residuo ,514 3, Totale ,462 Coefficienti Err.st. Stat t Significatività Inferiore 95% Superiore 95% Intercetta 6, , , ,4883E-224 6, , Periodo 4, , ,1308 3,5947E-106 4, , T 1, , , ,34027E-07 0, , P*T -9, , ,5492 1,3488E-76-10, , (U 2004 N 2004 ) (U 2000 N 2000 ) -[(U U 1996 ) (N N 1996 )] Effetto = differenza post differenza pre differenza pre nei trend 9,19 8,87 (+ 16,53) [+ 1,53] 18

Il metodo della regressione

Il metodo della regressione Il metodo della regressione Consideriamo il coefficiente beta di una semplice regressione lineare, cosa significa? È una differenza tra valori attesi Anche nel caso classico di variabile esplicativa continua

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato

Dettagli

FACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA

FACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA FACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA NB Come potete vedere facendo la somma dei punteggi il numero di quesiti è superiore a quello

Dettagli

LEZIONE n. 5 (a cura di Antonio Di Marco)

LEZIONE 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,

Dettagli

Lineamenti di econometria 2

Lineamenti di econometria 2 Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) Aspetti Statistici della Regressione Aspetti Statistici della Regressione

Dettagli

Introduzione alle relazioni multivariate. Introduzione alle relazioni multivariate

Introduzione alle relazioni multivariate. Introduzione alle relazioni multivariate Introduzione alle relazioni multivariate Associazione e causalità Associazione e causalità Nell analisi dei dati notevole importanza è rivestita dalle relazioni causali tra variabili Date due variabili

Dettagli

Lineamenti di econometria 2

Lineamenti di econometria 2 Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) La Regressione Multipla La Regressione Multipla La regressione multipla

Dettagli

LA CORRELAZIONE LINEARE

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

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E 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

Dettagli

Regressione logistica. Strumenti quantitativi per la gestione

Regressione logistica. Strumenti quantitativi per la gestione Regressione logistica Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/4a_rlg.html#(1) 1/25 Metodi di classificazione I metodi usati per analizzare

Dettagli

Statistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2.

Statistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2. Analisi multivariata Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Cercare di capire le relazioni

Dettagli

Verifica di ipotesi e intervalli di confidenza nella regressione multipla

Verifica 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

Dettagli

La distribuzione Normale. La distribuzione Normale

La 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

Dettagli

1. Distribuzioni campionarie

1. 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

Dettagli

Lineamenti di econometria 2

Lineamenti di econometria 2 Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) Regressione con Variabili Dummy Regressione con Variabili Dummy La

Dettagli

lezione 18 AA 2015-2016 Paolo Brunori

lezione 18 AA 2015-2016 Paolo Brunori AA 2015-2016 Paolo Brunori Previsioni - spesso come economisti siamo interessati a prevedere quale sarà il valore di una certa variabile nel futuro - quando osserviamo una variabile nel tempo possiamo

Dettagli

Analisi statistica delle funzioni di produzione

Analisi statistica delle funzioni di produzione Analisi statistica delle funzioni di produzione Matteo Pelagatti marzo 28 Indice La funzione di produzione di Cobb-Douglas 2 2 Analisi empirica della funzione di produzione aggregata 3 Sommario Con la

Dettagli

Il concetto di valore medio in generale

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

Dettagli

(a cura di Francesca Godioli)

(a cura di Francesca Godioli) lezione n. 12 (a cura di Francesca Godioli) Ad ogni categoria della variabile qualitativa si può assegnare un valore numerico che viene chiamato SCORE. Passare dalla variabile qualitativa X2 a dei valori

Dettagli

Capitolo 12 La regressione lineare semplice

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

Dettagli

Regressione logistica

Regressione logistica Regressione logistica Strumenti quantitativi per la gestione Emanuele Taufer Metodi di classificazione Tecniche principali Alcuni esempi Data set Default I dati La regressione logistica Esempio Il modello

Dettagli

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi. Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:

Dettagli

La regressione lineare multipla

La regressione lineare multipla 13 La regressione lineare multipla Introduzione 2 13.1 Il modello di regressione multipla 2 13.2 L analisi dei residui nel modello di regressione multipla 9 13.3 Il test per la verifica della significatività

Dettagli

Introduzione all Inferenza Statistica

Introduzione all Inferenza Statistica Introduzione all Inferenza Statistica Fabrizio Cipollini Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) G. Parenti Università di Firenze Firenze, 3 Febbraio 2015 Introduzione Casi di studio

Dettagli

RISCHIO E CAPITAL BUDGETING

RISCHIO E CAPITAL BUDGETING RISCHIO E CAPITAL BUDGETING Costo opportunità del capitale Molte aziende, una volta stimato il loro costo opportunità del capitale, lo utilizzano per scontare i flussi di cassa attesi dei nuovi progetti

Dettagli

RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL

RAPPRESENTAZIONE 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

Dettagli

Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini)

Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini) Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini) Esercizio 1 In uno studio sugli affitti mensili, condotto su un campione casuale di 14 monolocali nella città nella città

Dettagli

Psicometria (8 CFU) Corso di Laurea triennale STANDARDIZZAZIONE

Psicometria (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

Dettagli

Limited Dependent Variable Models

Limited Dependent Variable Models Limited Dependent Variable Models Logit Tobit Probit Modelli Logit e Probit Latent variable models for binary choice Models for descrete dependent variable Traducendo Spesso vogliamo studiare (le determinanti

Dettagli

Come visto precedentemente l equazione integro differenziale rappresentativa dell equilibrio elettrico di un circuito RLC è la seguente: 1 = (1)

Come 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

Dettagli

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) 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

Dettagli

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Facoltà di Psicologia Università di Padova Anno Accademico 010-011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 10/01/011 La distribuzione F di Fisher - Snedecor

Dettagli

Metodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla

Metodologia 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

Dettagli

> d = alimentazione == "benz" > mean(percorr.urbana[!d]) - mean(percorr.urbana[d]) [1] 2.385627. > sd(percorr.urbana[d]) [1] 2.

> d = alimentazione == benz > mean(percorr.urbana[!d]) - mean(percorr.urbana[d]) [1] 2.385627. > sd(percorr.urbana[d]) [1] 2. A questo punto vale la pena di soffermarci di più sull alimentazione. Intanto cerchiamo di indagare se l alimentazione è davvero un fattore significativo per la percorrenza come è luogo comune pensare.

Dettagli

PROBABILITA CONDIZIONALE

PROBABILITA CONDIZIONALE Riferendoci al lancio di un dado, indichiamo con A l evento esce un punteggio inferiore a 4 A ={1, 2, 3} B l evento esce un punteggio dispari B = {1, 3, 5} Non avendo motivo per ritenere il dado truccato,

Dettagli

ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE

ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114

Dettagli

Stima 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

Dettagli

Analisi di scenario File Nr. 10

Analisi di scenario File Nr. 10 1 Analisi di scenario File Nr. 10 Giorgio Calcagnini Università di Urbino Dip. Economia, Società, Politica giorgio.calcagnini@uniurb.it http://www.econ.uniurb.it/calcagnini/ http://www.econ.uniurb.it/calcagnini/forecasting.html

Dettagli

postulato della valutazione tramite indicatori: La valutazione di un sistema sanitario tramite indicatori ipotizza

postulato della valutazione tramite indicatori: La valutazione di un sistema sanitario tramite indicatori ipotizza postulato della valutazione tramite indicatori: La valutazione di un sistema sanitario tramite indicatori ipotizza la praticabilità di una scomposizione della complessità in informazioni elementari ed

Dettagli

Regressione Logistica: un Modello per Variabili Risposta Categoriali

Regressione Logistica: un Modello per Variabili Risposta Categoriali : un Modello per Variabili Risposta Categoriali Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 1 / 54 Introduzione Premessa I modelli di regressione

Dettagli

La Regressione Lineare

La Regressione Lineare La Regressione Lineare. Cos è l Analisi della Regressione Multipla? L analisi della regressione multipla è una tecnica statistica che può essere impiegata per analizzare la relazione tra una variabile

Dettagli

Prova di autovalutazione Prof. Roberta Siciliano

Prova di autovalutazione Prof. Roberta Siciliano Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.

