Modelli che spiegano l attività fotosintetica alla luce di parametri fisiologici della vegetazione. Dr. Alessandro Ferrarini
|
|
- Samuele Pasini
- 6 anni fa
- Visualizzazioni
Transcript
1 Modelli che spiegano l attività fotosintetica alla luce di parametri fisiologici della vegetazione Dr. Alessandro Ferrarini variabile dipendente: NDVI (indice di attività fotosintetica) variabili indipendenti: concentrazioni di clorofilla a, b ed acqua e temperatura foliare acqua clor_a clor_b NDVI temp specie carpino carpino carpino carpino carpino carpino carpino carpino carpino carpino carpino carpino cerro cerro cerro cerro cerro cerro cerro cerro faggio faggio faggio faggio faggio faggio faggio faggio pino pino pino pino pino pino prato prato prato prato prato prato prato
2 prato prato prato prato prato prato prato prato prato Analisi preliminari Statistiche descrittive ACQUA CLOR_A CLOR_B NDVI TEMP Validi (listwise) N Minimo Massimo Media Deviazion Asimmetria Curtosi Statistica Statistica Statistica Statistica Statistica e std. Statistica Errore std Statistica Errore std E E Tutte le variabili, tranne l'ndvi, hanno asimmetria destra (positiva) e curtosi positiva (valori più concentrati verso le code rispetto ad una gaussiana). Sono stati applicati 7 tests di normalità dei dati. Quasi tutti respingono al livello del 5% la normalità delle variabili (eccetto la clorofilla b che risulta a distribuzione normale per quasi tutti i tests). Anche le relazioni tra le variabili non risultano di tipo lineare. ACQUA CLOR_A CLOR_B NDVI TEMP CLOR_B CLOR_A ACQUA 2
3 TEMP NDVI In tale situazione si è utilizzato il coefficiente di correlazione tau-b di Kendall che non richiede normalità di distribuzione. I risultati sono però poco significativi perché le relazioni tra le variabili non sono lineari. Tau_b di Kendall ACQUA CLOR_A CLOR_B NDVI TEMP Coefficiente di correlazione Sig. (2-code) N Coefficiente di correlazione Sig. (2-code) N Coefficiente di correlazione Sig. (2-code) N Coefficiente di correlazione Sig. (2-code) N Coefficiente di correlazione Sig. (2-code) *. Correlazione significativa al livello 0,05 (2-code). **. Correlazione significativa al livello 0,0 (2-code). N Correlazioni ACQUA CLOR_A CLOR_B NDVI TEMP * **.94** -.45** ** ** -.43** **.942** ** * -.45** -.43** -.42** ) Individuazione delle caratteristiche che contraddistinguono le diverse classi campionate (metodi CART e CHAID) Utilizzando l'indice di impurità di Gini, la regola di pruning basata sul rischio minimo, costi a priori uguali per tutte le classi e 5 livelli di profondità dell'albero, il metodo CART ha ottenuto un'accuratezza del 98%. L'analisi ha evidenziato: 3
4 la classe faggio è caratterizzata dai valori di clorofilla a > 63 e di NDVI > La classe è quindi caratterizzata dalle quote più elevate di attività fotosintetica supportata da valori elevati di pigmenti primari. la classe prato è caratterizzata dai valori di clorofilla a < 63 e di acqua < Si tratta quindi di prati aridi o semi-aridi a scarsa attività fotosintetica. la classe pino è caratterizzata dai valori di clorofilla a < 63 e di acqua > 0.27.Si tratta di una classe con bassi valori di clorofilla a, ma concentrazioni foliari di acqua maggiori rispetto alle aree a prato. le classi carpino e cerro hanno contenuti foliari di clorofilla a > 63, si differenziano dal faggio per una attività fotosintetica inferiore e si distinguono tra loro per un maggiore contenuto di clorofilla b da parte del carpino. Struttura dell'albero CART La tecnica CHAID rivela che la variabile NDVI è quella più discriminante. Valori massimi sono raggiunti dal faggio, appena inferiori dal carpino, ancora minori dal cerro. Prati e pino nero sono invece distinguibili in base al contento d'acqua, maggiore per il secondo. Struttura dell'albero CHAID 4
