Metodi di previsione

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Metodi di previsione"

Transcript

1 Metodi di previsione Giovanni Righini Università degli Studi di Milano Corso di Logistica

2 I metodi di previsione I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali a partire dai dati. Le previsioni possono avere diversi orizzonti temporali: breve termine (es.: numero di chiamate ad un call center nelle prossime settimane) medio termine (es.: previsioni di vendita per il piano finanziario annuale di un azienda) lungo termine (es.: domanda di automobili a idrogeno nei prossimi decenni)

3 Testi di riferimento C. Vercellis, Modelli e decisioni : strumenti e metodi per le decisioni aziendali, Pitagora Editrice, Bologna 1997 G. Ghiani, R. Musmanno, Modelli e metodi per l organizzazione dei sistemi logistici, Pitagora Editrice, Bologna 2000 C. Vercellis, Business intelligence: modelli matematici e sistemi per le decisioni, McGraw-Hill, Milano 2006

4 Classificazione Esistono metodi qualitativi e quantitativi. Metodi qualitativi: Opinione di esperti Sondaggio di mercato Metodo Delphi Metodi qualitativi: Metodi esplicativi: si suppone esista un legame causa-effetto e lo si vuole rappresentare formalmente; Metodi estrapolativi: si vogliono desumere delle regolarità dalle osservazioni disponibili.

5 Metodi di regressione Analisi di regressione L obiettivo è di identificare un legame funzionale tra un effetto e le sue presunte cause. Si osserva una grandezza y (variabile dipendente) e si suppone sia funzione di altre grandezze x (variabili indipendenti). y = f (x) Se la variabile indipendente è una sola, si ha la regressione semplice. Conoscendo (da osservazioni precedenti) alcune coppie di valori (x i, y i ), si vuole trovare la funzione f () che meglio le spiega.

6 Metodi di regressione Analisi di regressione Invece di cercare una funzione, potenzialmente complicata, che spieghi esattamente le osservazioni, si preferisce cercare una funzione semplice che spieghi le osservazioni con una certa approssimazione. Si ammette quindi che i valori ottenuti dal calcolo di f (x i ) possano differire dai valori osservati y i. Se la funzione f () è una retta, si ha la regressione lineare. y = A + Bx + ɛ La differenza ɛ tra valori calcolati e valori osservati è il residuo ed è una variabile casuale che deve soddisfare due requisiti: distribuzione normale con media nulla indipendenza tra ɛ i ed ɛ j per ogni i j.

7 Metodi di regressione Metodo dei minimi quadrati Si assume come misura dell approssimazione Q = N (f (x i ) y i ) 2 i=1 che è la funzione obiettivo che si vuole minimizzare. Le incognite, o variabili decisionali, sono i parametri della retta, cioè A e B. Per trovare i loro valori ottimi, basta calcolare le derivate parziali di Q rispetto ad A e B e porle uguali a zero.

8 Metodi di regressione Metodo dei minimi quadrati data time

9 Metodi di regressione Metodo dei minimi quadrati Indicando i valori medi con N i=1 x = x N i i=1 e y = y i N N si ha: dove S xx = N i=1 (x i x) 2 S xy = N i=1 (x i x)(y i y) S yy = N i=1 (y i y) 2 B = S xy S xx e A = y Bx

10 Metodi di regressione Passaggio per l origine Se si vuole imporre che la retta di predizione y = A + Bx passi per l origine, si pone A = 0 e si stima solo B = N i=1 x iy i N i=1 x. i 2

11 Metodi di regressione Valutazione del modello A posteriori è importante valutare l affidabilità del modello usato. Pendenza della retta: Il modello si ritiene non-significativo se un dato intervallo di confidenza per B contiene il valore 0. Coefficiente di correlazione lineare (indice di Pearson): r = Sxy. Sxx S yy Si ha sempre 1 r 1. Se r > 0 la retta sale, se r < 0 la retta scende. Se r 1, la correlazione lineare è forte; se r 0, è debole. Stimatore della varianza: s 2 = N i=1 (f (x i ) y i ) 2 N 2 = 1 N 2 (S yy BS xy ).