Dettagli

Il modello media-varianza con N titoli rischiosi. Una derivazione formale. Enrico Saltari

Il modello media-varianza con N titoli rischiosi. Una derivazione formale. Enrico Saltari Il modello media-varianza con N titoli rischiosi. Una derivazione formale Enrico Saltari La frontiera efficiente con N titoli rischiosi Nel caso esistano N titoli rischiosi, con N 2, il problema della

Dettagli

Controlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L.

Controlli 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:

Dettagli

Statistica 1 A.A. 2015/2016

Statistica 1 A.A. 2015/2016 Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 39 Introduzione Come si è detto,

Dettagli

1 Associazione tra variabili quantitative COVARIANZA E CORRELAZIONE

1 Associazione tra variabili quantitative COVARIANZA E CORRELAZIONE 1 Associazione tra variabili quantitative ASSOCIAZIONE FRA CARATTERI QUANTITATIVI: COVARIANZA E CORRELAZIONE 2 Associazione tra variabili quantitative Un esempio Prezzo medio per Nr. Albergo cliente (Euro)

Dettagli

Relazioni statistiche: regressione e correlazione

Relazioni 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

Dettagli

Correzione dell Esame di Statistica Descrittiva (Mod. B) 1 Appello - 28 Marzo 2007 Facoltà di Astronomia

Correzione dell Esame di Statistica Descrittiva (Mod. B) 1 Appello - 28 Marzo 2007 Facoltà di Astronomia Correzione dell Esame di Statistica Descrittiva (Mod. B) 1 Appello - 8 Marzo 007 Facoltà di Astronomia ESERCIZIO 1 La seguente tabella riporta la distribuzione congiunta della situazione lavorativa e dello

Dettagli

Opportunità e rischi derivanti dall'impiego massivo dell'informatica in statistica. Francesco Maria Sanna Roma, 3 maggio 2012

Opportunità e rischi derivanti dall'impiego massivo dell'informatica in statistica. Francesco Maria Sanna Roma, 3 maggio 2012 Opportunità e rischi derivanti dall'impiego massivo dell'informatica in statistica Francesco Maria Sanna Roma, 3 maggio 2012 Procedere alla misura, al rilevamento e al trattamento dei dati è sempre stato

Dettagli

Finanza matematica - Lezione 01

Finanza matematica - Lezione 01 Finanza matematica - Lezione 01 Contratto d opzione Un opzione è un contratto finanziario stipulato al tempo, che permette di eseguire una certa transazione, d acquisto call o di vendita put, ad un tempo

Dettagli

Esercitazione di Martedì 28 Ottobre (Rischio-Rendimento) Esercizio n 1, Calcolo dei pesi all interno di un portafoglio costituito da 2 titoli

Esercitazione di Martedì 28 Ottobre (Rischio-Rendimento) Esercizio n 1, Calcolo dei pesi all interno di un portafoglio costituito da 2 titoli Esercitazione di Martedì 28 Ottobre (Rischio-Rendimento) Esercizio n 1, Calcolo dei pesi all interno di un portafoglio costituito da 2 titoli Un portafoglio è costituito dal titolo A e dal titolo B. Il

Dettagli

Corso di Matematica per la Chimica

Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano

Dettagli

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................

