Analisi delle Serie Storiche con R
|
|
- Raimonda Bartoli
- 7 anni fa
- Visualizzazioni
Transcript
1 Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Analisi delle Serie Storiche con R Francesca Marta Lilja Di Lascio dilascio@stat.unibo.it Dip.to di Scienze Statistiche P. Fortunati Università di Bologna 1
2 Outlines 0. Obiettivo della lezione 1. Fasi della Procedura di Box & Jenkins (2/2) 2. Preparazione del Workspace e Input dei Dati in R 3. Analisi Preliminare (14/14) 4. Identificazione del Modello (3/3) 5. Stima del Modello Selezionato (2/2) 6. Verifica del Modello Stimato (7/7) 7. Previsione dal Modello Stimato (2/2) 2
3 0. Obiettivo della lezione Effettuare l analisi di una serie storica reale mediante la costruzione di un modello che riesca a cogliere l andamento nel tempo dei dati osservati e che possa essere considerato il processo generatore della serie stessa Tale analisi verrà effettuata tramite la procedura iterativa proposta da Box e Jenkins (1970), che permette di risalire al processo generatore dei dati mediante la costruzione di un modello di tipo ARIMA(p, d, q)(p, D, Q) s 3
4 1. Fasi della Procedura di Box & Jenkins (1/2) È una procedura iterativa che permette di trovare un modello per una serie storica reale. Trovare significa identificare, stimare e valutare la bontà di un modello per utilizzarlo per fare previsioni. Le fasi della procedura sono: 1. Analisi preliminare della serie storica mediante l esame grafico e un analisi esplorativa per poter valutare la stazionarietà (il tipo e il suo grado) della serie storica osservata 2. Identificazione di un modello ARIMA(p,d,q)(P,D,Q) mediante l analisi delle funzioni di autocorrelazione globale e parziale e mediante opportuni indici (es: AIC, BIC) 4
5 1. Fasi della Procedura di Box & Jenkins (2/2) 3. Stima del modello scelto mediante un metodo iterativo per le stime (esatte e condizionate) di massima verosimiglianza 4. Valutazione della bontà del modello stimato mediante analisi dei residui, controllo della significatività dei coefficienti, valutazione della bontà di adattamento del modello ai dati e valutazione della capacità previsiva del modello 5. Cenni sulla scomposizione del modello accettato mediante decomposizione in trend, componente stagionale e componente irregolare. Se il modello non viene accettato allora si ritorna al punto 1. 5
6 2. Preparazione del Workspace e Input dei dati in R - Prendere i dati dalla rete e salvarli nella cartella temp sotto C (o in una sua sottocartella) - Aprire la workspace di R e cambiare directory andando in File Change Directory.... Controllare digitando getwd() - Caricare il file di dati mediante la funzione read.csv, cioè digitare sul prompt di R: serie < read.csv( Enel8095.csv,header=F) - Trasformare i dati in una serie storica digitando: tserie < ts(serie, start=c(1980,1),freq=12) - I dati sono relativi al consumo di energia elettrica nel periodo gennaio 1980 dicembre Le osservazioni sono mensili - Controllo del tipo di oggetto creato: is.ts(tserie) 6
7 4. Identificazione del modello (1/3) Viene eseguita osservando ed analizzando il grafico di autocorrelazione globale e quello di autocorrelazione parziale (stimate) della serie storica resa stazionaria data da: - tserie.diff.pst < diff(diff(tserie),lag=12) - par(mfrow=c(1,2)) - acf(tserie.diff.pst, lag.max=48, lwd=2, col= red, main= ACF della Serie resa Stazionaria ) - pacf(tserie.diff.pst, lag.max=48, lwd=2, col= red, main= PACF della Serie resa Stazionaria ) 7
8 4. Identificazione del Modello (2/3) Il confronto tra i due grafici generati e i corrispondenti grafici acf e pacf dei modelli teorici studiati suggerisce di stimare un particolare modello ARIMA(p, d, q)(p, D, Q) s, che, riprendendo la formula generale, ha la seguente espressione Φ P (B s )φ p (B)(1 B s ) D (1 B) d X t = Θ Q (B s )θ q (B)a t dove p è l ordine del polinomio autoregressivo, d il grado delle differenze regolari, q l ordine del polinomio media mobile, mentre P,D e Q sono relativi alla componente stagionale Quali valori bisogna assegnare ai parametri d, D, p, P, q, Q ed s? Dall analisi preliminare compiuta sappiamo che d = D = 1 ed s = 12 mentre il grado dei quattro polinomi definenti un ARIMA vengono stabiliti dall analisi dell acf e della pacf 8
