Statistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
|
|
- Renzo Caputo
- 6 anni fa
- Visualizzazioni
Transcript
1 Lezione: approccio stocastico all analisi delle serie storiche 13 aprile 211
2 Programma 1 Approccio stocastico all analisi delle serie storiche
3 Programma 1 Approccio stocastico all analisi delle serie storiche
4 Le serie storiche (o temporali) Una serie storica y 1, y 2,..., y n viene definita come la realizzazione finita di un processo stocastico Y 1, Y 2,..., Y n. Un processo stocastico è definito tramite la distribuzione congiunta di Y 1,..., Y n per ogni n. In generale le Y t non sono fra di loro indipendenti e interessa la distribuzione congiunta per esempio di Y t ed Y t+1. Modelli per serie storiche y t = f (y t 1, y t 2,...) + ε t dove ε t processo stocastico stazionario non direttamente osservabile
5 Proprietà di un processo stocastico 1 Stazionarietà Stazionarietà in senso stretto: se la distribuzione congiunta associata ad n osservazioni rilevate ai tempi 1, 2,..., n è la stessa di quella associata a n osservazioni rilevate ai tempi 1 + h, 2 + h,..., n + h, ossia f (y 1, y 2,..., y n) = f (y 1+h, y 2+h,..., y n+h ) Stazionarietà in senso debole: se valgono le seguenti proprietà: E(Y t ) = µ; σt 2 = Var(Y t ) = σ 2 (costante); γ(t, t + h) = Cov(Y t, Y t+h ) = γ(h), funzione di autocovarianza. 2 Invertibilità: Un processo stocastico è invertibile se esiste una funzione lineare H( ) ed un processo ε w.n. tale che per ogni t sia Y t = H(Y t 1, Y t 2,...) + ε t.
6 Autocorrelazione e correlogramma Autocorrelazione ρ t (h) = Cor(Y t, Y t+h ) = Cov(Y t, Y t+h ) σ Yt σ Yt+h Correlogramma L autocorrelazione campionaria, posto è definita da r(h) = ȳ, yt y t+h y 2 t = yt y t+h y 2 t y 2 t+h
7 Funzione di autocorrelazione parziale La funzione di autocorrelazione parziale è data da π k = Cor(Y t, Y t+h Y t+1, Y t+2,..., Y t+h 1 ) ed legame tra due generiche Y t e Y t+h al netto delle variabili intermedie. Può essere vista come il coefficiente φ kk delle regressioni Y t = c + φ 1h Y t 1 + φ 2h Y t φ hh Y t h
8 Calcolo della autocorrelazione parziale P(h) = 1 ρ(1) ρ(2)... ρ(h 2) ρ(1) ρ(1) 1 ρ(1)... ρ(h 3) ρ(2) ρ(h 1) ρ(h 2) ρ(h 3)... ρ(1) ρ(h) 1 ρ(1) ρ(2)... ρ(h 2) ρ(h 1) ρ(1) 1 ρ(1)... ρ(h 3) ρ(h 2) ρ(h 1) ρ(h 2) ρ(h 3)... ρ(1) 1 N.B. Il denominatore è il determinante della matrice di Toeplitz.
9 Alcuni processi stocastici: Rumore Bianco (White Noise) Autoregressivi (AR) Media Mobile (MA) Autoregressivi a Media Mobile (ARMA)
10 Processo Rumore Bianco Un processo stocastico {ε t } è un rumore bianco (w.n.) se E(ε t ) =, t Var(ε t ) = σ 2 ε, t Cov(ε t, ε t h ) =, t, h Si indica con ε t wn(, σ 2 ε) ed è un processo stazionario in senso debole.
11 Simulazione di un Rumore Bianco Rumore bianco (w.n.) Sample autocorrelation coefficients sacf values k values
12 Processo Autoregressivo (AR) Un processo Autoregressivo di ordine 1, AR(1) è definito come Y t = c + φy t 1 + ε t dove ε t wn(, σε). 2 Il processo AR è sempre invertibile. Ponendo c = e indicando con BY t = Y t 1, Y t = φy t 1 + ε t = φby t + ε t (1 φb)y t = ε t
13 Il processo AR(1) è stazionario? Un processo AR(1) può essere scritto come dove Φ(B) = (1 φb). Φ(B)Y t = ε t Se le radici del polinomio caratteristico Φ(B) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1, allora AR(1) è stazionario. Ciò accade se 1 < φ < 1. Esempio: Il processo Y t =.2Y t 1 + ε t può essere scritto come Y t =.2BY t + ε t, (1.2B)Y t = ε t. Ponendo (1.2B) =, si ricava B = 1.2 = 5 > 1. Quindi il processo Y t è stazionario.