Dettagli

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

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

Dettagli

Università di Siena Sede di Grosseto Secondo Semestre 2010-2011. Macroeconomia. Paolo Pin ( pin3@unisi.it ) Lezione 3 18 Aprile 2011

Università di Siena Sede di Grosseto Secondo Semestre 2010-2011. Macroeconomia. Paolo Pin ( pin3@unisi.it ) Lezione 3 18 Aprile 2011 Università di Siena Sede di Grosseto Secondo Semestre 2010-2011 Macroeconomia Paolo Pin ( pin3@unisi.it ) Lezione 3 18 Aprile 2011 Nuovo Orario Riassunto lezione precedente Definizione e misurazione: PIL

Dettagli

LE DETERMINANTI DELLA REDDITIVITÀ DELLE SOCIETA OPERANTI NEL COMPARTO TESSILE ABBIGLIAMENTO IN ITALIA

LE DETERMINANTI DELLA REDDITIVITÀ DELLE SOCIETA OPERANTI NEL COMPARTO TESSILE ABBIGLIAMENTO IN ITALIA LE DETERMINANTI DELLA REDDITIVITÀ DELLE SOCIETA OPERANTI NEL COMPARTO TESSILE ABBIGLIAMENTO IN ITALIA Il metodo CVRP per l analisi delle maggiori società tessili italiane Stefano Cordero di Montezemolo

Dettagli

ANALISI DI CORRELAZIONE

ANALISI DI CORRELAZIONE ANALISI DI CORRELAZIONE Esempio: Dati raccolti da n = 129 studenti di Pavia (A.A. 21/2) Altezza (cm) Peso (Kg) Voto Algebra e Geometria Voto Fisica I Valutare la correlazione delle seguenti coppie: Peso

Dettagli

Metodi statistici per le ricerche di mercato

Metodi 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

Le funzioni continue. A. Pisani Liceo Classico Dante Alighieri A.S. 2002-03. A. Pisani, appunti di Matematica 1

Le funzioni continue. A. Pisani Liceo Classico Dante Alighieri A.S. 2002-03. A. Pisani, appunti di Matematica 1 Le funzioni continue A. Pisani Liceo Classico Dante Alighieri A.S. -3 A. Pisani, appunti di Matematica 1 Nota bene Questi appunti sono da intendere come guida allo studio e come riassunto di quanto illustrato

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

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

Dettagli

11) convenzioni sulla rappresentazione grafica delle soluzioni

11) convenzioni sulla rappresentazione grafica delle soluzioni 2 PARAGRAFI TRATTATI 1)La funzione esponenziale 2) grafici della funzione esponenziale 3) proprietá delle potenze 4) i logaritmi 5) grafici della funzione logaritmica 6) principali proprietá dei logaritmi

Dettagli

EMBA PART TIME 2012 ROMA I ANNO

EMBA PART TIME 2012 ROMA I ANNO BUSINESS STATISTICS: ASSIGNMENT II: EMBA PART TIME 2012 ROMA I ANNO PROF. MOSCONI ESERCIZIO 1: USO DEL MODELLO DI REGRESSIONE PER DETERMINARE IL VALORE DEGLI IMMOBILI. ESERCIZIO 2: PREVISIONE DI VARIABILI

Dettagli

Analisi Statistica Spaziale

Analisi Statistica Spaziale Analisi Statistica Spaziale Posa D., De Iaco S. posa@economia.unile.it s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA ANNO ACCADEMICO

Dettagli

3) ANALISI DEI RESIDUI

3) ANALISI DEI RESIDUI 3) ANALISI DEI RESIDUI Dopo l analisi di regressione si eseguono alcuni test sui residui per avere una ulteriore conferma della validità del modello e delle assunzioni (distribuzione normale degli errori,

Dettagli

UNIVERSITÀ DEGLI STUDI DI TERAMO

UNIVERSITÀ DEGLI STUDI DI TERAMO UNIVERSITÀ DEGLI STUDI DI TERAMO CORSO DI LAUREA IN ECONOMIA BANCARIA FINANZIARIA ED ASSICURATIVA (Classe 7) Corso di Matematica per l Economia (Prof. F. Eugeni) TEST DI INGRESSO Teramo, ottobre 00 SEZIONE

Dettagli

Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco

Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Alfonso Iodice D Enza April 26, 2007 1...prima di cominciare Contare, operazione solitamente semplice, può diventare complicata se lo scopo

Dettagli

ANALISI DELLE FREQUENZE: IL TEST CHI 2

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

Dettagli

Metodi Matematici ed Informatici per la Biologia Esame Finale, I appello 1 Giugno 2007

