UNIVERSITÀ DEGLI STUDI DI BERGAMO. Corso di Risk Management
|
|
- Arianna Masini
- 6 anni fa
- Visualizzazioni
Transcript
1 UNIVERSITÀ DEGLI STUDI DI BERGAMO Corso di Prof. Filippo Stefanini A.A. Corso Corso di Laurea Specialistica in Ingegneria Edile pag 1
2 Performance nette mensili di un portafoglio Sia NAV t il patrimonio netto di un portafoglio di strumenti finanziari al tempo t. Il rendimento mensile del portafoglio è: R t NAVt NAV NAV t1 NAV NAV t1 t t1 1 pag 2
3 CAGR CAGR = Compounded Annual Growth Rate, tasso di crescita medio composto. Se V f è il valore finale e V i è il valore iniziale ed n è il numero di anni che intercorrono tra i due valori, il tasso di crescita medio composto è dato dalla seguente formula: CAGR n V V f i 1 pag 3
4 Performance cumulate La performance cumulata è data dalla seguente formula: t CP t (1 R i i1 ) 1 Su un orizzonte di 12 mesi la performance cumulata è definita YTD (Year To Date) pag 4
5 Variabile casuale Possiamo pensare al rendimento di un portafoglio come ad una variabile casuale. pag 5
6 Distribuzione empirica Numero di osservazioni % -2% -1% 0% 1% 2% 3% 4% Rendimenti mensili pag 6
7 Moda La moda è il valore di una distribuzione caratterizzato dalla massima frequenza. MODA Numero di osservazioni % -2% -1% 0% 1% 2% 3% 4% Rendimenti mensili pag 7
8 Mediana La mediana è il valore che occupa la posizione centrale nella distribuzione (il 50% dei dati sono a destra ed il 50% dei dati a sinistra della mediana). MEDIANA osservazioni 20 osservazioni Numero di osservazioni % -2% -1% 0% 1% 2% 3% 4% Rendimenti mensili pag 8
9 Funzione densità di probabilità La funzione di densità di probabilità è la distribuzione di probabilità di una variabile casuale pag 9
10 Funzione ripartizione dei rendimenti Si dice funzione di ripartizione o funzione cumulativa delle frequenze dei rendimenti x F ( x) f ( t) dt pag 10
11 Percentile Il percentile è quel valore x per il quale la funzione di ripartizione è uguale al valore p. F( x) p La mediana è il valore di x per il quale p=0.5 Il primo quartile è il valore di x per il quale p=0.25 Il primo decile è il valore di x per il quale p=0.1 pag 11
12 Significato grafico del percentile f(x) F(x)=p x x pag 12
13 Momenti di un campione di dati 1. Media 2. Varianza 3. Asimmetria 4. Curtosi pag 13
14 Media Data una serie storica di n performance R t, la performance media è data dalla seguente formula: R 1 n n t1 R t Analogia con il baricentro di una distribuzione di masse. pag 14
15 Varianza Varianza = è una misura della dispersione dei rendimenti attorno alla loro media. 2 t1 ˆ n R t n 1 R 2 Analogia con il momento di inerzia di una distribuzione di masse. pag 15
16 Varianza f(x) 0,9 0,8 0,7 Varianza = 0,25 0,6 0,5 0,4 0,3 Varianza = 1 0,2 0,1 Varianza = 4 0, x pag 16
17 Asimmetria (Skewness) Asimmetria = è il terzo momento standardizzato della distribuzione e misura l asimmetria della distribuzione di probabilità di una variabile casuale Se l asimmetria è: >0 la coda destra è più lunga della sinistra <0 la coda sinistra è più lunga della destra =0 la distribuzione è simmetrica Asimmetria negativa f(x) f(x) Asimmetria positiva x x pag 17
18 Curtosi Curtosi = è il rapporto tra il momento standardizzato di ordine 4 e il quadrato della varianza Se la curtosi è: >3 la distribuzione si definisce leptocurtica, cioè più "appuntita" di una normale <3 la distribuzione si definisce platicurtica, cioè più "piatta" di una normale =3 la distribuzione si definisce normocurtica, cioè "piatta" come una normale pag 18
19 Curtosi Curtosi di 7 distribuzioni conosciute Nell esempio seguente confrontiamo alcune distribuzioni conosciute che hanno i primi tre momenti uguali: Media = 0 Varianza = 1 Asimmetria = 0 La figura mostra la funzione di densità di probabilità di 7 distribuzioni: D: Laplace distribution, a/k/a double exponential distribution, red curve, kurtosis 6 (leptokurtic) S: hyperbolic secant distribution, orange curve, kurtosis 5 (leptokurtic) L: logistic distribution, green curve, kurtosis 4.2 (leptokurtic) N: normal distribution, black curve, kurtosis 3 (mesokurtic) C: raised cosine distribution, cyan curve, kurtosis 2.4 (platykurtic) W: Wigner semicircle distribution, blue curve, kurtosis 2 (platykurtic) U: uniform distribution, magenta curve, kurtosis 1.8 (platykurtic) pag 19