9 4. Identificazione del Modello (3/3) Per la parte regolare, rappresentata dagli operatori media mobile θ q (B) e autoregressivo φ p (B), si considerano i primi 12 ritardi dell acf e della pacf. Il grado di questi due polinomi corrisponde al lag al quale le due funzioni, rispettivamente, si annullano Per la parte stagionale, rappresentata dagli operatori stagionali Φ P (B 12 ) e Θ Q (B 12 ), l acf e la pacf vengono valutati ai ritardi stagionali, cioè ai lag k = 12, 24, 36,... Nel caso oggetto di studio l analisi dell acf e della pacf suggerisce di stimare il seguente modello ARIMA(0,1,1)(0,1,1) 12 (1 B 12 )(1 B)X t = Θ 1 (B 12 )θ 1 (B)a t 9
10 5. Stima del modello scelto (1/2) Box & Jenkins (1970) hanno proposto una procedura per la stima dei modelli ARIMA(p, d, q)(p, D, Q) s basata sul metodo della Massima Verosimiglianza o quello dei Minimi Quadrati. In R è possibile scegliere quale dei due metodi usare (metodi che coincidono nel caso in cui si ipotizza che le osservazioni seguano una distribuzione normale). La procedura è utilizzabile mediante le seguenti righe di comando: - model.fit < arima(tserie, order=c(0,1,1), seasonal=list(order=c(0,1,1), period=12), include.mean=true, method= ML ) - model.fit, summary(model.fit) Oss.: se avessimo applicato arima a tserie.diff.pst cosa sarebbe successo? 10
11 5. Stima del modello scelto (2/2) Il modello stimato risulta il seguente: (1 B)(1 B 12 )X t = ( B)( B 12 )a t Una volta identificato e stimato un modello si passa alla fase di verifica della bontà e dell adeguatezza, fase che porta all accettazione del modello stimato o rimanda alla fase preliminare di analisi della serie storica suggerendo nuove e diverse trasformazioni e operazioni da applicare alla serie per poterla modellare mediante un modello ARIMA 11
12 6. Verifica della bontà del modello stimato (1/7) Si controllano determinate caratteristiche del modello stimato al fine di evidenziarne l adeguatezza al caso reale oggetto di studio 1. Controllo della significatività delle stime dei parametri (devono essere significativamente diversi da zero, cioè ogni parametro deve essere in valore assoluto almeno due volte superiore alla sua deviazione standard) 2. Controllo del rispetto delle condizioni di stazionarietà e invertibilità 3. Controllo della correlazione tra le stime dei parametri: la correlazione deve risultare bassa, non superiore allo 0.8, in quanto in caso contrario si presentano dei problemi di instabilità 12
13 6. Verifica della bontà del modello stimato (2/7) 4. Controllo della fattorizzazione degli operatori AR e MA in un numero di radici reali e non complesse ed in operatori che non si quasi cancellano (rispetto del principio di parsimonia) 5. Controllo dei residui che devono poter essere considerati 5.1 Realizzazione di un white noise (non autocorrelati, a media nulla e varianza finita e costante) 5.2 Distribuiti normalmente 6. Eventuale controllo del valore dell AIC e/o del BIC 7. Controllo della capacità previsiva del modello stimato 13
14 6. Verifica della bontà del modello stimato (3/7) 1. In base agli errori standard, tutti i coefficienti sono significativi dal momento che ˆθ > 2 se(ˆθ), cioè > e > Il modello è sempre stazionario mentre le condizioni di invertibilità sono soddisfatte dal momento ˆθ < 1 e ˆΘ < 1 3. La correlazione tra i parametri si può ritenere sufficientemente bassa, come confermato calcolando: varcov < model.fit$var.coef rho12 < varcov[1,2]/sqrt(varcov[1,1]*varcov[2,2]) rho21 < varcov[2,1]/sqrt(varcov[1,1]*varcov[2,2]) 4. Le radici dei due operatori (regolare e stagionale) media mobile sono reali e lontani dall unità 14