5 2) La tecnica MARS N: 50 R-SQUARED: MEAN DEP VAR: 0.72 ADJ R-SQUARED: UNCENTERED R-SQUARED = R-0 SQUARED:.000 Basis Functions =============== BF2 = max(0, CLOR_B ); BF4 = max(0, CLOR_A ) * BF2; BF5 = max(0, CLOR_A ); BF6 = max(0, CLOR_A ); BF9 = max(0, CLOR_B ) * BF6; BF2 = max(0, CLOR_A ); BF4 = max(0, TEMP ); Y = * BF E-04 * BF E-04 * BF E-05 * BF E-04 * BF2 + 6 * BF4; PARAMETER ESTIMATE S.E. T-RATIO P-VALUE Constant E-5 Basis Function E E-5 Basis Function E E E-07 Basis Function E E E-4 Basis Function E E E-03 Basis Function E E E-5 Basis Function E F-STATISTIC = S.E. OF REGRESSION = 5 P-VALUE =.99920E-5 RESIDUAL SUM OF SQUARES = Variable Importance Variable Cost of Omission Importance CLOR_A 00 CLOR_B TEMP 6.43E ACQUA 5.77E
6 La tecnica MARS evidenzia che la variabile indipendente temperatura dà un contributo positivo e lineare alla fotosintesi che inizia da 23.3 gradi. Le variabili clorofilla a e b interagiscono seppur debolmente tra loro dando un contrubuto all'ndvi rappresentato dal grafico sopra (in rosso i valori maggiori di NDVI, in verde chiaro i minori). La variabile acqua risulta ininfluente nel determinare i valori di NDVI. 3) Analisi dei dati mediante Reti Neurali Interazione clorofilla a-clorofilla b con acqua e temperatura a valori fissi Temp= 7.3 Acqua=
7 Temp= 30.3 Acqua= Temp= 30.3 Acqua=
8 Temp= 7.3 Acqua= Regressioni - senza interazione e con intercetta nulla Riepilogo del modello c,d R-quadrato Errore std. R R-quadrato a corretto della stima.999 b E-02 a. Per la regressione che passa per l'origine (il modello con nessuna intercetta), R-quadrato misura la parte di variabilità della variabile dipendente relativa all'origine e spiegata dalla regressione. Ciò NON è comparabile a R-quadrato per i modelli che includono un'intercetta. b. Stimatori: TEMP, CLOR_A, ACQUA, CLOR_B c. Variabile dipendente: NDVI d. Regressione lineare che passa per l'origine 8
9 Commento: l'r 2 è molto elevato, ma i residui e i VIF non sono convincenti Coefficienti a,b Limite Limite B Errore std. Beta t Sig. inferiore superiore Tolleranza VIF ACQUA CLOR_A -.55E CLOR_B.088E TEMP 9.86E a. Variabile dipendente: NDVI Coefficienti non standardizzati b. Regressione lineare che passa per l'origine Coefficien ti standardi zzati Intervallo di confidenza per B al 95% Statistiche di collinearità Regressione Residuo Totale ANOVA c,d Somma dei Media dei quadrati df quadrati F Sig a 4.080E b 50 a. Stimatori: TEMP, CLOR_A, ACQUA, CLOR_B E-04 b. La somma totale dei quadrati non viene corretta per la costante perchè la costante è uguale a zero per la regressione attraverso l'origine. c. Variabile dipendente: NDVI d. Regressione lineare che passa per l'origine Grafico di normalità P-P di regressione R.00 Variabile dipendente: NDVI Prob cum attesa Prob cum osservata 9
10 -senza interazioni e con intercetta non nulla Riepilogo del modello b R-quadrato Errore std. R R-quadrato corretto della stima.97 a e-02 a. Stimatori: (Costante), TEMP, ACQUA, CLOR_A, CLOR_B b. Variabile dipendente: NDVI (Costante) ACQUA CLOR_A CLOR_B TEMP a. Variabile dipendente: NDVI Coefficienti non standardizzati Coefficien ti standardi zzati Coefficienti a Intervallo di confidenza per B al 95% Statistiche di collinearità Limite Limite B Errore std. Beta t Sig. inferiore superiore Tolleranza VIF E E E Istogramma Variabile dipendente: NDVI 8 Frequenza Dev. Stand =.96 Media = N = 5 Regressione Residuo standardizzato 0