20 Curtosi pag 20
21 La distribuzione normale standardizzata La funzione di densità di probabilità di una variabile casuale normale standardizzata: ( x) 1 2 x e t 2 / 2 dt pag 21
22 La funzione di densità normale standardizzata f(x) 0,5 0,4 0,4 Una distribuzione normale ha: Media = 0 Varianza = 1 Asimmetria = 0 Curtosi = 3 0,3 0,3 0,2 0,2 0,1 0,1 0, x pag 22
23 La funzione di densità normale standardizzata Se una distribuzione ha Media = 0 Varianza = 1 Asimmetria = 0 Curtosi = 3 posso concludere che è una distribuzione normale standardizzata? No! Devo prima fare un test di normalità e calcolare la significatività osservata. pag 23
24 La funzione di ripartizione normale standardizzata F(x) 1,2 1,0 0,8 0,6 0,4 0,2 0, x pag 24
25 Distribuzione normale In una distribuzione normale circa il 68% delle osservazioni sono comprese tra ± 1 standard deviation (σ) dalla media (µ); circa il 95% dei valori sono compresi tra ± 2 σ e circa il 99.7% tra ± 3 σ. f(x) 68% - σ + σ x pag 25
26 Rendimento e volatilità Possiamo misurare un rendimento in relazione alla volatilità e dire che un certo rendimento è pari ad n volte la volatilità di quello strumento finanziario. Per cui potremo dire che un certo rendimento è stato pari a -2σ o a - 3σ. pag 26
27 Standard deviation Standard deviation = radice quadrata della varianza: n t1 ( R t n 1 R) 2 con n > 1 La deviazione standard è una misura della volatilità di uno strumento finanziario. pag 27
28 s dei membri dell indice DAX Fonte: Bloomberg, dati al 09/03/2010 Name s30gg s60gg s90gg Adidas AG 26.4% 24.0% 26.4% Allianz SE 18.4% 19.1% 23.4% BASF SE 25.0% 24.6% 26.1% Bayer AG 24.8% 25.9% 25.7% Bayerische Motoren Werke AG 28.9% 24.8% 28.3% Beiersdorf AG 17.7% 20.2% 21.5% Commerzbank AG 37.4% 38.9% 41.5% Daimler AG 34.9% 29.3% 32.8% Deutsche Bank AG 33.0% 34.8% 37.3% Deutsche Boerse AG 25.0% 24.7% 26.6% Deutsche Lufthansa AG 26.9% 27.9% 27.6% Deutsche Post AG 30.6% 27.8% 28.7% Deutsche Telekom AG 16.4% 18.4% 20.6% E.ON AG 19.1% 19.5% 20.7% Fresenius Medical Care AG & Co KGaA 21.9% 20.1% 20.0% Fresenius SE 24.9% 21.9% 24.8% Henkel AG & Co KGaA 21.0% 20.0% 22.7% Infineon Technologies AG 37.4% 38.8% 45.0% K+S AG 28.2% 31.9% 34.2% Linde AG 20.5% 22.3% 24.0% MAN SE 26.1% 22.5% 27.0% Merck KGaA 37.0% 28.3% 26.8% Metro AG 21.2% 20.4% 23.1% Muenchener Rueckversicherungs AG 13.2% 14.3% 16.4% RWE AG 18.9% 17.0% 17.3% Salzgitter AG 26.5% 26.6% 29.0% SAP AG 22.6% 22.5% 21.7% Siemens AG 26.8% 24.8% 29.0% ThyssenKrupp AG 31.2% 30.2% 30.6% Volkswagen AG 33.0% 31.7% 47.8% pag 28
29 Esempio di titoli con volatilità molto diverse La volatilità a 260 giorni di Tenaris è 33.0% mentre quella a 260 giorni di Terna è 19.1%. Il grafico della storia dei prezzi mostra visivamente la differenza /01/ /04/ /07/ /10/ /02/ /05/ /08/ /12/ /03/ /06/2008 Tenaris S.A. Terna - Rete Elettrica Nationale SpA pag 29
30 Indice di Sharpe Indice di Sharpe = Rappresenta una misura di rendimento corretto per il rischio basato sul confronto del maggior rendimento (excess return) di un portafoglio di strumenti finanziari rispetto al rendimento di un attività senza rischio (ad es. Euribor 3m, Libor 3m), con la misura del rischio (deviazione standard) del maggior rendimento. Ad esempio, date le serie storiche dell andamento del valore del portafoglio e dell andamento del Libor 3m si calcola il rendimento del portafoglio, il rendimento dell attività risk free e la deviazione standard della serie ottenuta dalla differenza delle due serie storiche. In formule: Indice di Sharpe hf dove: r hf è il rendimento medio del portafoglio, r rf è il rendimento medio dell attività risk free s er è la deviazione standard dell excess return. er rf pag 30
31 Fairfield Sentry Ltd Lo Sharpe Ratio del fondo Fairfield Sentry Ltd era di 2.4. Ma il giorno 11 dicembre 2008 Bernard Madoff, 70 anni, è stato arrestato con l accusa di frode. Lui era insolvente ed lo era stato per anni ed aveva ideato un Ponzi scheme. Le perdite causate dalla sua frode si aggirano intorno ai $50 miliardi di dollari. È stato poi riconosciuto colpevole e condannato a 150 anni di prigione. pag 31
32 Omega Distribuzioni di rendimenti per due portafogli A e B Probabilità Portafoglio A Portafoglio B Rendimento % pag 32