14 Momenti di un processo AR(1) Per un processo AR(1) si può dimostrare che: E(Y t ) = µ = Var(Y t ) = σ 2 ε 1 φ 2 ρ h = φ h { φ h = 1 π h = h > 1
15 Simulazione di un AR(1) con φ =.5 Y t =.5Y t 1 + ε t 2 Simulazione AR(1) con φ=
16 funzioni di autocorrelazione di un AR(1) con φ =.5 Sample autocorrelation coefficients Sample partial autocorrelation coefficients sacf values.2.1 spacf values k values k values
17 Simulazione di un AR(1) con φ =.5 Y t =.5Y t 1 + ε t 1.2 Simulazione AR(1) con φ=
18 funzioni di autocorrelazione di un AR(1) con φ =.5 Sample autocorrelation coefficients Sample partial autocorrelation coefficients sacf values spacf values k values k values
19 Processo Autoregressivo di ordine p, AR(p) Un processo Autoregressivo di ordine p, AR(p) è definito come Y t = c + φ 1 Y t 1 + φ 2 Y t φ p Y t p + ε t dove ε t wn(, σ 2 ε). Il processo AR(p) è sempre invertibile. Ponendo c = e indicando con BY t = Y t 1, B 2 Y t = Y t 2,..., B p Y t = Y t p, Y t = φ 1 Y t 1 + φ 2 Y t φ p Y t p + ε t = φ 1 BY t + φ 2 B 2 Y t φ p B p Y t + ε t (1 φ 1 B φ 2 B 2... φ p B p )Y t = ε t
20 Il processo AR(p) è stazionario? Un processo AR(p) può essere scritto come Φ(B)Y t = ε t dove Φ(B) = (1 φ 1 B φ 2 B 2... φ p B p ). Se le radici del polinomio caratteristico Φ(B) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1, allora AR(p) è stazionario.
21 Funzione di autocorrelazione di un processo AR(p) La funzione di AUTOCORRELAZIONE di un processo AR(p) decade a velocemente. La funzione di AUTOCORRELAZIONE PARZIALE di un processo AR(p) ha il seguente comportamento: { h p π h = h > p
22 Simulazione di un AR(2) con φ 1 =.5 e φ 2 =.38 Y t =.5Y t Y t 2 + ε t.8 Sample autocorrelation coefficients.4 Sample partial autocorrelation coefficients sacf values.2 spacf values k values k values
23 Simulazione di un AR(3) con φ 1 =.5, φ 2 =.3 e φ 3 =.15 Y t =.5Y t 1 +.3Y t Y t 3 + ε t 1.2 Sample autocorrelation coefficients 1.2 Sample partial autocorrelation coefficients sacf values.6.4 spacf values k values k values
24 Processo a Media Mobile di ordine 1, MA(1) Un processo MA(1) è definito come Y t = c + ε t + θε t 1 dove ε t wn(, σε). 2 Il processo MA è sempre stazionario. Ponendo c = e indicando con Bε t = ε t 1, Y t = θε t 1 + ε t = θbε t + ε t Y t = (1 + θb)ε t
25 Il processo MA(1) è invertibile? Un processo MA(1) può essere scritto come dove Θ(B) = (1 + θb). Y t = Θ(B)ε t Se le radici del polinomio caratteristico Θ(B) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1, allora MA(1) è invertibile. Ciò accade se 1 < θ < 1. Esempio: Il processo Y t =.2ε t 1 + ε t può essere scritto come Y t =.2Bε t + ε t, Y t = (1 +.2B)ε t. Ponendo (1 +.2B) =, si ricava B = 1.2 = 5 > 1. Quindi il processo Y t è invertibile.
26 Funzione ACF di un processo MA(1) Per un processo MA(1) si può dimostrare che: { θ h = 1 ρ h = 1+θ 2 h > 1 La funzione di autocorrelazione parziale π h decade a all aumentare di h.
27 Simulazione di un MA(1) con θ =.8 Y t =.8ε t 1 + ε t.6 Sample autocorrelation coefficients.6 Sample partial autocorrelation coefficients sacf values.3.2 spacf values k values k values
28 Simulazione di un MA(1) con φ =.8 Y t =.8ε t 1 + ε t.2 Sample autocorrelation coefficients.2 Sample partial autocorrelation coefficients.1.1 sacf values.1.2 spacf values k values k values
29 Processo Media Mobile di ordine q, MA(q) Un processo MA(q) è definito come dove ε t wn(, σ 2 ε). Y t = c + θ 1 ε t 1 + θ 2 ε t θ q ε t q + ε t Il processo MA(q) è sempre stazionario. Ponendo c = e indicando con Bε t = ε t 1, B 2 ε t = ε t 2,..., B q ε t = ε t q, Y t = θ 1 ε t 1 + θ 2 ε t θ q ε t q + ε t = θ 1 Bε t + θ 2 B 2 ε t θ q B q ε t + ε t Y t = (1 + θ 1 B + θ 2 B θ q B q )ε t
30 Il processo MA(q) è invertibile? Un processo MA(q) può essere scritto come Y t = Θ(B)ε t dove Θ(B) = (1 + θ 1 B + θ 2 B θ p B p ). Se le radici del polinomio caratteristico Θ(B) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1, allora MA(q) è stazionario.