Metodi Matematici ed Informatici per la Biologia Esame Finale, I appello 1 Giugno 2007 Metodi Matematici ed Informatici per la Biologia Esame Finale, I appello 1 Giugno 2007 Nome: Alberto Cognome: De Sole Matricola: 01234567890 Codice 9784507811 Esercizio Risposta Voto 1 a b c d e 1 2 V

Dettagli

Statistical learning Strumenti quantitativi per la gestione

Statistical learning Strumenti quantitativi per la gestione Statistical learning Strumenti quantitativi per la gestione Emanuele Taufer Vendite Simbologia Reddito Statistical learning A cosa ci serve f? 1 Previsione 2 Inferenza Previsione Errore riducibile e errore

Dettagli

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A.

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A. CLASSE quinta INDIRIZZO AFM-SIA-RIM-TUR UdA n. 1 Titolo: LE FUNZIONI DI DUE VARIABILI E L ECONOMIA Utilizzare le strategie del pensiero razionale negli aspetti dialettici e algoritmici per affrontare situazioni

Dettagli

Metodi risolutivi per le disequazioni algebriche

Metodi risolutivi per le disequazioni algebriche Metodi risolutivi per le disequazioni algebriche v.scudero Una disequazioni algebrica si presenta in una delle quattro forme seguenti: () P( () P( (3) P( () P( essendo P( un polinomio in. Noi studieremo

Dettagli

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

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

Dettagli

Indice. 1 La disoccupazione ---------------------------------------------------------------------------------------- 3. 2 di 6

Indice. 1 La disoccupazione ---------------------------------------------------------------------------------------- 3. 2 di 6 INEGNAMENO DI EONOMIA OLIIA LEZIONE VIII IL EORE DELL OUAZIONE ROF. ALDO VAOLA Economia olitica Indice 1 La disoccupazione ----------------------------------------------------------------------------------------

Dettagli

IL 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. 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

Dettagli

Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova).

Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione: si consegnano

Dettagli

Metodi Matematici e Informatici per la Biologia----31 Maggio 2010

Metodi Matematici e Informatici per la Biologia----31 Maggio 2010 Metodi Matematici e Informatici per la Biologia----31 Maggio 2010 COMPITO 4 (3 CREDITI) Nome: Cognome: Matricola: ISTRUZIONI Gli esercizi che seguono sono di tre tipi: Domande Vero/Falso: cerchiate V o

Dettagli

Capitolo Terzo Valore attuale e costo opportunità del capitale

Capitolo Terzo Valore attuale e costo opportunità del capitale Capitolo Terzo Valore attuale e costo opportunità del capitale 1. IL VALORE ATTUALE La logica di investimento aziendale è assolutamente identica a quella adottata per gli strumenti finanziari. Per poter

Dettagli

Parte 2. Determinante e matrice inversa

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

Dettagli

STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia

STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia STATISTICA GIUSEPPE DE NICOLAO Dipartimento di Informatica e Sistemistica Università di Pavia SOMMARIO V.C. vettoriali Media e varianza campionarie Proprietà degli stimatori Intervalli di confidenza Statistica

Dettagli

MODELLO DI REGRESSIONE PER DATI DI PANEL

MODELLO DI REGRESSIONE PER DATI DI PANEL MODELLO DI REGRESSIONE PER DAI DI PANEL 5. Introduzione Storicamente l analisi econometrica ha proceduto in due distinte direzioni: lo studio di modelli macroeconomici, sulla base di serie temporali di

Dettagli

Econometria. lezione 17. variabili dipendenti binarie. Econometria. lezione 17. AA 2014-2015 Paolo Brunori

Econometria. lezione 17. variabili dipendenti binarie. Econometria. lezione 17. AA 2014-2015 Paolo Brunori AA 2014-2015 Paolo Brunori domande di mutui rigettate - nei dati raccolti a Boston negli anni 90 il tasso di rifiuto è 28% per i neri e 9% per i bianchi - si può parlare di discriminazione? - è possibili

Dettagli

Siamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.

Siamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo. DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti

Dettagli

Scelte in condizioni di rischio e incertezza

Scelte in condizioni di rischio e incertezza CAPITOLO 5 Scelte in condizioni di rischio e incertezza Esercizio 5.1. Tizio ha risparmiato nel corso dell anno 500 euro; può investirli in obbligazioni che rendono, in modo certo, il 10% oppure in azioni

Dettagli

Finanza Aziendale. Lezione 13. Introduzione al costo del capitale

Finanza Aziendale. Lezione 13. Introduzione al costo del capitale Finanza Aziendale Lezione 13 Introduzione al costo del capitale Scopo della lezione Applicare la teoria del CAPM alle scelte di finanza d azienda 2 Il rischio sistematico E originato dalle variabili macroeconomiche

Dettagli

T DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente:

T DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente: T DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente: t = X i X j s 2 i (n i 1) + s 2 j (n j 1) n i + n j - 2 1

Dettagli

= variazione diviso valore iniziale, il tutto moltiplicato per 100. \ Esempio: PIL del 2000 = 500; PIL del 2001 = 520:

= variazione diviso valore iniziale, il tutto moltiplicato per 100. \ Esempio: PIL del 2000 = 500; PIL del 2001 = 520: Fig. 10.bis.1 Variazioni percentuali Variazione percentuale di x dalla data zero alla data uno: x1 x 0 %x = 100% x 0 = variazione diviso valore iniziale, il tutto moltiplicato per 100. \ Esempio: PIL del

Dettagli

Modelli di Ottimizzazione

Modelli di Ottimizzazione Capitolo 2 Modelli di Ottimizzazione 2.1 Introduzione In questo capitolo ci occuperemo più nel dettaglio di quei particolari modelli matematici noti come Modelli di Ottimizzazione che rivestono un ruolo

Dettagli

3. Confronto tra medie di due campioni indipendenti o appaiati

3. Confronto tra medie di due campioni indipendenti o appaiati BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0 Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice

Dettagli

Esercizi di Ricerca Operativa II

Esercizi di Ricerca Operativa II Esercizi di Ricerca Operativa II Raffaele Pesenti January 12, 06 Domande su utilità 1. Determinare quale è l utilità che un giocatore di roulette assegna a 100,00 Euro, nel momento che gioca tale cifra

Dettagli

Capitolo 13: L offerta dell impresa e il surplus del produttore

Capitolo 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:

Dettagli

I punteggi zeta e la distribuzione normale

I 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

Dettagli

Corrispondenze e funzioni

Corrispondenze e funzioni Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei

Dettagli

Test di italiano di livello A2 e Permesso di soggiorno CE

Test di italiano di livello A2 e Permesso di soggiorno CE Unità 16 Test di italiano di livello A2 e Permesso di soggiorno CE In questa unità imparerai: a comprendere testi che danno informazioni sul Test di italiano per ottenere il Permesso di soggiorno CE parole

Dettagli

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE STATISTICA DESCRITTIVA SCHEDA N. : REGRESSIONE LINEARE Nella Scheda precedente abbiamo visto che il coefficiente di correlazione fra due variabili quantitative X e Y fornisce informazioni sull esistenza

Dettagli

Regressione Mario Guarracino Data Mining a.a. 2010/2011

Regressione 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

Dettagli

Corso di Psicometria Progredito

Corso 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

Dettagli

Statistica inferenziale

Statistica inferenziale Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo

Dettagli

Tasso di interesse e capitalizzazione

Tasso di interesse e capitalizzazione Tasso di interesse e capitalizzazione Tasso di interesse = i = somma che devo restituire dopo un anno per aver preso a prestito un euro, in aggiunta alla restituzione dell euro iniziale Quindi: prendo

Dettagli

Lezione 7 (BAG cap. 5)

Lezione 7 (BAG cap. 5) Lezione 7 (BAG cap. 5) I mercati dei beni e i mercati finanziari: il modello IS-LM Corso di Macroeconomia Prof. Guido Ascari, Università di Pavia 1. Il mercato dei beni e la curva IS L equilibrio sul mercato

Dettagli