33 Omega I due portafogli hanno la stessa media e la stessa varianza. Si noti che il portafoglio B ha la coda destra più alta di quella sinistra. Portafoglio A Portafoglio B Media 14,0 14,0 Varianza 25,0 25,0 Sharpe Ratio = 0,36* I due portafogli hanno lo stesso indice di Sharpe ma siamo veramente indifferenti tra i due portafogli? * Assumendo Risk Free Rate = 5% pag 33
34 Omega La maggior parte degli investitori non è indifferente tra i due portafogli!!! Analizziamo meglio i momenti delle due distribuzioni: Portafoglio A Portafoglio B Media 14,0 14,0 Varianza 25,0 25,0 Asimmetria 0,0 1,0 Curtosi 3,0 4,9 Apparentemente il portafoglio A ha rendimenti distribuiti normalmente, mentre il portafoglio B ha asimmetria positiva, ossia una probabilità maggiore di produrre rendimenti a destra del picco della distribuzione rispetto alla sinistra. Il portafoglio B ha una Curtosi maggiore del portafoglio A, ossia una maggior probabilità di generare rendimenti estremi. La scelta tra i due portafogli dipende dalla funzione di utilità dell investitore. pag 34
35 Se definiamo perdite inaccettabili tutti i rendimenti negativi, possiamo porre uguale a zero la soglia di perdita. Il grafico seguente mostra la funzione di densità di probabilità del portafoglio B. Omega Probabilità Rendimento % Omega è il rapporto tra l area bianca e l area colorata (usando una soglia di perdita uguale a zero) pag 35
36 Omega Se usiamo una soglia di perdita parametrica r otteniamo la funzione Omega: Dove (a,b) è l intervallo dei rendimenti e F(x) è la funzione di ripartizione dei rendimenti. Per ogni livello di rendimento r, Ω(r) è il rapporto tra la probabilità dei guadagni e la probabilità delle perdite, relativi alla soglia r. Fonte: A Universal Performance Measure, Con Keating and William F. Shadwick pag 36
37 Omega Omega Portafoglio A Portafoglio B Soglia di perdita % Le funzioni Omega rivelano che il portafoglio B è superiore al portafoglio A per quasi tutte le soglie di perdita che un investitore può realisticamente considerare. Infatti A è superiore a B solo per soglie di perdita inferiori a -40% o comprese tra +14% e +19%. pag 37
38 Caratteristiche della funzione Omega È calcolata direttamente dalle distribuzioni dei rendimenti e non richiede stime Permette agli investitori di calcolare distribuzioni di rendimenti radicalmente diverse in un modo oggettivo È semplice da visualizzare Omega tiene conto di tutti i momenti di una distribuzione perché è una trasformazione della distribuzione stessa Evita di prendere decisioni introducendo la funzione di utilità Omega vale 1 in corrispondenza del rendimento medio. pag 38
39 Indice di Sortino L indice di Sortino nasce dall esigenza di distinguere tra volatilità buona (quella dei rendimenti positivi) e volatilità cattiva (quella dei rendimenti negativi). Indice di Sortino = è un indicatore di rischio molto simile all indice di Sharpe, anche se al denominatore usa la deviazione standard degli excess return negativi Indice di Sortino R hf R rf er neg dove: R hf è il rendimento medio del portafoglio R rf è il rendimento medio dell attività risk free s er neg è la deviazione standard degli excess return negativi pag 39
40 Alpha e Beta Consideriamo adesso un portafoglio di strumenti finanziari. Costruiamo la retta di regressione a partire dai rendimenti del portafoglio disegnati in funzione dei rendimenti del mercato di riferimento. Alpha = extrarendimento di portafoglio. Statisticamente è rappresentato dall intercetta sull asse delle ordinate della retta di regressione nel piano rendimento del portafoglio (in ordinate) rendimento di mercato (in ascissa) Beta = esposizione del portafoglio al rischio sistematico. Statisticamente è la pendenza della retta di regressione nel piano rendimento del portafoglio (in ordinate) rendimento di mercato (in ascissa). Il beta misura la sensibilità della variazione del rendimento di un portafoglio alla variazione del rendimento di mercato: se b>1 la sensibilità del rendimento del portafoglio è maggiore di quella di mercato se b=1 la sensibilità del rendimento del portafoglio è uguale a quella di mercato se b<1 la sensibilità del rendimento del portafoglio è inferiore a quella di mercato pag 40
41 Significato grafico di Alpha e Beta Rendimento del portafoglio di titoli Retta di regressione lineare Alpha Beta Rendimento dell indice del mercato di riferimento pag 41