15 6. Verifica della bontà del modello stimato (4/7) 5.1 I residui possono essere considerati realizzazione di un white noise come confermato dai seguenti grafici e dal valore della loro media: plot(model.fit$residuals,type= p ), plot(model.fit$residuals) mean(model.fit$residuals) tsdiag(model.fit) In particolare il secondo grafico (l acf) mostra che i coefficienti di autocorrelazione dei residui sono non significativamente diversi da zero, portando a non rifiutare la seguente ipotesi: H 0 : ρ k (a) = 0 k > 0 saggiata mediante la seguente statistica test t: 15
16 6. Verifica della bontà del modello stimato (5/7) t = r k(â) s[r k (â)] t k dove r k (â) è la stima del coefficiente di autocorrelazione dei residui al lag k e s[r k (â)] è la stima del suo errore standard. Le bande di confidenza corrispondono a a ± 2s[r k (â)] Il terzo grafico presenta il valore della statistica del test di Ljung Box che saggia l hp H 0 : ρ 1 (a) = ρ 2 (a) =... = ρ k (a) = 0 ed ha la seguente espressione: Q = n(n + 2) K k=1 r k (â 2 ) n k χ2 K m grafico che porta a ritenere che i coefficienti di autocorrelazione dei residui sono, presi congiuntamente, non significativamente diversi da zero 16
17 6. Verifica della bontà del modello stimato (6/7) 5.2 I residui possono, inoltre, essere considerati normali dato il loro istogramma di frequenza generabile mediante il seguente comando hist(model.fit$residuals, col= orange, freq=f, main= Istogramma dei Residui, ylim=c(0,1.5)) lines(density(model.fit$residuals)) e dato il loro qqplot generabile mediante il seguente comando: par(mfrow=c(1,1)), qqplot(model.fit$residuals, rnorm(1000), main= Q-Q plot: Normal vs Residuals ) 17
18 6. Verifica della bontà del modello stimato (7/7) Un ulteriore controllo della normalitá distributiva dei residui può essere eseguita mediante i seguenti test di ipotesi: il test di Kolmogorov Smirnov o di Shapiro Wilk (in caso di piccoli campioni): ks< ks.test(model.fit$residuals, rnorm(1000)) sw< shapiro.test(model.fit$residuals) che porta a non rifiutare l ipotesi di normalità distributiva dei residui 6. La loglik risulta pari a e l AIC risulta pari a Rimane da controllare la capacità previsiva del modello 18
19 7. Previsione dal Modello Stimato (1/2) Per evidenziare la capacità previsiva del modello stimato si suddivide il periodo di osservazione in due intervalli temporali: un periodo di stima, che contiene le osservazioni da usare per stimare il modello identificato, e le restanti osservazioni che costituiscono l intervallo di previsione. Scegliamo di prevedere i valori per gli ultimi 12 mesi (cioè per il 1995) usando il modello identificato e stimato sulle osservazioni precedenti (dallo 01/1980 al 12/1994): pred.fit < arima(tserie[1:180],order=c(0,1,1),seasonal= list(order=c(0,1,1),period=12),include.mean=t,method= ML ) pred.model < predict(pred.fit,n.ahead=12) U < pred.model$pred+1.96*pred.model$se L < pred.model$pred-1.96*pred.model$se ts.plot(tserie[181:192],pred.model$pred,col=1:2) lines(u,col= blue,lty= dashed ) lines(l,col= blue,lty= dashed ) 19
20 7. Previsione dal Modello Stimato (2/2) Una misura sintetica della capacità previsiva del modello stimato è il MAPE (Mean Absoulte Percentage Error) che ha la seguente espressione: MAPE = 100 L L l=1 z t+l ẑ t (l) z t+l dove z t+l rappresenta il valore della serie originaria al tempo t + l, ẑ t (l) è il corrispondente valore previsto e L è la lunghezza del periodo di previsione. Il MAPE non è altro che una media degli errori relativi percentuali in valore assoluto calcolata sul periodo di previsione selezionato. Esso deve essere inferiore al 12 15% per poter ritenere buona la capacità previsiva del modello scelto. In R è possibile calcolarlo digitando le seguenti linee di comando: tserie.fin < tserie[181:192] sum(100*abs((tserie.fin-pred.model$pred[1:12])/tserie.fin))/12 20
Analisi delle Serie Storiche con R
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Analisi delle Serie Storiche con R Francesca