31 Funzione di autocorrelazione di un processo MA(q) La funzione di AUTOCORRELAZIONE PARZIALE di un processo MA(q) decade a velocemente. La funzione di AUTOCORRELAZIONE di un processo MA(Q) ha il seguente comportamento: { h q ρ h = h > q
32 Simulazione di un MA(2) con θ 1 =.6 e θ 2 =.3 Y t =.6ε t 1 +.3ε t 2 + ε t 4 Simulazione MA(2) con θ 1 =.6 e θ 2 =
33 Funzioni di autocorrelazione di un processo MA(2) con θ 1 =.6 e θ 2 =.3 Sample autocorrelation coefficients Sample partial autocorrelation coefficients sacf values spacf values k values k values
34 Simulazione di un MA(3) con θ 1 =.5, θ 2 =.3 e θ 3 =.15 Y t =.4ε t 1.3ε t ε t 3 + ε t 4 Simulazione MA(3) con θ 1 =.4, θ 2 =.3 e θ 3 =
35 Funzioni di autocorrelazione di un processo MA(3)con θ 1 =.5, θ 2 =.3 e θ 3 =.15 Sample autocorrelation coefficients Sample partial autocorrelation coefficients.2.25 sacf values k values spacf values k values
36 Processo AutoRegressivo a Media Mobile di ordine 1,1, ARMA(1,1) Un processo ARMA(1, 1) è definito come dove ε t wn(, σ 2 ε). Ponendo c =, Y t = c + φy t 1 + θε t 1 + ε t Y t φy t 1 = θε t 1 + ε t (1 φb)y t = (1 + θb)ε t
37 Il processo ARMA(1,1) è invertibile e/o stazionario? Un processo ARMA(1, 1) può essere scritto come Φ(B)Y t = Θ(B)ε t dove Φ(B) = (1 φb) e Θ(B) = (1 + θb). Il processo ARMA(1,1) è STAZIONARIO se le radici del polinomio caratteristico 1 φb = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1. Il processo ARMA(1,1) è INVERTIBILE se le radici del polinomio caratteristico 1 + θ(b) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1. ARMA(1,1) è stazionario ed invertibile se 1 < φ < 1 e 1 < θ < 1.
38 Funzione di autocorrelazione di un processo ARMA(1,1) La funzione di AUTOCORRELAZIONE, ρ h di un processo ARMA(1,1) tende a zero all aumentare di h. La funzione di AUTOCORRELAZIONE PARZIALE φ h di un processo ARMA(1,1) tende a all aumentare di h.
39 Simulazione di un ARMA(1,1) con φ 1 =.7 e θ =.2 Y t =.7Y t 1.2ε t 1 + ε t 4 Simulazione ARMA(1,1) con φ=.7 e θ 1 =
40 Funzioni di autocorrelazione di un processo un ARMA(1,1) con φ 1 =.7 e θ =.2 Sample autocorrelation coefficients Sample partial autocorrelation coefficients sacf values.3.2 spacf values k values k values
41 Processo AutoRegressivo a Media Mobile di ordine p,q, ARMA(p,q) Un processo ARMA(p, q) è definito come Y t = c+φ 1 Y t 1 +φ 2 Y t φ p Y t p +ε t +θ 1 ε t 1 +θ 2 ε t θ q ε t q dove ε t wn(, σ 2 ε). Ponendo c =, Y t φ 1 Y t 1 φ 2 Y t 2... φ p Y t p = θ 1 ε t 1 + θ 2 ε t θ q ε t q (1 φ 1 B φ 2 B 2... φ p B p )Y t = (1 + θ 1 B + θ 2 B θ q B q )ε t Φ(B) = Θε t
42 Il processo ARMA(p,q) è invertibile e/o stazionario? Un processo ARMA(p, q) può essere scritto come Φ(B)Y t = Θ(B)ε t dove Φ(B) = ((1 φ 1 B φ 2 B 2... φ p B p ) e Θ(B) = (1 + θ 1 B + θ 2 B θ q B q ). Il processo ARMA(p,q) è STAZIONARIO se le radici del polinomio caratteristico Φ(B) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1. Il processo ARMA(p,q) è INVERTIBILE se le radici del polinomio caratteristico Θ(B) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1.
43 Funzione di autocorrelazione di un processo ARMA(p,q) La funzione di AUTOCORRELAZIONE, ρ h di un processo ARMA(1,1) tende a zero all aumentare di h. La funzione di AUTOCORRELAZIONE PARZIALE φ h di un processo ARMA(1,1) tende a all aumentare di h.