42 Beta dei membri dell indice DAX Name b Adidas AG 0.90 Allianz SE 1.15 BASF SE 1.10 Bayer AG 0.80 Bayerische Motoren Werke AG 1.04 Beiersdorf AG 0.63 Commerzbank AG 1.40 Daimler AG 1.28 Deutsche Bank AG 1.44 Deutsche Boerse AG 1.05 Deutsche Lufthansa AG 1.00 Deutsche Post AG 1.01 Deutsche Telekom AG 0.72 E.ON AG 0.96 Fresenius Medical Care AG & Co KGaA 0.54 Fresenius SE 0.77 Henkel AG & Co KGaA 0.78 Infineon Technologies AG 1.45 K+S AG 1.02 Linde AG 0.81 MAN SE 1.12 Merck KGaA 0.74 Metro AG 1.05 Muenchener Rueckversicherungs AG 0.78 RWE AG 0.85 Salzgitter AG 1.28 SAP AG 0.86 Siemens AG 1.08 ThyssenKrupp AG 1.20 Volkswagen AG 0.91 Fonte: Bloomberg, dati al 09/03/2010 pag 42
43 Esempio Alfa e beta del fondo Arca Azioni Italia rispetto all indice Italy Stock Market BCI Comit pag 43
44 Indice di Treynor Indice di Treynor = è una misura del extra-rendimento di un portafoglio rispetto ad un attività priva di rischio diviso per il rischio sistematico del portafoglio Indice di Treynor R hf R rf hf pag 44
45 Alpha di Jensen Alpha di Jensen = misura l extra-rendimento di un portafoglio rispetto al rendimento spiegato dal modello Capital Asset Pricing Model. Alpha di Jensen R hf R rf R m R rf pag 45
46 Maximum uninterrupted loss, Maximum uninterrupted gain Maximum uninterrupted loss = Il ribasso generato dalla peggior serie storica di rendimenti negativi consecutivi. Maximum uninterrupted gain = Il rialzo generato dalla miglior serie storica di rendimenti positivi consecutivi. pag 46
47 Esempio Calcoliamo il ribasso generato dalla peggior serie storica di rendimenti negativi consecutivi. Maximum uninterrupted loss = -4.45% pag 47
48 Drawdown e Maximum Drawdown Drawdown = Il ribasso da un picco ad una valle. Il minimo seguente non è determinato finché il portafoglio non raggiunge un nuovo massimo. Maximum Drawdown = Massimo valore del declino da qualsiasi picco a valle in un determinato periodo. Drawdown i NAVi Max NAV 1i 1 MaxDrawdown min Drawdown1 n pag 48
49 La formula per il calcolo del drawdown pag 49
50 Drawdown Maximum drawdown = -7.32% gen-02 lug-02 gen-03 lug-03 gen-04 lug-04 gen-05 lug-05 gen-06 lug-06 gen-07 lug-07 31/12/2002 pag 50
51 Run-up e Maximum Run-up Massimo Run-Up = Massimo valore del rialzo da qualsiasi valle a picco in un determinato periodo. Il massimo seguente non è determinato finché il portafoglio non raggiunge un nuovo minimo. Maximum Run-Up = Massimo valore del rialzo da qualsiasi valle a picco in un determinato periodo. RunUp i NAVi Min NAV 1i 1 MaxRunUp max RunUp1 n pag 51
52 Autocorrelazione La funzione di autocorrelazione descrive la correlazione di un processo causale con se stesso in momenti temporali diversi. L autocorrelazione è molto utilizzata nell analisi dei segnali. Ad esempio può essere utilizzata per valutare un inerzia temporale nelle performance o un effetto trascinamento Nell analisi di regressione di una serie storica l autocorrelazione dei residui mostra l inapplicabilità del modello. pag 52
53 I test statistici Nel confronto tra due portafogli, qualunque affermazione va testata statisticamente per capire se è un evidenza casuale o anche una significatività statistica. Per stabilire se due serie storiche di performance hanno la stessa media non basta calcolarle e confrontarle: bisogna chiedersi se la differenza tra le medie è statisticamente significativa!!! pag 53
54 I test statistici Test F a due campioni Il Test F a due campioni analizza due campioni per verificare se hanno la stessa varianza oppure no. Test T a due campioni Il Test T a due campioni analizza due campioni per verificare se hanno la stessa media oppure no in due diversi casi: le varianze dei campioni sono uguali o le varianze dei campioni sono diverse. pag 54
55 Il quartetto di Anscombe Nel 1973 lo statistico Francis J. Anscombe costruì il quartetto per dimostrare l importanza di disegnare i dati prima di analizzarli e per dimostrare l effetto di outliers sulle proprietà statistiche Il quartetto di Anscombe comprende 4 insiemi di dati che hanno proprietà statistiche identiche ma che appaiono molto diversi se sono disegnati. Ecco i valori x e y per il quartetto di Anscombe: I II III IV x y x y x y x y pag 55