11 .00 Grafico di normalità P-P di regression Variabile dipendente: NDVI Prob cum attesa Prob cum osservata Commento: l'r 2 è più basso, ma il modello è migliorato sia per i residui che per i VIF - con interazioni Sono stati provati tutti i modelli possibili con interazione e intercetta nulla. I risultati producono tutti R 2 pari a 0.99 (come quello con intercetta nulla e senza interazioni) ma VIF peggiorati e residui uguali a quelli precedenti. Per tale motivo vengono riportati solo i modelli con interazione ed intercetta non nulla. Per testare l importanza delle interazioni si è dapprima costruito il modello senza interazioni poi i residui sono stati plottati rispetto a tutte le possibili interazioni RESIDUI ACQ_CLA
12 RESIDUI ACQ_CLB RESIDUI ACQ_TEM 2
13 RE SI DU I CLOR_AB RESIDUI CLA_TEMP 3
14 RESIDUI CLB_TEMP -modello che tiene in considerazione le tre interazioni significative Riepilogo del modello b R-quadrato Errore std. Durbin-W R R-quadrato corretto della stima atson.990 a e a. Stimatori: (Costante), CLB_TEMP, ACQUA, TEMP, CLOR_AB, CLOR_A, CLOR_B, ACQ_TEM b. Variabile dipendente: NDVI Regressione Residuo Totale ANOVA b Somma dei Media dei quadrati df quadrati F Sig E a 4.296E E-04 a. Stimatori: (Costante), CLB_TEMP, ACQUA, TEMP, CLOR_AB, CLOR_A, CLOR_B, ACQ_TEM b. Variabile dipendente: NDVI 4
15 (Costante) ACQUA CLOR_A CLOR_B TEMP ACQ_TEM CLOR_AB CLB_TEMP a. Variabile dipendente: NDVI Coefficienti non standardizzati Coefficienti a Coefficien ti standardi zzati Statistiche di collinearità B Errore std. Beta t Sig. Tolleranza VIF E E E E E Statistiche dei residui a Minimo Massimo Media Deviazione std. N Valore atteso E Residuo -2.5E-02.6E-02 2.E E Valore atteso std Residuo std a. Variabile dipendente: NDVI 0 Istogramma Variabile dipendente: NDVI Frequenza 2 Dev. Stand =.93 Media = 0 N = Regressione Residuo standardizzato 5
16 -stesso modello con tre interazioni calcolato tramite ridge regression Least Squares Multicollinearity Section Independent Variance R-Squared Variable Inflation Vs Other X's Tolerance ACQUA CLOR_A CLOR_B TEMP ACQ_TEM CLOR_AB CLB_TEMP Since some VIF's are greater than 0, multicollinearity is a problem. ricerca del k come fattore correttivo modello risultante Independent Regression Standard Regression Variable Coefficient Error Coefficient VIF Intercept ACQUA CLOR_A E E CLOR_B E E TEMP E E ACQ_TEM E CLOR_AB E E CLB_TEMP E E
17 Model NDVI= *ACQUA E-08*CLOR_A E-05*CLOR_B E-03*TEMP E-02*ACQ_TEM-3.537E-07*CLOR_AB E- 04*CLB_TEMP 20.0 Histogram of Residuals of NDVI 5.0 Count Residuals of NDVI 0.0 Residuals vs Predicted 0.0 Residuals Predicted -interazione clorofilla a e b Riepilogo del modello b R-quadrato Errore std. R R-quadrato corretto della stima.976 a e-02 a. Stimatori: (Costante), CLOR_AB, ACQUA, TEMP, CLOR_B, CLOR_A b. Variabile dipendente: NDVI 7
18 (Costante) ACQUA CLOR_A CLOR_B TEMP CLOR_AB a. Variabile dipendente: NDVI Riepilogo del modello b Coefficienti a R-quadrato Errore std. R R-quadrato corretto della stima.976 a Coefficien E-02 a. ti Stimatori: (Costante), CLOR_AB, ACQUA, TEMP, CLOR_B Coefficienti non standardi standardizzati b. Variabile dipendente: zzati NDVI B Errore std. Beta t Sig E E E E Commento: il termine clor_a non è significativo. E' stata fatta una regressione senza tale termine (riportata di sotto) ottenendo un R 2 uguale ma residui e VIF migliori. - interazione clorofilla a e temp (Costante) ACQUA CLOR_B TEMP CLOR_AB a. Variabile dipendente: NDVI Coefficienti a Coefficienti non standardizzati Coefficien ti standardi zzati B Errore std. Beta t Sig E E E Istogramma Variabile dipendente: NDVI Frequenza 4 Dev. Stand =.95 2 Media = 0 N = Regressione Residuo standardizzato 8