44 Simulazione di un ARMA(3,2) con φ 1 =.4, φ 2 =.3, φ 3 =.2, θ 1 =.3, e θ 2 =.6 Y t =.4Y t 1.3Y t 2 +.2Y t 3.3ε t 1 +.6ε t 2 + ε t 4 Simulazione ARMA(p,q) φ 1 =.4, φ 2 =.3, φ 3 =.2, θ 1 =.3, e θ 2 =
45 Funzioni di autocorrelazione di un processo un ARMA(p,q) con φ 1 =.4, φ 2 =.3, φ 3 =.2, θ 1 =.3, e θ 2 =.6 Sample autocorrelation coefficients Sample partial autocorrelation coefficients.35.3 sacf values spacf values k values k values
Statistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico
DettagliSERIE STORICHE. opportuna, tale che. (1.1) X t = θ i ε t i
SERIE STORICHE 1. Rappresentazioni media mobile e autoregressiva di processi stazionari In questo capitolo discuteremo i modi mediante i quali sia possibile rappresentare un processo stazionario puramente
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
DettagliTipi di Processi Stocastici
Processi Stocastici Definizione intuitiva: un processo stocastico è un insieme ordinato di variabili casuali, indicizzate dal parametro t, spesso detto tempo. Definizione rigorosa: dati uno spazio di probabilità
DettagliModelli stocastici per i rendimenti finanziari
Modelli socasici er i rendimeni finanziari Alcuni rocessi socasici lineari Y Processo MA() μ con ε ~ WN(0, σ ε ) = + ε + θε. Esemio di generazione di un MA() e sima con R Caraerisiche di un rocesso MA()
DettagliSERIE STORICHE - AA Alessandra Luati
SERIE STORICHE - AA2004-2005 Alessandra Luati Programma dettagliato del corso di Analisi delle serie storiche, Laurea triennale in Finanza e assicurazioni, sede di Rimini, I ciclo, periodi 1,2: 27/09/04-29/10/04,
DettagliFondamenti di Automatica
Fondamenti di Automatica Stabilità esterna e analisi della risposta Stabilità esterna e risposta a regime Risposte di sistemi del I e II ordine 2 Stabilità esterna e analisi della risposta Stabilità esterna
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
DettagliANALISI SERIE STORICHE
ANALISI SERIE STORICHE SERIE STORICA: insieme finito di osservazioni di uno stesso fenomeno, ordinate secondo il tempo, con cadenza periodica costante (mensile, trimestrale, annuale ecc.). 8000000 Presenze
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
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
DettagliMassimi e minimi vincolati
Massimi e minimi vincolati Vedremo tra breve un metodo per studiare il problema di trovare il minimo e il massimo di una funzione su di un sottoinsieme dello spazio ambiente che non sia un aperto. Abbiamo
DettagliEsercitazione con R 30 Maggio 2006
Esercitazione con R 30 Maggio 2006 Previsioni per la serie del PIL statunitense Procediamo ad identificare un modello per la serie storica dei dati trimestrali del PIL statunitense. Carichiamo i dati >
Dettagli= 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
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 10. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 10 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 REGRESSIONE LINEARE Date due variabili quantitative, X e Y, si è
DettagliStatistica 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
DettagliScomposizione in fratti semplici
0.0.. Scomposizione in fratti semplici La determinazione dell evoluzione libera e dell evoluzione forzata di un sistema lineare stazionario richiedono l antitrasformazione di una funzione razionale fratta
DettagliSistemi lineari con ingresso stocastico
January 21, 2011 1 Media e densità spettrale 2 Processi a spettro razionale 3 MA 4 AR 5 ARMA 6 ARMAX Media e densità spettrale Media Ipotesi: Y (z) = G(z)U(z) 1 u(t) processo casuale stazionario in senso
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliPrevisioni Statistiche
Previsioni Statistiche Matteo Pelagatti Questa versione: 21 novembre 2011 1 Il problema della previsione Da un punto di vista statistico prevedere significa determinare con il minore errore possibile la
Dettagli1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano
Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una
DettagliProprietà strutturali: Controllabilità e Osservabilità
CONTROLLI AUTOMATICI LS Ingegneria Informatica Proprietà strutturali: Controllabilità e Osservabilità Prof. Claudio Melchiorri DEIS-Università di Bologna Tel. 051 2093034 e-mail: claudio.melchiorri@deis.unibo.it
DettagliANALISI DI SEGNALI BIOLOGICI
ANALISI DI SEGNALI BIOLOGICI A.Accardo accardo@units.it LM Neuroscienze A.A. 2010-11 1 Obiettivi del corso: Individuazione delle caratteristiche principali del segnale EEG quantificate mediante tecniche
DettagliTeoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici
eoria dei Segnali rasmissione binaria casuale; somma di processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it eoria dei Segnali rasmissione
DettagliCANALE STAZIONARIO CANALE TEMPO INVARIANTE
CANALE STAZIONARIO Si parla di un Canale Stazionario quando i fenomeni che avvengono possono essere modellati da processi casuali e le proprietà statistiche di tali processi sono indipendenti dal tempo.