56 Il quartetto di Anscombe Il quartetto di Anscombe ha le seguenti proprietà, identiche per tutte e quattro le serie di dati: Proprietà Valore Media di x in tutti e 4 i casi Varianza di x in tutti e 4 i casi Media di y in tutti e 4 i casi Varianza di y in tutti e 4 i casi Correlazione tra x e y in tutti e 4 i casi Retta di regressione lineare in tutti e 4 i casi y = x pag 56
57 Il quartetto di Anscombe Il quartetto di Anscombe comprende 4 insiemi di dati che hanno proprietà statistiche identiche ma che appaiono molto diversi se sono disegnati pag 57
58 Il quartetto di Anscombe La prima serie di dati sembra essere distribuita normalmente. La seconda serie di dati non è distribuita normalmente ma c è una relazione lineare tra le due variabili. La terza serie di dati la distribuzione è lineare ma con una linea di regressione diversa che è spostata da un outlier che esercita sufficiente influenza per alterare la retta di regressione lineare. La quarta serie di dati mostra come un outlier è sufficiente per produrre un elevato coefficiente di correlazione anche se la relazione tra le due variabili è secondo una diversa retta di regressione lineare. pag 58
Nozioni di statistica
Nozioni di statistica Distribuzione di Frequenza Una distribuzione di frequenza è un insieme di dati raccolti in un campione (Es. occorrenze di errori in seconda elementare). Una distribuzione può essere
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
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
DettagliTeoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
DettagliECONOMIA DEGLI INTERMEDIARI FINANZIARI AVANZATA MODULO ASSET MANAGEMENT LECTURE 8
ECONOMIA DEGLI INTERMEDIARI FINANZIARI AVANZATA MODULO ASSET MANAGEMENT LECTURE 8 INDICATORI DI PERFORMANCE CORRETTI PER IL RISCHIO I RAPM misurano il rendimento differenziale conseguito per unità di rischio
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)
DettagliSTATISTICA DESCRITTIVA. Elementi di statistica medica GLI INDICI INDICI DI DISPERSIONE STATISTICA DESCRITTIVA
STATISTICA DESCRITTIVA Elementi di statistica medica STATISTICA DESCRITTIVA È quella branca della statistica che ha il fine di descrivere un fenomeno. Deve quindi sintetizzare tramite pochi valori(indici
DettagliSintesi dei dati in una tabella. Misure di variabilità (cap. 4) Misure di forma (cap. 5) Statistica descrittiva (cap. 6)
Sintesi dei dati in una tabella Misure di variabilità (cap. 4) Misure di forma (cap. 5) Statistica descrittiva (cap. 6) Sintesi dei dati Spesso si vuole effettuare una sintesi dei dati per ottenere indici
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
Dettaglitabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
DettagliSTATISTICA DESCRITTIVA (variabili quantitative)
STATISTICA DESCRITTIVA (variabili quantitative) PRIMO ESEMPIO: Concentrazione di un elemento chimico in una roccia. File di lavoro di STATVIEW Cliccando sul tasto del pane control si ottiene il cosiddetto
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
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 04-Grafici delle distribuzioni vers. 1.0 (17 ottobre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliUNIVERSITA DI PARMA FACOLTA DI ECONOMIA. Corso di pianificazione finanziaria A.a. 2003/2004. La stima del costo del capitale proprio
UNIVERSITA DI PARMA FACOLTA DI ECONOMIA Corso di pianificazione finanziaria A.a. 2003/2004 Parma, 21 ottobre 2003 La stima del costo del capitale proprio Il Weighted average cost of capital (Wacc) WACC
DettagliINDICI DI FORMA: L ASIMMETRIA
INDICI DI FORMA Per sintetizzare una distribuzione, oltre gli indici di posizione e di variabilità, si possono utilizzare anche indici di forma. Gli indici di forma sono indici descrittivi che mettono
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
DettagliLa variabilità. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione [1/2] Gli indici di variabilità consentono di riassumere le principali caratteristiche di una distribuzione (assieme alle medie) Le
Dettagli1/55. Statistica descrittiva
1/55 Statistica descrittiva Organizzare e rappresentare i dati I dati vanno raccolti, analizzati ed elaborati con le tecniche appropriate (organizzazione dei dati). I dati vanno poi interpretati e valutati
DettagliQuesto calcolo richiede che si conoscano media e deviazione standard della popolazione.
Università del Piemonte Orientale Corso di laurea in biotecnologie Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z, riferito
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
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. La distribuzione t - student
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z,
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
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
DettagliUNIVERSITÀ DEGLI STUDI DI BERGAMO. Corso di Risk Management
UNIVERSITÀ DEGLI STUDI DI BERGAMO Corso di Prof. Filippo Stefanini A.A. Corso 60012 Corso di Laurea Specialistica in Ingegneria Edile Non mettere tutte le uova nello stesso paniere pag 2 di portafoglio
DettagliStatistica Esercitazione. alessandro polli facoltà di scienze politiche, sociologia, comunicazione
Statistica Esercitazione alessandro polli facoltà di scienze politiche, sociologia, comunicazione Obiettivo Esercizio 1. Questo e alcuni degli esercizi che proporremo nei prossimi giorni si basano sul
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
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
DettagliTest delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
DettagliVariabile casuale Normale
Variabile casuale Normale La var. casuale Normale (o Gaussiana) è considerata la più importante distribuzione Statistica per le innumerevoli Applicazioni e per le rilevanti proprietà di cui gode L'importanza
DettagliIstituzioni di Statistica e Statistica Economica
Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 1 A. I dati riportati nella seguente tabella si riferiscono
DettagliA1. La curva normale (o di Gauss)
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 202/203 lezione n. 8 dell aprile 203 - di Massimo Cristallo - A. La curva normale (o di Gauss) La curva
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
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliVariabili aleatorie Parte I
Variabili aleatorie Parte I Variabili aleatorie Scalari - Definizione Funzioni di distribuzione di una VA Funzioni densità di probabilità di una VA Indici di posizione di una distribuzione Indici di dispersione
DettagliEsplorazione dei dati. Lucidi e dataset tratti da Turini - Analisi dei Dati, Dip. Inf. Unipi
Esplorazione dei dati Lucidi e dataset tratti da Turini - Analisi dei Dati, Dip. Inf. Unipi Analisi mono e bivariata Si utilizzano indicatori sintetici che individuano, con un singolo valore, proprieta`
DettagliStatistica. POPOLAZIONE: serie di dati, che rappresenta linsieme che si vuole indagare (reali, sperimentali, matematici)
Statistica La statistica può essere vista come la scienza che organizza ed analizza dati numerici per fini descrittivi o per permettere di prendere delle decisioni e fare previsioni. Statistica descrittiva:
DettagliMISURE DI SINTESI 54
MISURE DI SINTESI 54 MISURE DESCRITTIVE DI SINTESI 1. MISURE DI TENDENZA CENTRALE 2. MISURE DI VARIABILITÀ 30 0 µ Le due distribuzioni hanno uguale tendenza centrale, ma diversa variabilità. 30 0 Le due
Dettaglidistribuzione normale
distribuzione normale Si tratta della più importante distribuzione di variabili continue, in quanto: 1. si può assumere come comportamento di molti fenomeni casuali, tra cui gli errori accidentali; 2.
DettagliMisure di dispersione (o di variabilità)
08/04/014 Misure di dispersione (o di variabilità) Range Distanza interquartile Deviazione standard Coefficiente di variazione Misure di dispersione 7 8 9 30 31 9 18 3 45 50 x 9 range31-74 x 9 range50-941
DettagliStatistica descrittiva II
Probabilità e Statistica Esercitazioni a.a. 009/010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Statistica descrittiva II Ines Campa Probabilità e Statistica - Esercitazioni
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
DettagliSettimana 2. G. M. Marchetti. 4 Marzo 2017
Settimana 2 G. M. Marchetti 4 Marzo 2017 1 / 54 Mediana Un indice di posizione alternativo alla media e molto usato è la mediana È basato sull ordinamento dei dati La mediana è il valore Me tale che la
DettagliSTATISTICHE DESCRITTIVE Parte II
STATISTICHE DESCRITTIVE Parte II INDICI DI DISPERSIONE Introduzione agli Indici di Dispersione Gamma Differenza Interquartilica Varianza Deviazione Standard Coefficiente di Variazione introduzione Una
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliOgni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza.
Ogni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza. Misure ripetute forniscono dati numerici distribuiti attorno ad un valore centrale indicabile con un indice (indice
DettagliStatistica descrittiva
Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di indicatori sintetici che individuano, con un singolo valore, proprieta` statistiche di un campione/popolazione rispetto
DettagliCapitolo 6 La distribuzione normale
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
DettagliLa valutazione dei rischi. Corso di risk management Prof. Giuseppe D Onza
La valutazione dei rischi Corso di risk management Prof. Giuseppe D Onza LA VALUTAZIONE DEI RISCHI E un attività che caratterizza la gestione dei rischi finalizzata ad apprezzare la gravità dei fenomeni
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.
DettagliElementi di Psicometria
Elementi di Psicometria 7-Punti z e punti T vers. 1.0a (21 marzo 2011) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2010-2011 G. Rossi (Dip. Psicologia)
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliStatistica. Matematica con Elementi di Statistica a.a. 2015/16
Statistica La statistica è la scienza che organizza e analizza dati numerici per fini descrittivi o per permettere di prendere delle decisioni e fare previsioni. Statistica descrittiva: dalla mole di dati
DettagliProf. Anna Paola Ercolani (Università di Roma) Lez Indicatori di dispersione
Consentono di descrivere la variabilità all interno della distribuzione di requenza tramite un unico valore che ne sintetizza le caratteristiche CAMPO DI VARIAZIONE DIFFERENZA INTERQUARTILE SCOSTAMENTO
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile Uniforme Continua Data una scheda telefonica da 5 euro di cui non si sa se sia
DettagliSTATISTICA (2) ESERCITAZIONE 2. Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 2 5.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. La v.c. Normale: uso delle tavole E noto che un certo tipo di dati si distribuiscono secondo una gaussiana di media 10
DettagliPROBABILITÀ ELEMENTARE
Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti
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
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
DettagliEconometria. lezione 2. Probabilità. Econometria. lezione 2. AA Paolo Brunori
AA 2014-2015 Paolo Brunori probabilità e variabili casuali - risultati: esiti potenziali mutualmente esclusivi di un processo causale [numero di goal segnati da Mario Gomez] - probabilità: proporzione
DettagliLa media e la mediana sono indicatori di centralità, che indicano un centro dei dati.
La media e la mediana sono indicatori di centralità, che indicano un centro dei dati. Un indicatore che sintetizza in un unico numero tutti i dati, nascondendo quindi la molteplicità dei dati. Per esempio,
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
DettagliLA DISTRIBUZIONE NORMALE (Vittorio Colagrande)
LA DISTRIBUZIONE NORMALE (Vittorio Colagrande) Allo scopo di interpolare un istogramma di un carattere statistico X con una funzione continua (di densità), si può far ricorso nell analisi statistica alla
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 abelle riportate alla fine del documento. Esercizio 1 La concentrazione media di sostanze inquinanti osservata nelle acque di un fiume
DettagliCoincide con la media aritmetica degli n dati nel campione
1 2 Definizione: Se n osservazioni (dati) in un campione sono x 1, x 2,, x n, allora la media campionaria vale: Coincide con la media aritmetica degli n dati nel campione 3 Il significato fisico della
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
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
DettagliCapitolo 3 Sintesi e descrizione dei dati quantitativi
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 3 Sintesi e descrizione dei dati quantitativi Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e tecnologie Alimentari" Unità