DettagliAnalisi delle Serie Storiche con R
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Prof.ssa Marilena Pillati Analisi delle Serie
DettagliAnalisi delle Serie Storiche con R
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Prof.ssa Marilena Pillati Analisi delle Serie
DettagliEsercitazione con R 30 Maggio 2006
Esercitazione con R 30 Maggio 2006 Previsioni per la serie del PIL statunitense Procediamo ad identificare un modello per la serie storica dei dati trimestrali del PIL statunitense. Carichiamo i dati >
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico
DettagliAnalisi delle Componenti Principali con R
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Prof.ssa Marilena Pillati Analisi delle Componenti
DettagliRegressione Lineare Semplice e Correlazione
Regressione Lineare Semplice e Correlazione 1 Introduzione La Regressione è una tecnica di analisi della relazione tra due variabili quantitative Questa tecnica è utilizzata per calcolare il valore (y)
DettagliSERIE STORICHE - AA Alessandra Luati
SERIE STORICHE - AA2004-2005 Alessandra Luati Programma dettagliato del corso di Analisi delle serie storiche, Laurea triennale in Finanza e assicurazioni, sede di Rimini, I ciclo, periodi 1,2: 27/09/04-29/10/04,
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliAnalisi dei Fattori. Francesca Marta Lilja Di Lascio Dip.to di Scienze Statistiche P. Fortunati Università di Bologna
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Analisi dei Fattori Francesca Marta Lilja
DettagliEsercitazione con R 23 Maggio 2006
Esercitazione con R 23 Maggio 2006 ACF di processi SARIMA Procediamo a creare le funzioni di autocorrelazione di alcuni processi SARIMA. Questo può essere utile per identificare processi generatori dei
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
DettagliVALIDAZIONE DEL MODELLO
VALIDAZIONE DEL MODELLO Validazione del Modello Non è sufficiente stimare il vettore θ per dichiarare concluso il processo di identificazione. E necessario ottenere una misura della sua affidabilità L
DettagliLaurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 8 Aprile 2016
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 5/6 Appello 8 Aprile 6 Chi fa il compito relativo alla prima parte di corso (Esercizio e Esercizio )
Dettaglilezione n. 6 (a cura di Gaia Montanucci) Verosimiglianza: L = = =. Parte dipendente da β 0 e β 1
lezione n. 6 (a cura di Gaia Montanucci) METODO MASSIMA VEROSIMIGLIANZA PER STIMARE β 0 E β 1 Distribuzione sui termini di errore ε i ε i ~ N (0, σ 2 ) ne consegue : ogni y i ha ancora distribuzione normale,
DettagliN.B. Per la risoluzione dei seguenti esercizi, si fa riferimento alle Tabelle riportate alla fine del documento.
N.B. Per la risoluzione dei seguenti esercizi, si fa riferimento alle Tabelle riportate alla fine del documento. Esercizio 1 Un chimico che lavora per una fabbrica di batterie, sta cercando una batteria
DettagliUNIVERSITA DEGLI STUDI DI PADOVA
UNIVERSITA DEGLI STUDI DI PADOVA CORSO DI LAUREA IN STATISTICA E GESTIONE DELLE IMPRESE PREVISIONE DEI COSTI DI UN AZIENDA SANITARIA Relatore: Prof. Omar Paccagnella Dipartimento di Scienze Statistiche
DettagliAnalisi Discriminante Canonica con R
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Prof.ssa Marilena Pillati Analisi Discriminante
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliRegressione. Monica Marabelli. 15 Gennaio 2016
Regressione Monica Marabelli 15 Gennaio 2016 La regressione L analisi di regressione é una tecnica statistica che serve a studiare la relazione tra variabili. In particolare, nel modello di regressione
DettagliIl modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009)
Il modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009) Quesito: Posso stimare il numero di ore passate a studiare statistica sul voto conseguito all esame? Potrei calcolare il coefficiente di correlazione.