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
DettagliAnalisi delle Serie Temporali lucidi delle lezioni a.a. 2004/05
Analisi delle Serie Temporali lucidi delle lezioni a.a. 2004/05 Guido Masarotto Facoltà di Scienze Statistiche Università di Padova guido.masarotto@unipd.it 16 gennaio 2005 ii Materiale didattico 1. Questi
DettagliCorso di Identificazione dei Modelli e Analisi dei Dati
Corso di Identificazione dei Modelli e Analisi dei Dati Prof. Sergio Bittanti Esercitazione di Laboratorio A.A. 2010-11 Sistemi dinamici lineari a tempo discreto 1. Si consideri il sistema dinamico a tempo
Dettaglilezione 7 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove siamo arrivati? - se siamo interessati a studiare l andamento congiunto di due fenomeni economici - possiamo provare a misurare i due fenomeni e poi usare la lineare semplice
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
DettagliIndice. Prefazione...
Indice Prefazione... IX 1 Introduzione... 1 1.1 L'econometria.... 1 1.2 Struttura del volume... 2 1.3 Esempi ed esercizi... 4 2 Introduzione al modello di regressione lineare... 6 2.1 I minimi quadrati
Dettagli1 Distanza di un punto da una retta (nel piano)
Esercizi 26/10/2007 1 Distanza di un punto da una retta (nel piano) Sia r = {ax + by + c = 0} una retta. Sia P = (p 1, p 2 ) R 2 un punto che non sta sulla retta r. Vogliamo vedere se si può parlare di
Dettagli1 Endogeneità, variabili strumentali
1 Endogeneità, variabili strumentali 1.1 Proprieta dello stimatore OLS Modello statistico y t = β 1 +β 2 x t2 +...+β k x tk +ε t y t = x tβ+ε t, Brevesommario: y t ex t sonovariabiliosservablimentre ε
DettagliModelli lineari generalizzati
Modelli lineari generalizzati Estensione del modello lineare generale Servono allo studio della dipendenza in media di una variabile risposta da una o più variabili antecedenti Vengono attenuate alcune
DettagliLimite. Se D non è limitato si può fare il limite di f(x) per x che tende
Appunti sul corso di Complementi di Matematica,mod.Analisi, prof. B.Bacchelli - a.a. 200/20. 05 - Limiti continuità: Riferimenti: R.Adams, Calcolo Differenziale 2. Capitoli 3., 3.2. - Esercizi 3., 3.2.
DettagliUniversita degli Studi di Ancona Laurea in Ingegneria Meccanica ed Informatica a Distanza Anno Accademico 2005/2006. Matematica 2 (Analisi)
Universita degli Studi di Ancona Laurea in Ingegneria Meccanica ed Informatica a Distanza Anno Accademico 2005/2006 Matematica 2 (Analisi) Nome:................................. N. matr.:.................................
DettagliLaurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2016/2017 Appello 15 Settembre 2017
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 206/207 Appello 5 Settembre 207. Sia r t il log-return di un asset e r m t il log-retun del mercato.
DettagliRenato Morbidelli, Corrado Corradini. Metodi quantitativi. per la gestione ottimale delle acque. Morlacchi Editore U.P.
Renato Morbidelli, Corrado Corradini Metodi quantitativi per la gestione ottimale delle acque Morlacchi Editore U.P. Prima edizione: Margiacchi Galeno Editrice 2011 Seconda edizione rivista e ampliata:
DettagliAnalisi delle Serie Temporali (lucidi delle lezioni)
Indice Analisi delle Serie Temporali (lucidi delle lezioni) Guido Masarotto Facoltà di Scienze Statistiche Università di Padova guido.masarotto@unipd.it 6 gennaio 2003 A. Introduzione, 1 Che cos è una
Dettagli( t) NR( t) NR( t) ( t)
prof Valerio CURCIO Simulazione del prezzo del petrolio 1 1. Processi stocastici stazionari e non stazionari dall analisi del prezzo del petrolio Quello che vogliamo fare in questo articolo è un analisi
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Serie storiche (verso fpca) La tecnica chiamata fpca (functional PCA) esamina serie storiche utilizzando paradigmi propri di PCA. E utile premettere un po di
Dettagliẋ 1 = 2x 1 + (sen 2 (x 1 ) + 1)x 2 + 2u (1) y = x 1
Alcuni esercizi risolti su: - calcolo dell equilibrio di un sistema lineare e valutazione delle proprietà di stabilità dell equilibrio attraverso linearizzazione - calcolo del movimento dello stato e dell
DettagliTraccia della soluzione degli esercizi del Capitolo 3
Traccia della soluzione degli esercizi del Capitolo 3 Esercizio 68 Sia X una v.c. uniformenente distribuita nell intervallo ( π, π, cioè f X ( = π ( π, π (. Posto Y = cos(x, trovare la distribuzione di
DettagliLa procedura Box-Jenkins
La procedura Box-Jenkins La selezione del modello - Procedura di Box e Jenkins (976): procedura per cosruire, a parire dall osservazione dei dai, un modello ARMA ao ad approssimare il processo generaore
DettagliGraficazione qualitativa del luogo delle radici
.. 1.1 1 Graficazione qualitativa del luogo delle radici Esempio. Si faccia riferimento al seguente sistema retroazionato: d(t) G(s) r(t) e(t) K 1(s 1) s(s+1)(s +8s+5) y(t) Per una graficazione qualitativa
DettagliComportamento meccanico dei materiali
Il caso delle travi Sollecitaioni di flessione: piano Sollecitaioni di flessione: piano oduli di resistena Composiione dei momenti: flessione deviata e retta 006 Politecnico di Torino 1 semplice () Seione
DettagliEsercitazione con R. > plot(eps, ylab=" ", xlab="t", main="simulazione di un processo white-noise")