19 Riepilogo del modello b R-quadrato Errore std. R R-quadrato corretto della stima.983 a e-02 a. Stimatori: (Costante), CLOR_A, ACQUA, TEMP, CLOR_B, CLA_TEMP b. Variabile dipendente: NDVI (Costante) ACQUA CLOR_B TEMP CLA_TEMP CLOR_A a. Variabile dipendente: NDVI Coefficienti non standardizzati Coefficienti a Coefficien ti standardi zzati Statistiche di collinearità B Errore std. Beta t Sig. Tolleranza VIF E E E E Istogramma 0 Variabile dipendente: NDVI 8 Frequenza Dev. Stand =.95 Media = N = 5 Regressione Residuo standardizzato Commento: il modello è poco convincente, sia per i residui che per i VIF -interazione clorofilla b e temperatura 9
20 Riepilogo del modello b R-quadrato Errore std. R R-quadrato corretto della stima.987 a e-02 a. Stimatori: (Costante), CLB_TEMP, ACQUA, TEMP, CLOR_A, CLOR_B b. Variabile dipendente: NDVI (Costante) ACQUA CLOR_B TEMP CLOR_A CLB_TEMP a. Variabile dipendente: NDVI Coefficienti non standardizzati Coefficienti a Coefficien ti standardi zzati Statistiche di collinearità B Errore std. Beta t Sig. Tolleranza VIF E E E E Istogramma 8 Variabile dipendente: NDVI 6 Frequenza Dev. Stand =.95 Media = N = 5 Regressione Residuo standardizzato Commento: R 2 elevato, VIF molto elevato per clor_b, residui leptocurtici. E' stato fatto un tentativo per eliminare il termine clor_b ma l'r 2 si è abbassato (0.984) e i residui sono peggiorati. 20
21 - modello con variabile binaria (=carpino submontano, 0=carpino supramediterraneo) per testare se esiste una differenza significativa ACQUA CLA CLB NDVI TEMP POSIZIONE montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna montagna collina collina collina collina collina collina collina collina collina collina collina collina collina collina 2
22 collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina collina Riepilogo del modello b R-quadrato Errore std. Durbin-W R R-quadrato corretto della stima atson.920 a *********.297 a. Stimatori: (Costante), posizione, ACQUA, TEMP, CLA, CLB b. Variabile dipendente: NDVI (Costante) ACQUA CLA CLB TEMP posizione a. Variabile dipendente: NDVI Coefficienti non standardizzati Coefficienti a Coefficien ti standardi zzati Statistiche di collinearità B Errore std. Beta t Sig. Tolleranza VIF E E E E
23 20 Istogramma Variabile dipendente: NDVI Frequenza Dev. Stand =.97 Media = N = 0 Regressione Residuo standardizzato 23
Regressione Semplice. Correlazioni. sconto leverage. sconto Correlazione di Pearson 1,275. Sign. (a due code),141
Regressione Semplice Analisi Per avere una prima idea della struttura di dipendenza fra le variabili in esame, possiamo cominciare col costruire la matrice di correlazione delle variabili presenti nel
DettagliConfronto fra gruppi: il metodo ANOVA. Nicola Tedesco (Statistica Sociale) Confronto fra gruppi: il metodo ANOVA 1 / 23
Confronto fra gruppi: il metodo ANOVA Nicola Tedesco (Statistica Sociale) Confronto fra gruppi: il metodo ANOVA 1 / 23 1 Nella popolazione, per ciascun gruppo la distribuzione della variabile risposta
DettagliCAPITOLO 5 Introduzione ai piani fattoriali
Douglas C. Montgomery Progettazione e analisi degli esperimenti 2006 McGraw-Hill CAPITOLO 5 Introduzione ai piani fattoriali Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria
Dettagli0.1 Percorrenza e Cilindrata
0.1 Percorrenza e Cilindrata Iniziamo ora un analisi leggermente più complessa basata sempre sui concetti appena introdotti. Innanzi tutto possiamo osservare, dal grafico ottenuto con il comando pairs,
DettagliEsercizio 4 (Regressione multipla)
Esercizio (Regressione multipla) DATI Il data set employee.sav (o employee.xls; fonte SPSS) contiene 7 dati relativi agli impiegati di un azienda. Le variabili sono ID Employee Code BDATE Date of Birth
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.