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
Dettagli3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
Dettagliobbligatorio - n. iscrizione sulla lista
02.09.2015 - appello di STATISTICA per studenti ENE - docente: E. Piazza obbligatorio - n. iscrizione sulla lista il presente elaborato si compone di 5 (cinque) pagine se non ve lo ricordate siete fritti;
DettagliPolitecnico di Milano - Scuola di Ingegneria Industriale. II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011
Politecnico di Milano - Scuola di Ingegneria Industriale II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011 c I diritti d autore sono riservati. Ogni sfruttamento commerciale non
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
DettagliR - Esercitazione 6. Andrea Fasulo Venerdì 22 Dicembre Università Roma Tre
R - Esercitazione 6 Andrea Fasulo fasulo.andrea@yahoo.it Università Roma Tre Venerdì 22 Dicembre 2017 Il modello di regressione lineare semplice (I) Esempi tratti da: Stock, Watson Introduzione all econometria
DettagliRegressione Lineare Multipla
Regressione Lineare Multipla Fabio Ruini Abstract La regressione ha come scopo principale la previsione: si mira, cioè, alla costruzione di un modello attraverso cui prevedere i valori di una variabile
DettagliData Mining. Prova parziale del 20 aprile 2017: SOLUZIONE
Università degli Studi di Padova Corso di Laurea Magistrale in Informatica a.a. 2016/2017 Data Mining Docente: Annamaria Guolo Prova parziale del 20 aprile 2017: SOLUZIONE ISTRUZIONI: La durata della prova
DettagliSTATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 7 11.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Test di indipendenza tra mutabili In un indagine vengono rilevate le informazioni su settore produttivo (Y) e genere (X)
DettagliAssunzioni (Parte I)
Assunzioni (Parte I) A M D Marcello Gallucci marcello.gallucci@unimib.it Lezione 10 Modello Lineare Generale La regressione semplice e multipla e l'anova sono sottocasi del modello lineare generale (GLM)
DettagliUn applicazione della modellistica ARCH-GARCH
Un applicazione della modellistica ARCH-GARCH Federico Andreis Tesina per l esame di Metodi Statistici per la Finanza e le Assicurazioni A.A. 2005/2006 Prof. Diego Zappa Il grafico della serie storica
DettagliRegressione lineare semplice
Regressione lineare semplice Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Statistica con due variabili var. nominale, var. nominale: gruppo sanguigno - cancro
DettagliEsercitazione 8 maggio 2014
Esercitazione 8 maggio 2014 Esercizio 2 dal tema d esame del 13.01.2014 (parte II). L età media di n gruppo di 10 studenti che hanno appena conseguito la laurea triennale è di 22 anni. a) Costruire un
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 13 aprile 211 Programma 1 Approccio stocastico all analisi delle serie storiche Programma 1 Approccio stocastico
DettagliDIAGNOSTICA DEI RESIDUI
DIAGNOSTICA DEI RESIDUI Per valutare la bontà dei residui in un modello di regressione lineare esistono diverse possibilità, alcune di tipo esplorativo basate sulla costruzione di opportuni grafici ed
DettagliBLAND-ALTMAN PLOT. + X 2i 2 la differenza ( d ) tra le due misure per ognuno degli n campioni; d i. X i. = X 1i. X 2i
BLAND-ALTMAN PLOT Il metodo di J. M. Bland e D. G. Altman è finalizzato alla verifica se due tecniche di misura sono comparabili. Resta da comprendere cosa si intenda con il termine metodi comparabili
Dettagli1. ANALISI DEI RESIDUI recupero dati----- X = scan("clipboard") accessori.auto = ts(x, frequency=12, start=c(1995,1)) plot(accessori.
1. ANALISI DEI RESIDUI ----- recupero dati----- X = scan("clipboard") 11849 1316 4712 800 5097 3270 5390 2135 5962 5795 9271 6864 4247 7961 7191 4970 5012 2929 7363 4907 4700 8219 8674 8263 4294 6097 9115
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
DettagliMetodi statistici per i mercati finanziari (10 CFU - 60 ore)
Metodi statistici per i mercati finanziari (10 CFU - 60 ore) Luigi Grossi luigi.grossi@univr.it http://www.economia.univr.it/fol/main?ent=persona&id=3862 Programma del corso 1. Prezzi, rendimenti e numeri
DettagliVariabili indipendenti qualitative. In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli.
Variabili indipendenti qualitative Di solito le variabili nella regressione sono variabili continue In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli Ad esempio:
DettagliMetodi statistici per la ricerca sociale Capitolo 7. Confronto tra Due Gruppi Esercitazione
Metodi statistici per la ricerca sociale Capitolo 7. Confronto tra Due Gruppi Esercitazione Alessandra Mattei Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) Università degli Studi di Firenze
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
Dettaglii dati escludono vi sia una relazione tra variabile indipendente e variabile dipendente (rispettivamente
TEST DI AUTOVALUTAZIONE - SETTIMANA 6 I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Metodi statistici per la biologia Parte A. La retta di regressione.2
DettagliStatistica di base per l analisi socio-economica
Laurea Magistrale in Management e comunicazione d impresa Statistica di base per l analisi socio-economica Giovanni Di Bartolomeo gdibartolomeo@unite.it Definizioni di base Una popolazione è l insieme
DettagliQuanti soggetti devono essere selezionati?