Esercitazione con R 16 Maggio 2006 Corso di Statististica per le Applicazioni Economiche In questa esercitazione lavoreremo con serie storiche generate da modelli ARMA. Introdurremo, quindi, il trend ed
DettagliIl modello di regressione lineare multipla con regressori stocastici
Università di Pavia Il modello di regressione lineare multipla con regressori stocastici Eduardo Rossi Il valore atteso condizionale Modellare l esperimento casuale bivariato nel quale le variabili casuali
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
DettagliMODELLO DI REGRESSIONE LINEARE. le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza,
MODELLO DI REGRESSIONE LINEARE le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza, teorema di Gauss-Markov, verifica di ipotesi e test di
DettagliLA MODELLAZIONE EMPIRICA DELLE RELAZIONI ECONOMICHE: APPLICAZIONI IN STATA 7. Maria Elena Bontempi
LA MODELLAZIONE EMPIRICA DELLE RELAZIONI ECONOMICHE: APPLICAZIONI IN STATA 7 L'econometria delle serie storiche Maria Elena Bontempi e.bontempi@economia.unife.it 1. Alcuni concetti di base...1 2. Come
DettagliStatistica Applicata all edilizia Lezione: carte di controllo
Lezione: carte di controllo E-mail: orietta.nicolis@unibg.it 24 maggio 2007 Programma 1 Fonti di variabilità e controllo di un fenomeno 2 Programma 1 Fonti di variabilità e controllo di un fenomeno 2 Fonti
DettagliTEMI D ESAME DI ANALISI MATEMATICA I
TEMI D ESAME DI ANALISI MATEMATICA I Corso di laurea quadriennale) in Fisica a.a. 003/04 Prova scritta del 3 aprile 003 ] Siano a, c parametri reali. Studiare l esistenza e, in caso affermativo, calcolare
DettagliScomposizione in fratti semplici
0.0. 2.2 Scomposizione in fratti semplici La determinazione dell evoluzione libera e dell evoluzione forzata di un sistema lineare stazionario richiede l antitrasformazione di una funzione razionale fratta
DettagliEsercitazione ENS su processi casuali (13 e 14 Maggio 2008)
Esercitazione ES su processi casuali ( e 4 Maggio 2008) D. Donno Esercizio : Calcolo di autovalori e autovettori Si consideri un processo x n somma di un segnale e un disturbo: x n = Ae π 2 n + w n, n
Dettagli3.6 Metodi basati sui piani di taglio
3.6 Metodi basati sui piani di taglio Problema generale di Programmazione Lineare Intera (PLI) con A matrice m n e b vettore n 1 razionali min{ c t x : x X = {x Z n + : Ax b} } Sappiamo che esiste una
DettagliRisposta in vibrazioni libere di un sistema lineare viscoso a più gradi di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1
Risposta in vibrazioni libere di un sistema lineare viscoso a più gradi di libertà Prof. Adolfo Santini - Dinamica delle Strutture 1 Vibrazioni libere non smorzate 1/6 Le equazioni del moto di un sistema
DettagliAnalisi delle Serie Storiche con R
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Analisi delle Serie Storiche con R Francesca
DettagliAnalisi di Regressione Multivariata. β matrice incognita dei coeff. di regressione (regr. lineare in β)
Analisi di Regressione Multivariata Regressione: metodologia per dedurre info e per anticipare risposte di una variabile dip. Modello classico di regressione lineare: Y {z} n k = {z} X β + ρ {z} {z} n
DettagliSIMULAZIONE - 29 APRILE QUESITI
www.matefilia.it SIMULAZIONE - 29 APRILE 206 - QUESITI Q Determinare il volume del solido generato dalla rotazione attorno alla retta di equazione y= della regione di piano delimitata dalla curva di equazione
DettagliLaurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 27 Giugno 2016
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 205/206 Appello 27 Giugno 206 Per lo svolgimento della prova completa si ha un massimo di due ore. Invece
DettagliProbabilità e Statistica Esercizi
Corso di PIANIFICAZIONE DEI TRASPORTI 1 ing. Antonio Comi Marzo 2006 Probabilità e Statistica Esercizi 1 Variabile aleatoria X(E): funzione che associa ad un evento E dello spazio delle prove un numero
DettagliProcessi stocastici A.A Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo
Processi stocastici A.A. 09 0 Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo G. Sanfilippo 20 maggio 200 Registro delle lezioni. Lezione del 3 Marzo 200, 8-, ore complessive 3 Richiami
Dettagli1. Funzioni implicite
1. Funzioni implicite 1.1 Il caso scalare Sia X R 2 e sia f : X R. Una funzione y : (a, b) R si dice definita implicitamente dall equazione f(x, y) = 0 in (a, b) quando: 1. (x, y(x)) X x (a, b); 2. f(x,
Dettagli' $ Teoria del traffico & % 1
Teoria del traffico Andamento della distribuzione di Poisson P(k) = (λt)k k! e λt 1 k=0 k=1 k=2 k=3 0.8 0.6 P(k) 0.4 0.2 0 0 1 2 3 4 5 λt Proprietá La sovrapposizione di h processi di Poisson aventi frequenze
DettagliModellazione e calcolo assistito di strutture meccaniche
Modellazione e calcolo assistito di strutture meccaniche Lezione 1 Introduzione al metodo FEM Il metodo degli elementi finiti FEM: Finite Element Method E un metodo numerico Inizialmente è stato sviluppato
Dettagli! # %# & # & # #( # & % & % ( & )!+!,!++
! # %# & # & # #( # &! # % & % ( & )!+!,!++ ! # % & & ( ) +,.! / ( # / # % & ( % &,. %, % / / 0 & 1.. #! # ) ) + + + +) #!! # )! # # #.. & & 8. 9 1... 8 & &..5.... < %. Α < & & &. & % 1 & 1.. 8. 9 1.