DettagliEs. la performance all esame in relazione alle ore di studio a casa e alle abilità cognitive
Regressione Tale tecnica esamina e studia la relazione tra una o più variabili indipendenti e una variabile dipendente. L insieme dei parametri riassumono la relazione tra VD e VI, sotto le ipotesi che
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi 6 ESERCIZI RIEPILOGATIVI PRIME 3 LEZIONI REGRESSIONE LINEARE: SPORT - COLESTEROLO ESERCIZIO 8: La tabella seguente
DettagliIl modello di regressione
Il modello di regressione Capitolo e 3 A M D Marcello Gallucci Milano-Bicocca Lezione: II Concentti fondamentali Consideriamo ora questa ipotetica ricerca: siamo andati in un pub ed abbiamo contato quanti
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
DettagliLABORATORIO 5. ANALISI DELLA VARIANZA AD UN CRITERIO DI CLASSIFICAZIONE
LABORATORIO 5. ANALISI DELLA VARIANZA AD UN CRITERIO DI CLASSIFICAZIONE 5.1 ESEMPIO DI ANOVA AD UNA VIA In un esperimento un gruppo di bambini è stato assegnato a caso a 3 trattamenti, allo scopo di determinare
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
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)
DettagliAnalisi Multivariata dei Dati. Regressione Multipla
Analisi Multivariata dei Dati Regressione Multipla A M D Marcello Gallucci Milano-Bicocca Lezione: III Effetti multipli Consideriamo ora il caso in cui la variabile dipendente possa essere spiegata da
DettagliAnalisi della Varianza Fattoriale
Analisi della Varianza Fattoriale AMD Marcello Gallucci marcello.gallucci@unimib.it Ripasso dell ANOVA Lo studio degli effetti di una serie di variabili indipendenti nominale (gruppi) su un variabile dipendente
DettagliAnalisi grafica residui in R. Da output grafico analisi regressionelm1.csv Vedi dispensa. peso-statura
Analisi grafica residui in R Da output grafico analisi regressionelm1.csv Vedi dispensa peso-statura 1) Il plot in alto a sinistra mostra gli errori residui contro i loro valori stimati. I residui devono
DettagliMetodi di regressione multivariata
Metodi di regressione multivariata Modellamento dei dati per risposte quantitative I metodi di regressione multivariata sono strumenti utilizzati per ricercare relazioni funzionali quantitative tra un
DettagliEsercitazione 5 - Statistica (parte II) Davide Passaretti 9/3/2017
Esercitazione 5 - Statistica (parte II) Davide Passaretti 9/3/2017 Contents 1 Inferenza sulla regressione semplice 1 1.1 Test sulla pendenza della retta................................... 1 1.2 Test sull
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, -..
DettagliStatistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1
Statistica Capitolo 1 Regressione Lineare Semplice Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare il significato del coefficiente di correlazione lineare
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
DettagliStima dei parametri di modelli lineari
Stima dei parametri di modelli lineari Indice Introduzione................................ 1 Il caso studio................................ 2 Stima dei parametri............................ 3 Bontà delle
DettagliEsempio 1 (Regressione semplice, punti influenti, regressione multipla, multicollinearità)
Esempio (Regressione semplice, punti influenti, regressione multipla, multicollinearità) DATI Il data set cigarettes.sav (fonte http://www.amstat.org/publications/jse/jse_data_archive.html) contiene dati
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:
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
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)
DettagliIntroduzione all Analisi della Varianza (ANOVA)
Introduzione all Analisi della Varianza (ANOVA) AMD Marcello Gallucci marcello.gallucci@unimib.it Variabili nella Regressione Nella regressione, la viariabile dipendente è sempre quantitativa e, per quello
DettagliCAPITOLO 6 Il piano fattoriale 2 k
Douglas C. Montgomery Progettazione e analisi degli esperimenti 2006 McGraw-Hill CAPITOLO 6 Il piano fattoriale 2 k Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile
DettagliESERCIZI. Regressione lineare semplice CAPITOLO 12 Levine, Krehbiel, Berenson, Statistica II ed., 2006 Apogeo
Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università di Padova Docenti: Prof. L. Salmaso, Dott. L. Corain ESERCIZI Regressione lineare semplice
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi Corso di laurea in Informatica e Bioinformatica 4 ESERCIZI RIEPILOGATIVI PRIME 3 LEZIONI 1 - STATISTICA DESCRITTIVA
DettagliREGRESSIONE lineare e CORRELAZIONE. Con variabili quantitative che si possono esprimere in un ampio ampio intervallo di valori
REGRESSIONE lineare e CORRELAZIONE Con variabili quantitative che si possono esprimere in un ampio ampio intervallo di valori Y X La NATURA e la FORZA della relazione tra variabili si studiano con la REGRESSIONE
DettagliStatistica - metodologie per le scienze economiche e sociali S. Borra, A. Di Ciaccio - McGraw Hill
- metodologie per le scienze economiche e sociali S. Borra, A. Di Ciaccio - McGraw Hill Es. Soluzione degli esercizi del capitolo 8 home - indice In base agli arrotondamenti effettuati nei calcoli, si
DettagliEstratto dal Cap. 8 di: Statistics for Marketing and Consumer Research, M. Mazzocchi, ed. SAGE, 2008.
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano BIVARIATE AND MULTIPLE REGRESSION Estratto dal Cap. 8 di: Statistics for Marketing and Consumer Research, M. Mazzocchi,
DettagliPrefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura
INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI
DettagliAntonella Bodini Istituto di Matematica Applicata e Tecnologie Informatiche E. Magenes del CNR
Antonella Bodini Istituto di Matematica Applicata e Tecnologie Informatiche E. Magenes del CNR Materiale ad uso dei ricercatori che hanno seguito il corso di formazione interna in Statistica, edizione
DettagliUna stima aggregata dell effetto Brunetta Risultati molto preliminari
Una stima aggregata dell effetto Brunetta Risultati molto preliminari Leonello Tronti (Consigliere economico del Ministro) Seminario Assenteismo: i lavori della commissione 22 giugno 2009 Ipotesi di lavoro
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
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
DettagliCAPITOLO 11 ANALISI DI REGRESSIONE
VERO FALSO CAPITOLO 11 ANALISI DI REGRESSIONE 1. V F Se c è una relazione deterministica tra due variabili,x e y, ogni valore dato di x,determinerà un unico valore di y. 2. V F Quando si cerca di scoprire
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,
DettagliIntervallo di fiducia del coefficiente angolare e dell intercetta L intervallo di fiducia del coefficiente angolare (b 1 ) è dato da:
Analisi chimica strumentale Intervallo di fiducia del coefficiente angolare e dell intercetta L intervallo di fiducia del coefficiente angolare (b 1 ) è dato da: (31.4) dove s y è la varianza dei valori
DettagliPresentazione dell edizione italiana Prefazione xix Ringraziamenti xxii Glossario dei simboli xxiii
Sommario Presentazione dell edizione italiana Prefazione xix Ringraziamenti xxii Glossario dei simboli xxiii xv Parte I Statistica descrittiva 1 Capitolo 1 Introduzione 3 Perché studiare statistica? 4
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,
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
DettagliRAPPORTO CER Aggiornamenti
RAPPORTO CER Aggiornamenti 12 Ottobre 2012 LO SPREAD PROSSIMO VENTURO Quanto potrà scendere lo spread Btp-Bund dopo le misure di austerità fiscale? Per rispondere, forniamo una semplice stima derivata
DettagliVARIETÀ. zona geografica A B C D
Anova a 2 vie con repliche (( chiarire che non devono essere esattamente nello stesso numero per ogni cella ovvero per le ripetizioni dei de fattori ma che excel li legge così) Esercizio-esempio 1 Il valore
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
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)
DettagliProva scritta di Affidabilità dei sistemi e controllo statistico di qualità
Prova scritta di Affidabilità dei sistemi e controllo statistico di qualità 18 Febbraio 2016 1. La probabilità di errore nella trasmissione di una cifra binaria attraverso un certo canale di comunicazione
DettagliESERCIZIO 1. Di seguito vengono riportati i risultati di un modello fattoriale di analisi della varianza con 3 fattori tra i soggetti.