DettagliStatistica. Capitolo 6. Variabili Aleatorie Continue e Distribuzioni di Probabilità. Cap. 6-1
Statistica Capitolo 6 Variabili Aleatorie Continue e Distribuzioni di Probabilità Cap. 6-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare la differenza tra una variabile
DettagliΣ (x i - x) 2 = Σ x i 2 - (Σ x i ) 2 / n Σ (y i - y) 2 = Σ y i 2 - (Σ y i ) 2 / n. 13. Regressione lineare parametrica
13. Regressione lineare parametrica Esistono numerose occasioni nelle quali quello che interessa è ricostruire la relazione di funzione che lega due variabili, la variabile y (variabile dipendente, in
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Sintesi a cinque e misure di variabilità rispetto ad un centro Una catena di fast-food ha selezionato
DettagliStatistica Descrittiva Soluzioni 6. Indici di variabilità, asimmetria e curtosi
ISTITUZIONI DI STATISTICA A A 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
DettagliINDICATORI DI TENDENZA CENTRALE
Psicometria (8 CFU) Corso di laurea triennale INDICATORI DI TENDENZA CENTRALE Torna alla pri ma pagina INDICATORI DI TENDENZA CENTRALE Consentono di sintetizzare un insieme di misure tramite un unico valore
DettagliLa distribuzione delle frequenze. T 10 (s)
1 La distribuzione delle frequenze Si vuole misurare il periodo di oscillazione di un pendolo costituito da una sferetta metallica agganciata a un filo (fig. 1). A Figura 1 B Ricordiamo che il periodo
DettagliX ~ N (20, 16) Soluzione
ESERCIZIO 3.1 Il tempo di reazione ad un esperimento psicologico effettuato su un gruppo di individui si distribuisce normalmente con media µ = 20 secondi e scarto quadratico medio σ = 4 secondi: X ~ N
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
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
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 05-Deviazione standard e punteggi z vers. 1.1 (22 ottobre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
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,
DettagliINDICATORI DI TENDENZA CENTRALE
INDICATORI DI TENDENZA CENTRALE INDICATORI DI TENDENZA CENTRALE Consentono di sintetizzare un insieme di misure tramite un unico valore rappresentativo indice che riassume o descrive i dati e dipende dalla
DettagliLezione n. 1 (a cura di Irene Tibidò)
Lezione n. 1 (a cura di Irene Tibidò) Richiami di statistica Variabile aleatoria (casuale) Dato uno spazio campionario Ω che contiene tutti i possibili esiti di un esperimento casuale, la variabile aleatoria
DettagliCompiti tematici dai capitoli 2,3,4
Compiti tematici dai capitoli 2,3,4 a cura di Giovanni M. Marchetti 2016 ver. 0.8 1. In un indagine recente, i rispondenti sono stati classificati rispetto al sesso, lo stato civile e l area geografica
DettagliUna statistica è una quantità numerica il cui valore è determinato dai dati.
STATISTICHE CAMPIONARIE Quando i dati sono molti e illeggibili nella forma grezza, si rende necessario introdurre quantità numeriche che possano essere usate per sintetizzarli. Queste misure riassuntive
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
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,
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica parte 1 Massimo Guerriero Ettore Benedetti Indice Esercizi Presentazione dei dati Misure di sintesi numerica Probabilità Distribuzioni teoriche di probabilità Distribuzione
DettagliProf. Anna Paola Ercolani (Università di Roma) Lez Indicatori di tendenza centrale
INDICATORI DI TENDENZA CENTRALE Consentono di sintetizzare un insieme di misure tramite un unico valore rappresentativo indice che riassume o descrive i dati e dipende dalla scala di misura dei dati in
DettagliEsercitazione 1.3. Indici di variabilità ed eterogeneità. Prof.ssa T. Laureti a.a
Corso di Statistica Esercitazione.3 Indici di variabilità ed eterogeneità Concentrazione Asimmetria Prof.ssa T. Laureti a.a. 202-203 Esercizio Si considerino i seguenti dati relativi al numero di addetti
DettagliStatistica Descrittiva Soluzioni 3. Medie potenziate
ISTITUZIONI DI STATISTICA A. A. 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Statistica, anno 2010-11 P.Baldi Lista di esercizi 3. Corso di Laurea in Biotecnologie Esercizio 1 Una v.a. X segue una legge N(2, ). Calcolare a1) P(X 1) a2) P(2
DettagliLA RAPPRESENTAZIONE E LA SINTESI DEI DATI
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LA RAPPRESENTAZIONE E LA SINTESI
DettagliCapitolo 1 PREZZI E RENDIMENTI
INTRODUZIONE L obiettivo di ciascun investitore è quello di massimizzare il rendimento atteso dato un certo li vello di rischio o alternativamente cercare di minimizzare il rischio per ottenere un prefissato
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
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliStatistica Un Esempio
Statistica Un Esempio Un indagine sul peso, su un campione di n = 100 studenti, ha prodotto il seguente risultato. I pesi p sono espressi in Kg e sono stati raggruppati in cinque classi di peso. classe
Dettagli