12 Serie storiche Una serie storica è una sequenza di valori y t assunti da una grandezza di interesse in corrispondenza di istanti temporali t. Se essi definiscono un insieme discreto la serie storica viene detta a tempo discreto. Considereremo serie storiche a tempo discreto con istanti t uniformemente distanziati nel tempo (anni, settimane, giorni,...).

13 Classificazione I metodi estrapolativi si possono applicare alla previsione di un solo periodo o di più periodi in avanti. Metodi di scomposizione delle serie storiche Metodi di smoothing esponenziale: Metodo di Brown Metodo di Holt Metodo di Winters Modelli autoregressivi: Modelli autoregressivi (AR) Modelli a media mobile (MA) Modelli autoregressivi a media mobile (ARMA) Modelli autoregressivi a media mobile integrata (ARIMA)

14 Scomposizione di serie temporali Modelli di serie temporali Si fa l ipotesi che i valori osservati y t nella serie temporale siano il risultato della combinazione di componenti di natura diversa. Andamento tendenziale di lungo periodo m t Andamento dovuto ai cicli economici v t Andamento stagionale s t (noto il periodo L) Residuo casuale, imprevedibile r t. Relativamente al modo in cui le componenti si combinano si distinguono modelli additivi e moltiplicativi. Modelli additivi: y t = m t + v t + s t + r t Modelli moltiplicativi: y t = m t v t s t r t Nel seguito considereremo un modello moltiplicativo.

15 Scomposizione di serie temporali Media mobile Conoscendo il periodo L della componente stagionale, la si può rimuovere calcolando la media su tutti i periodi di lunghezza L. L dispari: (mv) t = L pari: (mv) t = t+ L 1 2 i=t L 1 y i 2 L 1 2 y t L + t+ L i=t 2 L y +1 i y t+ 2 L L Per separare la componente tendenziale m dalla componente v, si ipotizza che la prima sia lineare e la si ricava con la regressione lineare semplice, dove il tempo è la variabile indipendente.

16 Scomposizione di serie temporali Indici di stagionalità La componente stagionale e aleatoria si ricava da (sr) t = Gli indici di stagionalità s 1,..., s L si ottengono come k s t = (sr) t+kl N t y t (mv) t. dove gli estremi della sommatoria sono tali da coprire tutti i (sr) calcolati in precedenza ed N t indica il numero degli addendi. Gli indici così ricavati vengono poi normalizzati: s t = Ls t L t=1 s t t = 1,..., L. Si ha quindi s t+kl = s t per ogni t e per ogni k intero.

17 Scomposizione di serie temporali Esempio: componente tendenziale Componente tendenziale 1200,0 1000,0 800,0 600,0 400,0 200,0 0, Periodi

18 Scomposizione di serie temporali Esempio: componente stagionale Componente stagionale 1,2 1,1 1,0 0,9 0,8 0,7 0, Periodi

19 Scomposizione di serie temporali Previsione La previsione è fatta combinando le componenti tendenziale m e stagionale s. Predizione 1100,0 1000,0 900,0 800,0 700,0 600,0 Serie storica Predizione 500,0 400, Periodi

20 Metodi di smoothing esponenziale Introduzione Sono metodi per la predizione di serie storiche semplici, versatili e accurati. Ne esistono diversi, che tengono o meno conto dell esistenza di componenti tendenziali e stagionali nella serie storica in esame. L idea di base è quella di pesare maggiormente le osservazioni più recenti rispetto a quelle più remote nel passato. Questo rende i metodi di smoothing capaci di adeguarsi rapidamente a variazioni improvvise nel valore della serie storica a causa di eventi che modificano la regolarità del fenomeno osservato (guasti tecnici, offerte speciali, fallimento di aziende concorrenti, crisi finanziarie...).

21 Metodi di smoothing esponenziale Metodo di Brown È il metodo di smoothing esponenziale semplice. Media smorzata: s t = αy t + (1 α)s t 1 t 2 s 1 = y 1 Predizione: f t+1 = s t con 0 α 1. Per α prossimo a 0 il modello è più inerte; per α prossimo a 1 è più reattivo. Il valore ottimo di α si ottiene minimizzando lo scarto quadratico medio.