Quanti soggetti devono essere selezionati? Determinare una appropriata numerosità campionaria già in fase di disegno dello studio molto importante è molto Studi basati su campioni troppo piccoli non hanno
Dettaglile scale di misura scala nominale scala ordinale DIAGNOSTICA PSICOLOGICA lezione si basano su tre elementi:
DIAGNOSTICA PSICOLOGICA lezione! Paola Magnano paola.magnano@unikore.it si basano su tre elementi: le scale di misura sistema empirico: un insieme di entità non numeriche (es. insieme di persone; insieme
DettagliProva Scritta di METODI STATISTICI PER L AMMINISTRAZIONE DELLE IMPRESE (Milano, )
Università degli Studi di Milano Bicocca Scuola di Economia e Statistica Corso di Laurea in Economia e Amministrazione delle Imprese (ECOAMM) Prova Scritta di METODI STATISTICI PER L AMMINISTRAZIONE DELLE
DettagliRegressione Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il costo mensile Y di produzione e il corrispondente volume produttivo X per uno dei propri stabilimenti. Volume
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliCorso di Laurea: Diritto per le Imprese e le istituzioni a.a Statistica. Statistica Descrittiva 3. Esercizi: 5, 6. Docente: Alessandra Durio
Corso di Laurea: Diritto per le Imprese e le istituzioni a.a. 2016-17 Statistica Statistica Descrittiva 3 Esercizi: 5, 6 Docente: Alessandra Durio 1 Contenuti I quantili nel caso dei dati raccolti in classi
DettagliANALISI SERIE STORICHE
ANALISI SERIE STORICHE SERIE STORICA: insieme finito di osservazioni di uno stesso fenomeno, ordinate secondo il tempo, con cadenza periodica costante (mensile, trimestrale, annuale ecc.). 8000000 Presenze
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7:
esercitazione 7 p. 1/13 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7: 20-05-2004 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliNote sulla probabilità
Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15
DettagliApprossimazione normale alla distribuzione binomiale
Approssimazione normale alla distribuzione binomiale P b (X r) costoso P b (X r) P(X r) per N grande Teorema: Se la variabile casuale X ha una distribuzione binomiale con parametri N e p, allora, per N
DettagliSommario. Capitolo 1 I dati e la statistica 1. Capitolo 2 Statistica descrittiva: tabelle e rappresentazioni grafiche 25
Sommario Presentazione dell edizione italiana Prefazione xv xiii Capitolo 1 I dati e la statistica 1 Statistica in pratica: BusinessWeek 1 1.1 Le applicazioni in ambito aziendale ed economico 3 Contabilità
DettagliLezione 10: Interpolazione lineare Corso di Statistica Facoltà di Economia Università della Basilicata. Prof. Massimo Aria
Lezione 10: Interpolazione lineare Corso di Statistica Facoltà di Economia Università della Basilicata Prof. Massimo Aria aria@unina.it Il concetto di interpolazione In matematica, e in particolare in
DettagliSommario. 2 I grafici Il sistema di coordinate cartesiane Gli istogrammi I diagrammi a torta...51
Sommario 1 I dati...15 1.1 Classificazione delle rilevazioni...17 1.1.1 Esperimenti ripetibili (controllabili)...17 1.1.2 Rilevazioni su fenomeni non ripetibili...18 1.1.3 Censimenti...19 1.1.4 Campioni...19
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliEsame di Statistica A-Di Prof. M. Romanazzi
1 Università di Venezia Esame di Statistica A-Di Prof. M. Romanazzi 25 Maggio 2015 Cognome e Nome..................................... N. Matricola.......... Valutazione Il punteggio massimo teorico di
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
DettagliLaboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
Dettagli0 altimenti 1 soggetto trova lavoroentro 6 mesi}
Lezione n. 16 (a cura di Peluso Filomena Francesca) Oltre alle normali variabili risposta che presentano una continuità almeno all'interno di un certo intervallo di valori, esistono variabili risposta
DettagliTest F per la significatività del modello