ESERCIZIO. Di seguito vengono riportati i risultati di un modello fattoriale di analisi della varianza con fattori tra i soggetti. Variabile dipendente: PERF Sorgente Modello corretto Intercept SEX_96
DettagliCAPITOLO 4 Blocchi casualizzati, quadrati latini e piani collegati
Douglas C. Montgomery Progettazione e analisi degli esperimenti 2006 McGraw-Hill CAPITOLO 4 Blocchi casualizzati, quadrati latini e piani collegati Metodi statistici e probabilistici per l ingegneria Corso
DettagliMulticollinearità. Strumenti quantitativi per la gestione
Multicollinearità Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/3c_mc.html#(1) 1/13 Quando non tutto va come dovrebbe Si parla di multi-collinearità
DettagliAnalisi Multivariata dei Dati
Analisi Multivariata dei Dati Introduzione al corso e al modello statistico A M D Marcello Gallucci Milano-Bicocca Lezione: I Programma Odierno I numeri del corso Programma del corso Concetti Statistici
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
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
DettagliEsercitazione 5 Sta/s/ca Aziendale
Esercitazione 5 Sta/s/ca Aziendale David Aristei 12 maggio 2015 Si è interessa/ ad analizzare le determinan/ a livello aziendale della produ>vità del lavoro (PL, in migliaia di euro per dipendente) di
DettagliRestrizioni lineari nel MRLM: esempi
Restrizioni lineari nel MRLM: esempi Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2013 Rossi Restrizioni lineari: esempi Econometria - 2013 1 / 22 Funzione di produzione Cobb-Douglas Esempio GDP
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 multivariata Donata Rodi 17/10/2016
Statistica multivariata Donata Rodi 17/10/2016 Quale analisi? Variabile Dipendente Categoriale Continua Variabile Indipendente Categoriale Chi Quadro ANOVA Continua Regressione Logistica Regressione Lineare
DettagliRegressione multipla
Regressione multipla L obiettivo è costruire un modello probabilistico per spiegare la variabile y tramite più di una variabile indipendente x 1, x 2,..., x k. Esempio: Per un efficiente progettazione
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
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
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
Dettagli3) ANALISI DEI RESIDUI
3) ANALISI DEI RESIDUI Dopo l analisi di regressione si eseguono alcuni test sui residui per avere una ulteriore conferma della validità del modello e delle assunzioni (distribuzione normale degli errori,
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
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
DettagliEsercizio 2: voto e ore dedicate allo studio
La seguente tabella riporta il voto riportato da 10 studenti all esame di Statistica Sociale e il numero di ore di lezione non seguite dallo studente (il corso prevede 30 ore di lezione). Ci si chiede
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
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
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
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
DettagliESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante.
ESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante. Test di uguaglianza delle medie di gruppo SELF_EFF COLL_EFF COIN_LAV IMPEGNO SODDISF CAP_IST COLLEGHI Lambda di Wilks
DettagliDescrizione per la costruzione del modello di regressione
Descrizione per la costruzione del modello di regressione Formulazione delle Ipotesi Ricerca delle variabili esplicative Dati Modello Stima dei parametri Verifica Modello IL MODELLO DI REGRESSIONE LINEARE
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
DettagliModelli statistici per l analisi dei dati e la valutazione d efficacia Il caso del Comune di Perugia
Modelli statistici per l analisi dei dati e la valutazione d efficacia Il caso del Comune di Perugia Alessandra Pelliccia Matteo Cataldi Matteo Filippo Donadi 0 AGENDA Fonti Descrizione dei dati Variabili
DettagliRegressione lineare multipla CORSO DI ANALISI DEI DATI Anno Accademico 2009/2010, I ciclo
Regressione lineare multipla CORSO DI ANALISI DEI DATI Anno Accademico 2009/2010, I ciclo 1 Controllo di ipotesi sui parametri In questo contesto risulta necessario avvalersi dell assunzione di normalita
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 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
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
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
DettagliElementi di statistica per l econometria
Indice Prefazione i 1 Teoria della probabilità 1 1.1 Definizioni di base............................. 2 1.2 Probabilità................................. 7 1.2.1 Teoria classica...........................
DettagliScheda Corso di STATISTICA (D.M. 270 per 9 CFU) Anno Accademico 2014/2015 (versione in Italiano)
Scheda Corso di STATISTICA (D.M. 270 per 9 CFU) Anno Accademico 2014/2015 (versione in Italiano) FACOLTA :ECONOMIA CORSI DI LAUREA: Economia e Commercio, Psicoeconomia e Scienze Bancarie ed Assicurative
DettagliArgomenti della lezione:
Lezione 13 L analisi della Varianza (ANOVA): il modello lineare Argomenti della lezione: Modello lineare Disegni a una via L Analisi della Varianza (ANOVA): Esamina differenze tra le medie di due o più
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;
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
DettagliRegressioni Non Lineari
Regressioni Non Lineari Fino ad ora abbiamo solo considerato realazioni lineari Ma le relazioni lineari non costituiscono sempre le migliori approssimazioni La regressione multipla può anche essere formulata
DettagliSoluzioni della prova scritta del 6 Marzo 2013 (a.a. 2012/2013)
Soluzioni della prova scritta del 6 Marzo 2013 (a.a. 2012/2013) 1. Per monitorare se la produzione è in controllo statistico costruiamo una carta p. Se x è il vettore dei dati assegnati, le percentuali
DettagliEsercizio 1 GRAFICO 1. X e Y sono indipendenti. X e Y non sono correlate. La correlazione tra X e Y è <1. X e Y sono perfettamente correlate
Esercizio 1 Osservare il grafico 1 riportato in figura che mette in relazione una variabile dipendente Y ed una variabile indipendente X e rispondere alle seguenti domande. 400 300 200 GRAFICO 1 100 0
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
DettagliAnalisi descrittiva: calcolando medie campionarie, varianze campionarie e deviazioni standard campionarie otteniamo i dati:
Obiettivi: Esplicitare la correlazione esistente tra l altezza di un individuo adulto e la lunghezza del suo piede e del suo avambraccio. Idea del progetto: Il progetto nasce dall idea di acquistare scarpe
Dettagli8. ANALISI DELLA COVARIANZA (ANCOVA)
8. ANALISI DELLA COVARIANZA (ANCOVA) L analisi della covarianza è un metodo statistico che risulta dalla combinazione dell analisi di regressione con l analisi della varianza. È utile quando all analisi
DettagliIntroduzione alla Regressione Logistica
Introduzione alla Regressione Logistica Contenuto regressione lineare semplice e multipla regressione logistica lineare semplice La funzione logistica Stima dei parametri Interpretazione dei coefficienti
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
DettagliUniversità del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica
Università del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica Regressione Lineare e Correlazione Argomenti della lezione Determinismo e variabilità Correlazione Regressione Lineare
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
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
DettagliI TEST STATISTICI. dott.ssa Gabriella Agrusti
I TEST STATISTICI dott.ssa Gabriella Agrusti Dulcis in fundo.. come scegliere un test statistico in base all ipotesi come stabilire se due variabili sono associate (correlazione di Pearson) come stabilire
DettagliLa multicollinearità sorge quando c è un elevata correlazione tra due o più variabili esplicative.
Lezione 14 (a cura di Ludovica Peccia) MULTICOLLINEARITA La multicollinearità sorge quando c è un elevata correlazione tra due o più variabili esplicative. In un modello di regressione Y= X 1, X 2, X 3
DettagliDAL CAMPIONE ALLA POPOLAZIONE: LA STIMA DEI PARAMETRI
DAL CAMPIONE ALLA POPOLAZIONE: LA STIMA DEI PARAMETRI Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Università degli Studi di Perugia Versione on-line: http://www.unipg.it/ onofri/rtutorial/index.html
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
Dettagli