22 Metodi di smoothing esponenziale Metodo di Holt È il metodo di smoothing esponenziale con correzione di tendenza. Media smorzata: s t = αy t + (1 α)(s t 1 + m t 1 ) t 2 m t = β(s t s t 1 ) + (1 β)m t 1 t 2 s 1 = y 1 m 1 = y 2 y 1 Predizione: f t+1 = s t + m t. con 0 β 1, ottimizzato minimizzando lo scarto quadratico medio.

23 Metodi di smoothing esponenziale Metodo di Winters È il metodo di smoothing esponenziale con correzione di tendenza e di stagionalità (di periodo L noto). Media smorzata: s t = α y t q t L + (1 α)(s t 1 + m t 1 ) t 2 m t = β(s t s t 1 ) + (1 β)m t 1 t 2 q t = γ y t s t + (1 γ)q t L t L + 1 s 1 = y 1 m 1 = y 2 y 1 y q t = t L t = 1,..., L τ=1 yτ /L con 0 γ 1, ottimizzato minimizzando lo scarto quadratico medio. La predizione è f t+1 = (s t + m t )q t L+1.

24 Metodi di smoothing esponenziale Eliminazione tendenza e stagionalità Per rimuovere da una serie storica la componente di tendenza o di stagionalità: calcolare la media mobile per rimuovere la tendenza differenziazioni successive B t (h) = y t y t h per rimuovere la tendenza identificare la tendenza con l analisi di regressione identificare la componente di stagionalità tramite scomposizione della serie Quindi è possibile: applicare il modello di Winters alla serie storica; applicare il modello di Holt alla serie storica destagionalizzata; applicare il modello di Brown alla serie storica dopo aver rimosso tendenza e stagionalità.

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

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

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

La categoria «ES» presenta (di solito) gli stessi comandi

La categoria «ES» presenta (di solito) gli stessi comandi Utilizzo delle calcolatrici FX 991 ES+ Parte II PARMA, 11 Marzo 2014 Prof. Francesco Bologna bolfra@gmail.com ARGOMENTI DELLA LEZIONE 1. Richiami lezione precedente 2.Calcolo delle statistiche di regressione:

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

MINIMI QUADRATI. REGRESSIONE LINEARE

MINIMI QUADRATI. REGRESSIONE LINEARE MINIMI QUADRATI. REGRESSIONE LINEARE Se il coefficiente di correlazione r è prossimo a 1 o a -1 e se il diagramma di dispersione suggerisce una relazione di tipo lineare, ha senso determinare l equazione

Dettagli

LA PREVISIONE DELLA DOMANDA. Corso di Gestione della Produzione prof. De Toni, ing. Fornasier 1

LA PREVISIONE DELLA DOMANDA. Corso di Gestione della Produzione prof. De Toni, ing. Fornasier 1 LA PREVISIONE DELLA DOMANDA Corso di Gestione della Produzione prof. De Toni, ing. Fornasier 1 MANUFACTURING PLANNING & CONTROL SYSTEM Resource planning Production planning Demand management Master production

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

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

La misurazione e la previsione della domanda

La misurazione e la previsione della domanda La misurazione e la previsione della domanda Le domande fondamentali Quali sono i principi che sottendono alla misurazione e alla previsione della domanda? Come si può stimare la domanda attuale? Come

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

UNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA A. A. 2008-2009 FACOLTÀ DI ECONOMIA. Programma del modulo di STATISTICA I (6 crediti)

UNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA A. A. 2008-2009 FACOLTÀ DI ECONOMIA. Programma del modulo di STATISTICA I (6 crediti) UNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA A. A. 2008-2009 FACOLTÀ DI ECONOMIA Programma del modulo di STATISTICA I (6 crediti) ECOCOM (lettere A-Lh): ECOCOM (lettere Li-Z): ECOBAN: ECOAMM (Lettere A-Lh):

Dettagli

= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E

= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E 1. Previsione per modelli ARM A Questo capitolo è dedicato alla teoria della previsione lineare per processi stocastici puramente non deterministici, cioè per processi che ammettono una rappresentazione

Dettagli

ESAME DI STATISTICA Nome: Cognome: Matricola:

ESAME DI STATISTICA Nome: Cognome: Matricola: ESAME DI STATISTICA Nome: Cognome: Matricola: ISTRUZIONI: Per la prova è consentito esclusivamente l uso di una calcolatrice tascabile, delle tavole della normale e della t di Student. I risultati degli

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

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

Dipartimento di Economia dell Università degli Studi di Parma Le scorte

Dipartimento di Economia dell Università degli Studi di Parma Le scorte dell Università degli Studi di Parma Le scorte La funzione delle scorte Le scorte sono un insieme di merci accumulate in attesa di un utilizzo futuro. Specializzazione geografica di una unità operativa

Dettagli

Destagionalizzazione

Destagionalizzazione Destagionalizzazione Scomposizione della serie in Ciclo-Trend, Stagionalità e Accidentalità. Scomposizione addittiva X t = CT t + S t + A t : per serie la cui variabilità della stagionalità rimane costante

Dettagli

Analisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it

Analisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri

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

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. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stima puntuale per la proporzione Da un lotto di arance se ne estraggono 400, e di queste 180

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

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

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

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

Ingegneria Chimica Ambientale. Centro Interdipartimentale di Fluidodinamica e Idraulica Università di Udine

Ingegneria Chimica Ambientale. Centro Interdipartimentale di Fluidodinamica e Idraulica Università di Udine Ingegneria Chimica Ambientale Analisi di serie temporali Marina Campolo Centro Interdipartimentale di Fluidodinamica e Idraulica Università di Udine Obiettivi dell analisi Serie temporale: sequenza di

Dettagli

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile

Dettagli

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice cap 0 Romane - def_layout 1 12/06/12 07.51 Pagina V Prefazione xiii Capitolo 1 Nozioni introduttive 1 1.1 Introduzione 1 1.2 Cenni storici sullo sviluppo della Statistica 2 1.3 La Statistica nelle scienze

Dettagli

Soluzioni Esercizi elementari

Soluzioni Esercizi elementari Soluzioni sercizi elementari Capitolo. carattere: itolo di Studio, carattere qualitativo ordinato modalità: Diploma, Licenza media, Laurea, Licenza elementare unità statistiche: Individui. carattere: Fatturato,

Dettagli

Esercizio 1: Automobili

Esercizio 1: Automobili Esercizio 1: Automobili Le variabili decisionali sono i quattro pesi da attribuire alle quattro caratteristiche. Si tratta di variabili intere maggiori o uguali a 1, minori o uguali a 5, che sommate devono

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema

Dettagli

Appunti di Statistica Descrittiva

Appunti di Statistica Descrittiva Appunti di Statistica Descrittiva 30 dicembre 009 1 La tabella a doppia entrata Per studiare dei fenomeni con caratteristiche statistiche si utilizza l espediente della tabella a doppia entrata Per esempio

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

Le obbligazioni: misure di rendimento e rischio. Economia degli Intermediari Finanziari 4 maggio 2009 A.A. 2008-2009

Le obbligazioni: misure di rendimento e rischio. Economia degli Intermediari Finanziari 4 maggio 2009 A.A. 2008-2009 Le obbligazioni: misure di rendimento e rischio Economia degli Intermediari Finanziari 4 maggio 009 A.A. 008-009 Agenda 1. Introduzione ai concetti di rendimento e rischio. Il rendimento delle obbligazioni

Dettagli

Presentazione. Risorse Web. Metodi Statistici 1

Presentazione. Risorse Web. Metodi Statistici 1 I-XVI Romane_ 27-10-2004 14:25 Pagina VII Prefazione Risorse Web XI XIII XVII Metodi Statistici 1 Capitolo 1 Tecniche Statistiche 3 1.1 Probabilità, Variabili Casuali e Statistica 3 1.1.1 Introduzione

Dettagli

Esempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica.

Esempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica. Esempio Risultati sperimentali Approssimazione con il criterio dei minimi quadrati Esempio Interpolazione con spline cubica. Esempio 1 Come procedere? La natura del fenomeno suggerisce che una buona approssimazione

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

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

Un po di statistica. Christian Ferrari. Laboratorio di Matematica

Un po di statistica. Christian Ferrari. Laboratorio di Matematica Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di

Dettagli

Analisi tecnico-economica dei progetti ICT Analisi della domanda

Analisi tecnico-economica dei progetti ICT Analisi della domanda Analisi tecnico-economica dei progetti ICT Analisi della domanda Maurizio Naldi Università di Roma Tor Vergata A.A. 2012-13 Analisi della domanda M. Naldi (URM2) Corso ATEP A.A. 2012-13 2 / 96 Analisi

Dettagli

COORDINAMENTO E GESTIONE DI PROGETTI COMPLESSI

COORDINAMENTO E GESTIONE DI PROGETTI COMPLESSI COORDINAMENTO E GESTIONE DI PROGETTI COMPLESSI 1. - Formulazione del problema Supponiamo di dover organizzare e gestire un progetto complesso, quale puó essere la costruzione di un edificio, oppure la

Dettagli

Lezioni del Corso di Fondamenti di Metrologia Meccanica

Lezioni del Corso di Fondamenti di Metrologia Meccanica Facoltà di Ingegneria Lezioni del Corso di Fondamenti di Metrologia Meccanica A.A. 2005-2006 Prof. Paolo Vigo Indice 1. Errori ed Incertezze 2. Errori Sistematici ed Accidentali 3. Proprietà degli Strumenti

Dettagli

APPUNTI SUI METODI PERT-C.P.M.

APPUNTI SUI METODI PERT-C.P.M. APPUNTI SUI METODI PERT-C.P.M. (corso di ricerca operativa) A cura di: Antonio Scalera 1 PERT/C.P.M. I metodi Pert e C.P.M. studiano lo sviluppo di un progetto attraverso la programmazione delle attività

Dettagli

sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche.

sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche. sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche. Potenze e percentuali Sezione 0.3: Disuguaglianze Sezione

Dettagli

Simulazione di una catena logistica

Simulazione di una catena logistica Simulazione di una catena logistica La logistica aziendale richiede l organizzazione di approvvigionamento e trasporto dei prodotti e dei servizi. La catena di distribuzione, supply chain, comprende il

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

estratto da Competenze assi culturali Raccolta delle rubriche di competenza formulate secondo i livelli EFQ a cura USP Treviso Asse matematico

estratto da Competenze assi culturali Raccolta delle rubriche di competenza formulate secondo i livelli EFQ a cura USP Treviso Asse matematico Competenza matematica n. BIENNIO, BIENNIO Utilizzare le tecniche e le procedure del calcolo aritmetico ed algebrico, rappresentandole anche sotto forma grafica BIENNIO BIENNIO Operare sui dati comprendendone

Dettagli

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004 Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 200 Esercizio 1 Tre apparecchiature M 1, M 2 e M 3 in un anno si guastano, in maniera indipendente, con probabilità

Dettagli

Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione

Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione Esercizio 1 Si consideri il seguente modello ad effetti fissi con variabili binarie: + 1 2 a) supponete che N=3. Si mostri che i regressori

Dettagli

CAPITOLO SECONDO ANALISI DELLE SERIE STORICHE 1. INTRODUZIONE ALLE SERIE STORICHE

CAPITOLO SECONDO ANALISI DELLE SERIE STORICHE 1. INTRODUZIONE ALLE SERIE STORICHE CAPITOLO SECONDO ANALISI DELLE SERIE STORICHE SOMMARIO: 1. Introduzione alle serie storiche. -. Analisi classica delle serie storiche. - 3. Analisi moderna delle serie storiche. 4. Procedura TRAMO-SEATS

Dettagli

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S

Dettagli

RELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della

RELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della RELAZIONE TRA VARIABILI QUANTITATIVE Lezione 7 a Accade spesso nella ricerca in campo biomedico, così come in altri campi della scienza, di voler studiare come il variare di una o più variabili (variabili

Dettagli

ANALISI DELLA DOMANDA E PROCESSO PREVISIONALE

ANALISI DELLA DOMANDA E PROCESSO PREVISIONALE CORSO DI Gestione dei sistemi produttivi e logistici Facoltà di Ingegneria ANALISI DELLA DOMANDA E PROCESSO PREVISIONALE Prof. Fabrizio Dallari Università Carlo Cattaneo Istituto di Tecnologie e-mail:

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

ANALISI DEI DATI PER IL MARKETING 2014

ANALISI DEI DATI PER IL MARKETING 2014 ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it RIPASSO SULLE MATRICI 1 Addizione tra matrici Moltiplicazione Matrice diagonale Matrice identità Matrice trasposta

Dettagli

Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva. Brugnaro Luca

Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva. Brugnaro Luca Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva Brugnaro Luca Progetto formativo complessivo Obiettivo: incrementare le competenze degli operatori sanitari nelle metodiche

Dettagli

PROBLEMI DI SCELTA. Problemi di. Scelta. Modello Matematico. Effetti Differiti. A Carattere Continuo. A più variabili d azione (Programmazione

PROBLEMI DI SCELTA. Problemi di. Scelta. Modello Matematico. Effetti Differiti. A Carattere Continuo. A più variabili d azione (Programmazione 1 PROBLEMI DI SCELTA Problemi di Scelta Campo di Scelta Funzione Obiettivo Modello Matematico Scelte in condizioni di Certezza Scelte in condizioni di Incertezza Effetti Immediati Effetti Differiti Effetti

Dettagli

1. Richiami di Statistica. Stefano Di Colli

1. Richiami di Statistica. Stefano Di Colli 1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche

Dettagli

Indice Prefazione xiii 1 Probabilità

Indice Prefazione xiii 1 Probabilità Prefazione xiii 1 Probabilità 1 1.1 Origini del Calcolo delle Probabilità e della Statistica 1 1.2 Eventi, stato di conoscenza, probabilità 4 1.3 Calcolo Combinatorio 11 1.3.1 Disposizioni di n elementi

Dettagli

INDICE PREFAZIONE VII

INDICE PREFAZIONE VII INDICE PREFAZIONE VII CAPITOLO 1. LA STATISTICA E I CONCETTI FONDAMENTALI 1 1.1. Un po di storia 3 1.2. Fenomeno collettivo, popolazione, unità statistica 4 1.3. Caratteri e modalità 6 1.4. Classificazione

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

Modello di regressione lineare

Modello di regressione lineare Modello di regressione lineare a cura di Giordano dott. Enrico enrico.giordano@meliorbanca.com Nel presente lavoro viene descritto in modo dettagliato (attraverso anche un impatto visivo), l analisi di

Dettagli

5.4 Solo titoli rischiosi

5.4 Solo titoli rischiosi 56 Capitolo 5. Teoria matematica del portafoglio finanziario II: analisi media-varianza 5.4 Solo titoli rischiosi Suppongo che sul mercato siano presenti n titoli rischiosi i cui rendimenti aleatori sono

Dettagli

UNIVERSITA DEGLI STUDI DI FIRENZE Facoltà di Scienze M.F.N. Corso di Laurea in Fisica. Prof. Roberto Falciani. Prof.

UNIVERSITA DEGLI STUDI DI FIRENZE Facoltà di Scienze M.F.N. Corso di Laurea in Fisica. Prof. Roberto Falciani. Prof. UIVERSITA DEGLI STUDI DI FIREZE Facoltà di Scienze M.F.. Corso di Laurea in Fisica Prof. Roberto Falciani Prof. Andrea Stefanini Appunti aggiuntivi al corso di ESPERIMETAZIOI I Analisi statistica degli

Dettagli

Serie storiche Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007

Serie storiche Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007 Serie storiche Introduzione Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si

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

Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C

Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato

Dettagli

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete Funzioni in due variabili Raccolta di FAQ by Andrea Prevete 1) Cosa intendiamo, esattamente, quando parliamo di funzione reale di due variabili reali? Quando esiste una relazione fra tre variabili reali

Dettagli

RISK MANAGEMENT: MAPPATURA E VALUTAZIONE DEI RISCHI AZIENDALI. UN COSTO O UN OPPORTUNITA?