Test F per la significatività del modello Per verificare la significatività dell intero modello si utilizza il test F Si vuole verificare l ipotesi H 0 : β 1 = 0,, β k = 0 contro l alternativa che almeno
DettagliDistribuzione esponenziale. f(x) = 0 x < 0
Distribuzione esponenziale Funzione densità f(x) = λe λx x 0 0 x < 0 Funzione parametrica (λ) 72 Funzione di densità della distribuzione esponenziale 1 0.9 0.8 0.7 λ=1 0.6 f(x) 0.5 0.4 0.3 λ=1/2 0.2 0.1
DettagliIL CONFRONTO TRA LE VARIANZE DI DUE POPOLAZIONI
IL CONFRONTO TRA LE VARIANZE DI DUE POPOLAZIONI Perchè confrontare le varianze stimate in due campioni? Torniamo all'esempio dei frinosomi Per poter applicare il test t avevamo detto che le varianze, e
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
DettagliIl calcolo del VAR operativo mediante la metodologia stocastica parametrica. Simona Cosma
Il calcolo del VAR operativo mediante la metodologia stocastica parametrica Simona Cosma Contenuti Il VAR operativo: inquadramento concettuale La metodologia attuariale EVT (Extreme Value Theory) Il VAR
DettagliSTATISTICA ESERCITAZIONE 13
STATISTICA ESERCITAZIONE 13 Dott. Giuseppe Pandolfo 9 Marzo 2015 Errore di I tipo: si commette se l'ipotesi nulla H 0 viene rifiutata quando essa è vera Errore di II tipo: si commette se l'ipotesi nulla
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 1 Outline 1 () Statistica 2 / 1 Outline 1 2 () Statistica 2 / 1 Outline 1 2 3 () Statistica 2 / 1
DettagliLaboratorio di Statistica 1 con R Esercizi per la Relazione. I testi e/o i dati degli esercizi contassegnati da sono tratti dai libri consigliati
Laboratorio di Statistica 1 con R Esercizi per la Relazione I testi e/o i dati degli esercizi contassegnati da sono tratti dai libri consigliati nel corso. Esercizio 1. 1. Facendo uso dei comandi
DettagliUNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE. a.a.
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 2007/2008 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 CDF empirica
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 10. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 10 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 REGRESSIONE LINEARE Date due variabili quantitative, X e Y, si è
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
DettagliAndamento della mobilità ciclistica a Milano
Andamento della mobilità ciclistica a Milano I risultati di un indagine autogestita sull uso della bicicletta in città dal 2008 ad oggi (resoconto annuale 2015) π POLINOMIA Polinomia srl Via Nino Bixio,
DettagliLa procedura Box-Jenkins
La procedura Box-Jenkins La selezione del modello - Procedura di Box e Jenkins (976): procedura per cosruire, a parire dall osservazione dei dai, un modello ARMA ao ad approssimare il processo generaore
DettagliProva d'esame di Statistica I - Corso Prof.ssa S. Terzi
Prova d'esame di Statistica I - Corso Prof.ssa S. Terzi Esercizio 1 Data la variabile casuale X con funzione di densità f(x) = 2x, per 0 x 1; f(x) = 0 per x [0, 1], determinare: a) P( - 0,5 < X< 0,7) b)
DettagliFasi del modello di regressione
Fasi del modello di regressione Specificazione del modello: scelta del tipo di funzione da utilizzare per descrivere un fenomeno; definizione delle ipotesi di base Stima dei parametri: uso di stimatori
DettagliStatistica. Lezione 8
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 8 a.a 2011-2012 Dott.ssa Daniela
DettagliElementi di Probabilità e Statistica
Elementi di Probabilità e Statistica Statistica Descrittiva Rappresentazione dei dati mediante tabelle e grafici Estrapolazione di indici sintetici in grado di fornire informazioni riguardo alla distribuzione
DettagliAnalisi della varianza
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Facoltà di Medicina e Chirurgia - A.A. 2009-10 Scuole di specializzazione Lezioni comuni Disciplina: Statistica Docente: dott.ssa Egle PERISSINOTTO
DettagliConfronto tra due popolazioni Lezione 6