DettagliEsercizi e soluzioni relativi al Capitolo 10
Esercizi e soluzioni relativi al Capitolo 1 Esercizio 1.1 Sia (Mat 2 2 (R), +, ) l anello delle matrici quadrate di ordine 2 a coefficienti reali. [ Gli ] elementi unitari sono tutte e sole le matrici
DettagliESERCIZI DI ANALISI II Ingegneria Civile e dei Trasporti (M-Z) a.a. 2006/2007
ESERCIZI I ANALISI II Ingegneria Civile e dei Trasporti (M-Z) a.a. 006/007 1 FUNZIONI IN UE VARIABILI (I parte) Insiemi di definizione eterminare gli insiemi di definizione delle seguenti funzioni in due
DettagliFondamenti di Automatica
Fondamenti di Automatica Introduzione e modellistica dei sistemi Introduzione allo studio dei sistemi Modellistica dei sistemi dinamici elettrici Modellistica dei sistemi dinamici meccanici Modellistica
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
DettagliFiltraggio Digitale. Alfredo Pironti. Ottobre Alfredo Pironti Univ. di Napoli Federico II Corso Ansaldo Breda 1 / 20
Filtraggio Digitale Alfredo Pironti Ottobre 2012 Alfredo Pironti Univ. di Napoli Federico II Corso Ansaldo Breda 1 / 20 Filtri Analogici (1) Un filtro analogico è un sistema lineare tempo-invariante (LTI)
DettagliNote sul teorema del Dini
Note sul teorema del Dini S. Spagnolo 1 Punti fissi Data un applicazione ψ : C C, ogni punto z C per cui risulti ψ(z) = z si chiama punto fisso della ψ. Teorema 1 (delle contrazioni) Sia C un sottoinsieme
Dettagli1 Il polinomio minimo.
Abstract Il polinomio minimo, così come il polinomio caratterisico, è un importante invariante per le matrici quadrate. La forma canonica di Jordan è un approssimazione della diagonalizzazione, e viene
DettagliRipasso segnali e processi casuali. Trasmissione dell Informazione
Ripasso segnali e processi casuali 1 Breve ripasso di segnali e trasformate Dato un segnale s(t), la sua densità spettrale si calcola come dove S(f) è la trasformata di Fourier. L energia di un segnale
DettagliLE VARIABILI CASUALI A 1, A 2.,..., A k., p 2.,..., p k. generati da una specifica prova sono necessari ed incompatibili:
LE VARIABILI CASUALI Introduzione Data prova, ad essa risultano associati i k eventi A, A,..., A k con le relative probabilità p, p,..., p k. I k eventi A i generati da una specifica prova sono necessari
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 6 Abbiamo visto: Definizione di popolazione, di campione e di spazio campionario Distribuzione
DettagliFondamenti di Automatica. Unità 3 Equilibrio e stabilità di sistemi dinamici
Fondamenti di Automatica Unità 3 Equilibrio e stabilità di sistemi dinamici Equilibrio e stabilità di sistemi dinamici Equilibrio di sistemi dinamici Linearizzazione di sistemi dinamici Stabilità interna
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
DettagliGli esperimenti condotti da Faraday hanno portato a stabilire l esistenza di una forza elettromotrice e quindi di una corrente indotta in un circuito
Gli esperimenti condotti da Faraday hanno portato a stabilire l esistenza di una forza elettromotrice e quindi di una corrente indotta in un circuito quando: 1) il circuito è in presenza di un campo magnetico
DettagliMETODO DEGLI ELEMENTI FINITI
Tale metodo richiede la valutazione della funzione G(r,s) in un certo numero, n, di "punti di integrazione" nel dominio di definizione. Il numero di tali punti condiziona la precisione della approssimazione.
DettagliRisposta al gradino di un sistema del primo ordine
0.0..4 Risposta al gradino di un sistema del primo ordine Diagramma Si consideri il seguente sistema lineare del primo ordine: G(s) = +τ s L unico parametro che caratterizza il sistema è la costante di
DettagliUniversità degli Studi di Padova Corso di Laurea in Statistica Economia e Finanza MODELLI DI PREVISIONE PER SERIE STORICHE FINANZIARIE
Università degli Studi di Padova Corso di Laurea in Statistica Economia e Finanza MODELLI DI PREVISIONE PER SERIE STORICHE FINANZIARIE Relatore: Prof. Claudio Pizzi Dipartimento di Scienze Statistiche
DettagliPREVISIONE. E inutile cercare di prevedere la componente deterministica. Quindi si opera su valori depurati di questa componente.
PREVISIONE Sono analoghi a quelli di simulazione tranne che per l'uso dell'informazione: - si utilizzano tutte le informazioni disponibili (ingressi) fino all'istante t e si calcola il passo/i passi successivi
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
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,
DettagliModelli statistici per lo studio della Fibrillazione Atriale
Politecnico di Milano Facoltà di Ingegneria dei Sistemi Corso di Studi in Ingegneria Matematica Tesi di Laurea Specialistica Modelli statistici per lo studio della Fibrillazione Atriale Relatore: Prof.ssa
DettagliComunicazioni Elettriche anno accademico Esercitazione 1
Comunicazioni Elettriche anno accademico 003-004 Esercitazione Esercizio Un processo aleatorio a tempo discreto X(n) è definito nel seguente modo: Viene lanciata una moneta. Se il risultato è testa X(n)=
DettagliI teoremi della funzione inversa e della funzione implicita
I teoremi della funzione inversa e della funzione implicita Appunti per il corso di Analisi Matematica 4 G. Mauceri Indice 1 Il teorema della funzione inversa 1 Il teorema della funzione implicita 3 1
DettagliGraficazione qualitativa del luogo delle radici
.. 5.3 1 Graficazione qualitativa del luogo delle radici Esempio. Si faccia riferimento al seguente sistema retroazionato: d(t) G(s) r(t) e(t) K 1(s 1) s(s + 1)(s + 8s + 5) y(t) Per una graficazione qualitativa
DettagliModelli di regressione dinamica
Modelli di regressione dinamica Matteo Pelagatti 25 giugno 2007 Modello di regressione dinamica Il modello di regressione classico coglie solamente relazioni istantanee tra la variabile esplicative e la
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
DettagliTeorie non finanziarie dell investimento
Teorie non finanziarie dell investimento Investimento, Informazione e Razionalità A. M. Variato Saggi di Teoria e Politica Economica, Giuffrè, 2004 Daniela Maggioni Tatiana Conti 1 Teorie non finanziarie
DettagliNUMERI COMPLESSI Esercizi svolti. d) (1 i) 3. b) (1 + i)(1 i)(1 + 3 i) c) 1 i 1
Calcolare le seguenti potenze di i: NUMERI COMPLESSI Esercizi svolti a) i b) i 7 c) i d) i e) i f) i 9 Semplificare le seguenti espressioni: a) i) i i) b) + i) i) + ) 0 i c) i) i) i) d) i) Verificare che
DettagliCONCETTO DI STABILITÀ NEI SISTEMI DI CONTROLLO. Sistema in condizioni di equilibrio a t = 0. d(t) = 0. u(t) = 0. y(t) = 0. Sistema
CONCETTO DI STABILITÀ NEI SISTEMI DI CONTROLLO Sistema in condizioni di equilibrio a t = 0. d(t) = 0 u(t) = 0 Sistema y(t) = 0 Tipi di perturbazione. Perturbazione di durata limitata: u(t) = 0, t > T u
Dettagli1 L analisi discriminante lineare
1 L analisi discriminante lineare L analisi discriminante lineare presuppone che p variabili (quantitative) Y 1,... Y p siano state misurate su osservazioni appartenenti a 2 o più gruppi: G 1,...,G k,
DettagliStabilità dei sistemi in retroazione. Diagrammi polari e teorema di Nyquist
Stabilità dei sistemi in retroazione Diagrammi polari e teorema di Nyquist STABILITA DEI SISTEMI IN RETROAZIONE Vogliamo studiare la stabilità del sistema in retroazione a partire della conoscenza di L(s
DettagliProcessi di Markov. Processi di Markov
Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Un
Dettagli5 Un applicazione: le matrici di rotazione
5 Un applicazione: le matrici di rotazione 51 Rotazioni nel piano di un angolo ϑ Si vuole considerare il caso della rotazione nel piano di un vettore di R di un angolo ϑ assegnato Chiaramente si tratta
Dettagli