RISK MANAGEMENT: MAPPATURA E VALUTAZIONE DEI RISCHI AZIENDALI. UN COSTO O UN OPPORTUNITA? Crenca & Associati CORPORATE CONSULTING SERVICES RISK MANAGEMENT: MAPPATURA E VALUTAZIONE DEI RISCHI AZIENDALI. UN COSTO O UN OPPORTUNITA? Ufficio Studi Milano, 3 aprile 2008 Introduzione al Risk Management

Dettagli

Prof.ssa Paola Vicard

Prof.ssa Paola Vicard Questa nota consiste perlopiù nella traduzione (con alcune integrazioni) da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo i dati nel file esercizio10_dati.xls.

Dettagli

Premesse alla statistica

Premesse alla statistica Premesse alla statistica Versione 22.10.08 Premesse alla statistica 1 Insiemi e successioni I dati di origine sperimentale si presentano spesso non come singoli valori, ma come insiemi di valori. Richiamiamo

Dettagli

In laboratorio si useranno fogli di carta millimetrata con scale lineari oppure logaritmiche.

In laboratorio si useranno fogli di carta millimetrata con scale lineari oppure logaritmiche. GRAFICI Servono per dare immediatamente e completamente le informazioni, che riguardano l andamento di una variabile in funzione dell altra. La Geometria Analitica c insegna che c è una corrispondenza

Dettagli

Scuola Primaria Conta oggetti o eventi, a voce e a mente, in senso progressivo e regressivo e per salti di due, tre ;

Scuola Primaria Conta oggetti o eventi, a voce e a mente, in senso progressivo e regressivo e per salti di due, tre ; Primo anno Secondo anno Terzo anno Primo anno MATEMATICA Scuola dell Infanzia Scuola Primaria Conta oggetti o eventi, a voce e a mente, in senso progressivo e regressivo e per salti di due, tre ; legge

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

Schema di Statistica di Michele Faggion

Schema di Statistica di Michele Faggion Schema di Statistica di Michele Faggion Lezione 1 Bontà del modello: stima delle componenti di errore. Lʼobiettivo è capire la struttura per poi estrapolare delle previsioni (assunto di continuità). Eʼ

Dettagli

PIANO CARTESIANO: un problema di programmazione lineare

PIANO CARTESIANO: un problema di programmazione lineare PIANO CARTESIANO: un problema di programmazione lineare In un laboratorio sono disponibili due contatori A, B di batteri. Il contatore A può essere azionato da un laureato che guadagna 20 euro per ora.

Dettagli

Iniziativa Comunitaria Equal II Fase IT G2 CAM - 017 Futuro Remoto. Strumenti di Valutazione di un Prodotto Finanziario

Iniziativa Comunitaria Equal II Fase IT G2 CAM - 017 Futuro Remoto. Strumenti di Valutazione di un Prodotto Finanziario AREA FINANZA DISPENSA FINANZA Iniziativa Comunitaria Equal II Fase IT G2 CAM - 017 Futuro Remoto Strumenti di Valutazione di un Prodotto Finanziario ORGANISMO BILATERALE PER LA FORMAZIONE IN CAMPANIA Strumenti

Dettagli

Università del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva

Università del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva Università del Piemonte Orientale Corsi di Laurea Triennale Corso di Statistica e Biometria Introduzione e Statistica descrittiva Corsi di Laurea Triennale Corso di Statistica e Biometria: Introduzione

Dettagli

IBM SPSS Forecasting 21

IBM SPSS Forecasting 21 IBM SPSS Forecasting 21 Nota: Prima di utilizzare queste informazioni e il relativo prodotto, leggere le informazioni generali disponibili in Note a pag. 113. Questa versione si applica a IBM SPSS Statistics

Dettagli

Equazione della Circonferenza - Grafico di una Circonferenza - Intersezione tra Circonferenza e Retta

Equazione della Circonferenza - Grafico di una Circonferenza - Intersezione tra Circonferenza e Retta Equazione della Circonferenza - Grafico di una Circonferenza - Intersezione tra Circonferenza e Retta Francesco Zumbo www.francescozumbo.it http://it.geocities.com/zumbof/ Questi appunti vogliono essere

Dettagli

DISTRIBUZIONI DI PROBABILITÀ

DISTRIBUZIONI DI PROBABILITÀ 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 LE PRINCIPALI DISTRIBUZIONI

Dettagli

Nella prima parte del corso l attenzione è venuta appuntandosi sui problemi inerenti la valutazione di investimenti aziendali e di strumenti