Last updated May 9, 06 Confronto tra due popolazioni Lezione 6 G. Bacaro Statistica CdL in Scienze e Tecnologie per l'ambiente e la Natura I anno, II semestre Concetti visti nell ultima lezione Le media
DettagliPROCEDURE/TECNICHE DI ANALISI / MISURE DI ASSOCIAZIONE A) ANALISI DELLA VARIANZA
PROCEDURE/TECNICHE DI ANALISI / MISURE DI ASSOCIAZIONE A) ANALISI DELLA VARIANZA PROCEDURA/TECNICA DI ANALISI DEI DATI SPECIFICAMENTE DESTINATA A STUDIARE LA RELAZIONE TRA UNA VARIABILE NOMINALE (ASSUNTA
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliD. Piccolo - C. Vitale. Metodi statistici per l'analisi economica. il Mulino
D. Piccolo - C. Vitale Metodi statistici per l'analisi economica il Mulino . 1 I ~~EZfA "\ AREA 'SEl:N. BIBLIOGRAFICI E DOCUMENTALI DEPCIA K 974 ~;. Domenico Piccolo Cosimo Vitale ;l Metodi statistici
Dettaglix, y rappresenta la coppia di valori relativa La rappresentazione nel piano cartesiano dei punti ( x, y ),( x, y ),...,( x, y )
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 0/03 lezioni di statistica del 5 e 8 aprile 03 - di Massimo Cristallo - A. Le relazioni tra i fenomeni
DettagliAnalisi della regressione multipla
Analisi della regressione multipla y = β 0 + β 1 x 1 + β 2 x 2 +... β k x k + u 2. Inferenza Assunzione del Modello Classico di Regressione Lineare (CLM) Sappiamo che, date le assunzioni Gauss- Markov,
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliRACCOLTA DI STATISTICHE TEST disponibili nell ambiente R
RACCOLTA DI STATISTICHE TEST disponibili nell ambiente R Materiale integrativo relativo al Modulo I Verifica d ipotesi e stima intervallare a cura di A.R. Brazzale 1 alessandra.brazzale@isib.cnr.it 3 aprile
DettagliFINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2. (8448) 70 minuti. Cognome Nome Matricola
FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2 (8448) 70 minuti Cognome Nome Matricola Rispondi alle seguenti domande scegliendo la/e risposta/e che ritieni più appropriata/e. Per ogni domanda
DettagliEsercizio 1 Nella seguente tabella sono riportate le lunghezze in millimetri di 40 foglie di platano:
4. STATISTICA DESCRITTIVA ESERCIZI Esercizio 1 Nella seguente tabella sono riportate le lunghezze in millimetri di 40 foglie di platano: 138 164 150 132 144 125 149 157 146 158 140 147 136 148 152 144
DettagliUniversità del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. Correlazione. Regressione Lineare
Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia Corso di Statistica Medica Correlazione Regressione Lineare Corso di laurea in medicina e chirurgia - Statistica Medica Correlazione
DettagliRICHIAMI DI STATISTICA DESCRITTIVA E DI INFERENZA: LA VERIFICA DI IPOTESI: TEST BASATI SU UN CAMPIONE
RICHIAMI DI STATISTICA DESCRITTIVA E DI INFERENZA: LA VERIFICA DI IPOTESI: TEST BASATI SU UN CAMPIONE 1 La verifica di ipotesi Finora abbiamo visto come si utilizza una statistica campionaria per stimare
DettagliOld Faithful, Yellowstone Park. Statistica e biometria. D. Bertacchi. Dati congiunti. Tabella. Scatterplot. Covarianza. Correlazione.
Coppie o vettori di dati Spesso i dati osservati sono di tipo vettoriale. Ad esempio studiamo 222 osservazioni relative alle eruzioni del geyser Old Faithful. Old Faithful, Yellowstone Park. Old Faithful
DettagliIl modello di regressione lineare multipla. Il modello di regressione lineare multipla
Introduzione E la generalizzazione del modello di regressione lineare semplice: per spiegare il fenomeno d interesse Y vengono introdotte p, con p > 1, variabili esplicative. Tale generalizzazione diventa
DettagliDifferenze tra metodi di estrazione
Lezione 11 Argomenti della lezione: L analisi fattoriale: il processo di estrazione dei fattori Metodi di estrazione dei fattori Metodi per stabilire il numero di fattori Metodi di Estrazione dei Fattori
DettagliESERCITAZIONE ECONOMETRIA
ESERCITAZIONE ECONOMETRIA Giovanni Angelini giovanni.angelini3@unibo.it 0541-434058 Ricevimento: Venerdì 10-12, piano terra di palazzo Diamante Novembre 2012 ESERCITAZIONE ECONOMETRIA I. BREVE INTRODUZIONE
Dettagli