Nella prima parte del corso l attenzione è venuta appuntandosi sui problemi inerenti la valutazione di investimenti aziendali e di strumenti Nella prima parte del corso l attenzione è venuta appuntandosi sui problemi inerenti la valutazione di investimenti aziendali e di strumenti finanziari in un contesto di flussi finanziari certi, tuttavia

Dettagli

mese 1 2 3 4 5 richiesta 6000 7000 8000 9500 11000

mese 1 2 3 4 5 richiesta 6000 7000 8000 9500 11000 1.7 Servizi informatici. Un negozio di servizi informatici stima la richiesta di ore di manutenzione/consulenza per i prossimi cinque mesi: mese 1 2 3 4 5 richiesta 6000 7000 8000 9500 11000 All inizio

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

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

Statistica Medica. Verranno presi in esame:

Statistica Medica. Verranno presi in esame: Statistica Medica Premessa: il seguente testo cerca di riassumere e rendere in forma comprensibile ai non esperti in matematica e statistica le nozioni e le procedure necessarie a svolgere gli esercizi

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

6. Modelli statistici: analisi della regressione lineare

6. Modelli statistici: analisi della regressione lineare BIOSTATISTICA 6. Modelli statistici: analisi della regressione lineare Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

Esercitazioni 2013/14

Esercitazioni 2013/14 Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta

Dettagli

Il risultato di un analisi chimica è un informazione costituita da: un numero un incertezza un unità di misura

Il risultato di un analisi chimica è un informazione costituita da: un numero un incertezza un unità di misura Il risultato di un analisi chimica è un informazione costituita da: un numero un incertezza un unità di misura Conversione del risultato in informazione utile È necessario fare alcune considerazioni sul

Dettagli

L espressione torna invece sempre vera (quindi la soluzione originale) se cambiamo contemporaneamente il verso: 1 < 0.

L espressione torna invece sempre vera (quindi la soluzione originale) se cambiamo contemporaneamente il verso: 1 < 0. EQUAZIONI E DISEQUAZIONI Le uguaglianze fra espressioni numeriche si chiamano equazioni. Cercare le soluzioni dell equazione vuol dire cercare quelle combinazioni delle lettere che vi compaiono che la

Dettagli

Tema A. 1.2. Se due eventi A e B sono indipendenti e tali che P (A) = 1/2 e P (B) = 2/3, si può certamente concludere che

Tema A. 1.2. Se due eventi A e B sono indipendenti e tali che P (A) = 1/2 e P (B) = 2/3, si può certamente concludere che Statistica Cognome: Laurea Triennale in Biologia Nome: 26 luglio 2012 Matricola: Tema A 1. Parte A 1.1. Sia x 1, x 2,..., x n un campione di n dati con media campionaria x e varianza campionaria s 2 x

Dettagli

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili:

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili: Incertezze di misura Argomenti: classificazione delle incertezze; definizione di incertezza tipo e schemi di calcolo; schemi per il calcolo dell incertezza di grandezze combinate; confronto di misure affette

Dettagli

ANALISI DEL RISCHIO NELLA VALUTAZIONE DEGLI INVESTIMENTI. Docente: Prof. Massimo Mariani

ANALISI DEL RISCHIO NELLA VALUTAZIONE DEGLI INVESTIMENTI. Docente: Prof. Massimo Mariani ANALISI DEL RISCHIO NELLA VALUTAZIONE DEGLI INVESTIMENTI Docente: Prof. Massimo Mariani 1 SOMMARIO Analisi del rischio; limiti del VAN in contesti di incertezza; tecniche di descrizione del rischio dei

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

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

MATEMATICA FINANZIARIA A.A. 2007 2008 Prova del 4 luglio 2008. Esercizio 1 (6 punti)

MATEMATICA FINANZIARIA A.A. 2007 2008 Prova del 4 luglio 2008. Esercizio 1 (6 punti) MATEMATICA FINANZIARIA A.A. 2007 2008 Prova del 4 luglio 2008 Nome Cognome Matricola Esercizio 1 (6 punti) Dato un debito di 20 000, lo si voglia rimborsare mediante il pagamento di 12 rate mensili posticipate

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli