Modelli statistici multivariati per la selezione di un portafoglio azionario
|
|
- Giorgio Petrucci
- 8 anni fa
- Visualizzazioni
Transcript
1 Università degli Studi Roma Tre Facoltà di Scienze Matematiche Fisiche e Naturali Sintesi Modelli statistici multivariati per la selezione di un portafoglio azionario Candidata Elena Turetta Relatrice Prof.ssa Alessia Naccarato matricola: Anno Accademico 2011/2012 MSC AMS: 62M10 keywords: Serie storiche, modelli autoregressivi vettoriali, LR-Test
2 1 Sintesi La tesi si occupa di confrontare due modelli statistici per l analisi delle serie storiche al fine di individuare il modello migliore per prevedere l andamento di titoli azionari, ovvero effettuare la selezione di un portafoglio azionario. Nell ambito dell analisi delle serie storiche si distinguono due tipi fondamentali di approccio volti alla creazione di un modello per queste serie: l approccio classico e l approccio moderno. L approccio classico si basa su un analisi di tipo descrittivo e considera la serie storica come una composizione di una componente deterministica e di una componente residuale di minore interesse. L impostazione moderna, la cui nascita può essere fatta risalire agli anni che vanno dalla metà degli anni venti del secolo scorso fino alla fine della seconda guerra mondiale, si basa sull assunzione che esista un determinato processo casuale generatore dei dati. Tale processo è detto processo stocastico. Il più semplice esempio di processo stocastico è apparso alcuni anni prima, quando nel 1907 A. A. Markov introdusse la nozione di catena. Una catena è un processo tale che, se si conosce la distribuzione di probabilità al tempo presente, allora si conosce anche la distribuzione per il futuro, e tutto il passato non ha alcun effetto su di esso. Tuttavia i più grandi sviluppi per l analisi delle serie storiche ci sono stati
3 Sintesi 2 solo negli anni 20, ad opera dello statistico inglese George Udny Yule. Per la precisione, nel 1921 Yule propose uno schema a media mobile, mentre nel 1927, in uno studio sulla periodicità delle macchie solari, introdusse per la prima volta un modello innovativo oggi chiamato schema autoregressivo. Nel 1931 il fisico e statistico inglese Gilbert Thomas Walker generalizzò lo schema di Yule definendo un modello autoregressivo nella forma attualmente usata e, sette anni più tardi, introdusse il modello ARMA, ovvero un processo che combinava insieme le caratteristiche del modello autoregressivo (Auto Regressive model, AR) e quelle del modello a media mobile (Mobile Average model, MA). I processi stocastici di tipo autoregressivo negli anni successivi risultarono fondamentali anche per l analisi delle serie storiche multivariate. Il loro studio, infatti, può essere fatto risalire alla metà del secolo scorso, quando la Cowles Commission, fondazione di ricerca econometrica, effettuò le prime ricerche sistematiche sulla stima dei parametri di equazioni simultanee. Nel 1980 l economista statunitense Christopher Albert Sims introdusse il modello autoregressivo vettoriale (VAR) per lo studio simultaneo di più di una serie storica. I due modelli che prenderemo in considerazione nella tesi sono quelli di tipo autoregressivo, nel caso univariato e nel caso multivariato. In particolare, nel nostro lavoro, considereremo cinque serie storiche appartenenti allo stesso settore industriale, quello bancario, effettueremo un opportuna trasformazione in modo tale da rendere i dati trattabili e metteremo a confronto due casi: il caso in cui le cinque serie siano state generate da un modello di tipo VAR e il caso in cui, invece, ogni serie sia stata generata da un modello
4 Sintesi 3 AR. Cercheremo di capire quale sia il caso più verosimile sulla base dei valori ottenuti per le funzioni di log-verosimiglianza, in modo da riuscire a valutare quale tipo di modello permette una migliore rappresentazione della realtà e quindi la selezione di un portafoglio azionario maggiormente conveniente in termini di rendimento. Nel dettaglio la tesi è così strutturata. Nel primo capitolo si presentano i concetti fondamentali da cui parte il presente lavoro, come il processo stocastico univariato: se indichiamo con Ω lo spazio campionario e con Z un insieme al più numerabile possiamo definire un processo stocastico come un applicazione y : Z Ω R tale che per ogni t Z fissato, y(t, ω) è una variabile casuale. Quando non sarà fondamentale indicare l evento ω, denoteremo la variabile y(t, ω) semplicemente con y t. Successivamente si introduce una proprietà fondamentale per lo studio dei processi stocastici, cioè la stazionarietà in covarianza, detta anche stazionarietà debole, definita nel modo seguente: Definizione. Un processo stocastico {y t } è detto stazionario in covarianza se valgono le seguenti condizioni: E(y t ) = µ V ar(y t ) = σ 2 Cov(y t, y t s ) = γ(s) dove l ultima condizione indica che la covarianza dipende dalla distanza fra y t e y t s ma non dal riferimento temporale t.
5 Sintesi 4 Al termine di questa prima parte, viene introdotto un tipo particolare di processo stocastico, il processo white noise. Questo è il più semplice processo stocastico che si può immaginare, infatti possiede momenti (almeno) fino al secondo ordine costanti nel tempo. Tuttavia si possono dare diverse definizioni di processo white noise, alcune più deboli altre più restrittive; nel nostro lavoro abbiamo preso in considerazione la seguente definizione: Definizione. Un processo white noise {y t } è un processo stocastico in cui le variabili casuali y t sono indipendenti e identicamente distribuite con media nulla e varianza σ 2, ovvero y t i.i.d.(0, σ 2 ). Notiamo che le variabili che costituiscono tale processo non solo risultano essere incorrelate, ma anche indipendenti. Un processo white noise particolare, che useremo nei prossimi capitoli di questa tesi, è il white noise gaussiano, definito come: Definizione. Un processo white noise gaussiano {y t } è un processo white noise in cui le variabili casuali y t sono indipendenti e identicamente distribuite come una normale di media 0 e varianza σ 2, ovvero: y t N(0, σ 2 ) I processi white noise sono sicuramente processi che godono di particolari proprietà ma che, proprio per questo, il più delle volte, non possono essere scelti come modello generatore delle osservazioni che si hanno a disposizione. Abbiamo pertanto bisogno di un modello che meglio si adatti a questo scopo. Nella seconda parte del primo capitolo introduciamo, quindi, il processo autoregressivo, il cui nome deriva dal fatto che esso ha la forma di un
6 Sintesi 5 modello di regressione in cui le variabili esplicative sono i valori passati della variabile dipendente. Il numero di valori passati presi in considerazione indica l ordine del modello. Abbiamo inizialmente considerato i modelli autoregressivi più semplici, ovvero quelli di ordine 1: Definizione. Un processo stocastico si dice autoregressivo di ordine 1 (in breve AR(1)) se il valore assunto dalla variabile y t risulta legato al suo stesso valore al tempo precedente dalla relazione lineare: y t = φy t 1 + u t dove il parametro φ costituisce il coefficiente di regressione lineare e il white noise u t rappresenta il termine di errore. A seconda del valore assunto da φ si distinguono tre casi: φ = 1 il processo è random walk; φ > 1 il processo è esplosivo; φ < 1 il processo è stazionario. Un altro modo di verificare la stazionarietà del processo è quello di analizzare le soluzioni dell equazione caratteristica. φ(z) = 0 con z C dove φ(l) = (1 φl) con L operatore di ritardo che verifica Ly t = y t 1
7 Sintesi 6 Se la soluzione dell equazione caratteristica risulta avere modulo maggiore di uno il processo è stazionario. Successivamente estendiamo questo concetto al caso più generale in cui l ordine del modello sia un generico p 1. Definizione. Un processo stocastico si dice autoregressivo di ordine p (in breve AR(p)) se il valore assunto dalla variabile y t risulta legato ai suoi stessi valori passati dalla relazione lineare: y t = φ 1 y t 1 + φ 2 y t φ p y t p + u t dove i parametri φ 1, φ 2,..., φ p costituiscono i coefficienti di regressione lineare e il termine di errore u t è white noise. In questo caso φ(l) = 1 p i=1 φ i L i. Nella pratica per poter utilizzare tali processi per descrivere le serie storiche che si hanno a disposizione si ha la necessità di stimare i parametri. Il capitolo si chiude, infatti, con una trattazione sulla stima utilizzata nei capitoli successivi della tesi, quella di Massima Verosimiglianza. Sotto l ipotesi che u t non solo è white noise, ma white noise gaussiano, si ha che anche y t, in quanto esprimibile come combinazione lineare degli u t, è normalmente distribuito. La funzione di log-verosimiglianza ha, nel caso di ordine 1, la seguente forma ln l(θ, σ 2 ) = T 1 2 mentre nel caso di ordine p è ln l(θ, σ 2 ) = T p 2 ln(2πσ 2 ) 1 2σ 2 ln(2πσ 2 ) 1 2σ 2 T (y t φy t 1 ) 2 t=2 T (y t φ 1 y t 1... φ p y t p ) 2 t=p+1
8 Sintesi 7 Il secondo capitolo è dedicato alla descrizione dei processi autoregressivi di tipo multivariato, ed in particolare ai processi VAR. Definizione. Un processo stocastico multivariato di dimensione K è un applicazione y : Z Ω R K tale che per ogni t Z fissato, con Z insieme al più numerabile, y(t, ω) è una variabile casuale multivariata, denotata spesso con y t. Come nel caso univariato, anche in più dimensioni il processo stocastico più semplice è quello white noise Definizione. Un processo stocastico multivariato {y t } si dice white noise se valgono le seguenti condizioni E(y t ) = 0 E(y t y t) = Σ y E(y t, y s ) = 0 se s t con la matrice di covarianza Σ y che si assume definita positiva. Un particolare processo multivariato è il processo VAR (Vector Auto- Regressive). Definizione. Un processo autoregressivo vettoriale di ordine p è un modello della forma: y t = ν + A 1 y t 1 + A 2 y t A p y t p + u t (1)
9 Sintesi 8 dove y t = (y 1t,..., y Kt ), ν = (ν 1,..., ν K ) è un vettore di K costanti, u t = (u 1t,..., u Kt ) è un vettore di K errori white noise, mentre α 11,i α 1K,i A i =..... i = 1,..., p α K1,i α KK,i è una matrice K K. Un risultato che useremo più avanti nel nostro lavoro è il seguente: Proposizione. Ogni processo VAR(p) può essere scritto in forma VAR(1), precisamente nella forma Y t = ν + AY t 1 + U t (2) dove Y t = y t ν y t 1 0, ν =, U t =.. y t p+1 0 sono vettori di dimensione (Kp 1) e A 1 A 2 A p 1 A p I K A = 0 I K I K 0 è una matrice di dimensione (Kp Kp). u t 0. 0 Concludiamo il capitolo definendo il concetto di stabilità per processi VAR e dimostrando un importante risultato su questo argomento.
10 Sintesi 9 Definizione. Il processo VAR(p) della forma (2) si dice stabile se det(i Kp Az) 0 per z 1 il che equivale a dire che il processo VAR(p) in forma (1) è stabile se il suo polinomio caratteristico non ha radici sul o nel cerchio unitario det(i K A 1 z A p z p ) 0 per z 1 Proposizione. Se un VAR(p) è stabile allora è stazionario in covarianza. Nel terzo capitolo si illustra la procedura che ci consente di calcolare l ordine di ritardo temporale dei modelli che confronteremo. In particolare si cercherà il valore ottimale di p, ˆp, per evitare che, ad esempio, scegliendo un valore troppo grande si abbia una perdita di precisione nella previsione del modello. La strategia che utilizzeremo sarà quella di effettuare una serie di test d ipotesi del rapporto di verosimiglianza. Chiameremo M il limite superiore per p, ovvero l ordine massimo che il modello VAR potrà assumere. Considereremo la prima coppia di ipotesi: - Ipotesi nulla: H (1) 0 : A M = 0 - Ipotesi alternativa: H (1) 1 : A M 0 Se l ipotesi nulla verrà rigettata l ordine del modello sarà M, altrimenti si procederà sottoponendo al test una nuova coppia di ipotesi: - Ipotesi nulla: H (2) 0 : A M 1 = 0 - Ipotesi alternativa: H (2) 1 : A M 1 0 A M = 0
11 Sintesi 10 se anche in questo caso l ipotesi nulla non verrà rigettata si procederà ancora nella stessa maniera, finchè dopo i 1 volte che non avremo rigettato H 0 le ipotesi da sottoporre al test saranno - Ipotesi nulla: H (i) 0 : A M i+1 = 0 - Ipotesi alternativa: H (i) 1 : A M i+1 0 A M, A M 1,..., A M i+2 = 0 rigettando H 0 avremo ˆp = M i + 1. Per poter effettuare i test descritti è necessario conoscere la forma della statistica test, ovvero: λ LR = 2 [ ln l( β, Σ u ) ln l( β r, Σ r u) ] dove β e β r sono rispettivamente lo stimatore di massima verosimiglianza non vincolato e vincolato di β (β = vec(ν, A 1,..., A p )) ed hanno la seguente forma β = ( (ZZ ) 1 Z I K ) y β r = β + ( (ZZ ) 1 Σ u ) C [ C((ZZ ) 1 Σ u )C ] 1 (c C β) mentre Σ u e Σ r u rappresentano gli stimatori non vincolati e vincolati di massima verosimiglianza di Σ u ed hanno la seguente forma Σ u = 1 T (Y BZ)(Y BZ) Σ r u = 1 T (Y B r Z)(Y B r Z) Tale statistica test si distribuisce come una χ 2 (K 2 ). Proposizione. Sia y t un processo VAR(p) stabile e stazionario della forma (1) dove u t sono errori standard white noise. Supponiamo che il vettore β soddisfi la condizione Cβ = c, dove C è una matrice di dimensione
12 Sintesi 11 K 2 (K 2 p + K) e c è un vettore di K 2 elementi. Sia inoltre ln l la funzione di log-verosimiglianza e siano β r, Σ r u, β e Σ u gli stimatori di massima verosimiglianza vincolati e non vincolati. Allora λ LR = 2 [ ln l( β, Σ u ) ln l( β r, Σ r u) ] = (C β c) [ C((ZZ ) 1 Σ r u)c ] 1 (C β c) + op (1) χ 2 (K 2 ) Nel quarto capitolo effettuiamo una breve analisi descrittiva delle cinque serie storiche, riportando dei grafici che evidenziano le differenze tra le distribuzioni prima e dopo la trasformazione in rendimenti (composti). Le cinque serie storiche che prendiamo in considerazione appartengono al settore bancario e rappresentano le quotazioni mensili di cinque banche diverse riferite al periodo Gennaio 1986 Settembre Rappresentiamo l i-esima serie storica con la seguente notazione, dove ogni x (i) j x (i) = ( x (i) 1, x (i) 2,..., x (i) ) 309 rappresenta la media dei prezzi di chiusura giornalieri. I dati, in questa forma, risultano, però, poco trattabili cioè multimodali e fortemente non normali il che è in contrasto con le ipotesi di base formulate per il modello ed è per questo che si è deciso di trasformarli in rendimenti (composti). A tal proposito, per ciascuna delle cinque serie effettuiamo la seguente trasformazione x (i) = ( ln x (i) 2 ln x (i) 1, ln x (i) 3 ln x (i) 2,..., ln x (i) 309 ln x (i) ) 308 Implementando la serie di test d ipotesi descritti precedentemente otteniamo il valore ottimale di p, ˆp = 7 per cui i due modelli da confrontare, quello
13 Sintesi 12 di tipo AR e quello di tipo VAR, avranno la seguente forma y (i) t = ν (i) + φ (i) 1 y (i) t φ (i) 7 y (i) t 7 + u (i) t i = 1,..., 5 y t = ν + A 1 y t A 7 y t 7 + u t Una volta individuato tale ordine effettueremo una stima dei parametri. A questo punto il calcolo e il confronto delle funzioni di log-verosimiglianza dei modelli ci permetterà di concludere quale tra i modelli AR e VAR descrive meglio il comportamento delle nostre serie bancarie. Le seguenti tabelle riportano i valori dei parametri e il valore della funzione di log-verosimiglianza.
14 Sintesi 13 ν φ1 φ2 φ3 φ4 φ5 φ6 φ7 x x x x e x σ 2 LLF x x x x x Tabella 1: Valori stimati nel caso dei 5 modelli AR(7)
15 Sintesi 14 Tabella 2: Valori stimati nel caso del modello VAR(7) ν A e A A (Continua alla pagina successiva)
16 Sintesi 15 (Continua dalla pagina precedente) A A A A Q (Continua alla pagina successiva)
17 Sintesi 16 (Continua dalla pagina precedente) LLF e+03 Tabella 2: Valori stimati nel caso del modello VAR(7) Osservando i valori della funzione di log-verosimiglianza (LLF, log-likelihood function) notiamo che il modello VAR è quello in cui la funzione di log-verosimiglianza assume valore maggiore, per cui deduciamo che tale modello descrive meglio dei cinque processi AR il comportamente delle serie storiche prese in considerazione.
18 Bibliografia 17 Bibliografia [1] Adelchi Azzalini. Inferenza Statistica, una presentazione basata sul concetto di verosimiglianza. Springer, seconda edizione, [2] Engle R.F. Bollerslev T. e Nelson D.B. ARCH model. Handbook of Econometrics, IV: , [3] Giampiero M. Gallo e Barbara Pacini. Metodi quantitativi per i mercati finanziari. Carocci editore, 2012 edizione, prima edizione [4] Hamilton J.D. Time Series Analysis. Princeton University Press. [5] Magnus J.R. e Neudecker H. Matrix differential calculus with applications in statistics and econometrics [6] Brown K. e Reilly F. Investment Analysis and Portfolio Management. South-Western College Publishing, [7] Helmut Lütkepohl. Introduction to Multiple Time Series Analysis. Springer-Verlag, [8] Alexander M. Mood, Franklin A. Graybill, e Duane C. Boes. Introduzione alla statistica. McGraw-Hill, 1991.
19 Bibliografia 18 [9] Brandt M.W., Goyal A., Santa-Clara P., e Stroud H.R. A simulation approach to dynamic portfolio choice with an application to learning about return predictability. The Review of Financial Studies, 18(3): , [10] Domenico Piccolo. Analisi moderna delle serie storiche. In Atti del Convegno nazionale Napoli, maggio Franco Angeli Editore, [11] Luciano Pieraccini. Fondamenti di inferenza statistica. Giappichelli, 2 edizione, [12] Johansen S. Likelihood-Based Inference in Cointegrated Vector Autoregressive models. Oxford University Press, [13] Christopher A Sims. Macroeconomics and reality. Econometrica, 48(1):1 48, January 1980.
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
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 9 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 TEST D IPOTESI Partiamo da un esempio presente sul libro di testo.
DettagliVerifica di ipotesi e intervalli di confidenza nella regressione multipla
Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2014 Rossi MRLM Econometria - 2014 1 / 23 Sommario Variabili di controllo
DettagliOttimizazione vincolata
Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l
Dettagli1. PRIME PROPRIETÀ 2
RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,
DettagliCorso 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
Dettagli4. Operazioni elementari per righe e colonne
4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
DettagliCORSO 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
Dettagli2. Leggi finanziarie di capitalizzazione
2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
DettagliESERCIZI DI ALGEBRA LINEARE E GEOMETRIA
ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai
DettagliStima 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
DettagliLe funzioni continue. A. Pisani Liceo Classico Dante Alighieri A.S. 2002-03. A. Pisani, appunti di Matematica 1
Le funzioni continue A. Pisani Liceo Classico Dante Alighieri A.S. -3 A. Pisani, appunti di Matematica 1 Nota bene Questi appunti sono da intendere come guida allo studio e come riassunto di quanto illustrato
DettagliRelazioni 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
DettagliE 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
DettagliParte 3. Rango e teorema di Rouché-Capelli
Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici
Dettagli(a cura di Francesca Godioli)
lezione n. 12 (a cura di Francesca Godioli) Ad ogni categoria della variabile qualitativa si può assegnare un valore numerico che viene chiamato SCORE. Passare dalla variabile qualitativa X2 a dei valori
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
Dettagli1 Serie di Taylor di una funzione
Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita
DettagliIndice. 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo... 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità...
Indice 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo............................. 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità.............. 5 i Capitolo 1 Introduzione
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliAppunti sul corso di Complementi di Matematica - prof. B.Bacchelli. 03 - Equazioni differenziali lineari omogenee a coefficienti costanti.
Appunti sul corso di Complementi di Matematica - prof. B.Bacchelli 03 - Equazioni differenziali lineari omogenee a coefficienti costanti. Def. Si dice equazione differenziale lineare del secondo ordine
DettagliBasi di matematica per il corso di micro
Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione
Dettagliu 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k
Capitolo 4 Serie numeriche 4. Serie convergenti, divergenti, indeterminate Data una successione di numeri reali si chiama serie ad essa relativa il simbolo u +... + u +... u, u 2,..., u,..., (4.) oppure
DettagliCalcolo del Valore Attuale Netto (VAN)
Calcolo del Valore Attuale Netto (VAN) Il calcolo del valore attuale netto (VAN) serve per determinare la redditività di un investimento. Si tratta di utilizzare un procedimento che può consentirci di
DettagliProdotto libero di gruppi
Prodotto libero di gruppi 24 aprile 2014 Siano (A 1, +) e (A 2, +) gruppi abeliani. Sul prodotto cartesiano A 1 A 2 definiamo l operazione (x 1, y 1 ) + (x 2, y 2 ) := (x 1 + x 2, y 1 + y 2 ). Provvisto
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 3.1 Introduzione all inferenza statistica Prima Parte Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014
DettagliInferenza statistica I Alcuni esercizi. Stefano Tonellato
Inferenza statistica I Alcuni esercizi Stefano Tonellato Anno Accademico 2006-2007 Avvertenza Una parte del materiale è stato tratto da Grigoletto M. e Ventura L. (1998). Statistica per le scienze economiche,
DettagliMetodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla
Il metodo della regressione può essere esteso dal caso in cui si considera la variabilità della risposta della y in relazione ad una sola variabile indipendente X ad una situazione più generale in cui
DettagliCapitolo 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
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
DettagliPremessa. Esercitazione. Calcolo del reddito nel Conto del reddito. Calcolo del reddito nel Conto del capitale e nel Conto del reddito
Sul calcolo del reddito di fine periodo: riflessioni di base 1 INDICE: Premessa Esercitazione Calcolo del reddito nel Conto del capitale Calcolo del reddito nel Conto del reddito Calcolo del reddito nel
DettagliMODELLO 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
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
Dettagli4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale
4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale Spazi Metrici Ricordiamo che uno spazio metrico è una coppia (X, d) dove X è un insieme e d : X X [0, + [ è una funzione, detta metrica,
DettagliConsideriamo due polinomi
Capitolo 3 Il luogo delle radici Consideriamo due polinomi N(z) = (z z 1 )(z z 2 )... (z z m ) D(z) = (z p 1 )(z p 2 )... (z p n ) della variabile complessa z con m < n. Nelle problematiche connesse al
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
DettagliControlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L.
Parte 3 Aggiornamento: Settembre 2010 Parte 3, 1 Trasformata di Laplace e Funzione di trasferimento Prof. Lorenzo Marconi DEIS-Università di Bologna Tel. 051 2093788 Email: lmarconi@deis.unibo.it URL:
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
DettagliCorso di Risk Management S
Corso di Risk Management S Marco Bee marco.bee@economia.unitn.it Dipartimento di Economia Università di Trento Anno Accademico 2007-2008 Struttura del corso Il corso può essere suddiviso come segue: 1.
Dettagli19. Inclusioni tra spazi L p.
19. Inclusioni tra spazi L p. Nel n. 15.1 abbiamo provato (Teorema 15.1.1) che, se la misura µ è finita, allora tra i corispondenti spazi L p (µ) si hanno le seguenti inclusioni: ( ) p, r ]0, + [ : p
DettagliSTRATEGIA DI TRADING. Turning Points
STRATEGIA DI TRADING Turning Points ANALISI E OBIETTIVI DA RAGGIUNGERE Studiare l andamento dei prezzi dei mercati finanziari con una certa previsione su tendenze future Analisi Tecnica: studio dell andamento
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
DettagliIl Capital asset pricing model è un modello di equilibrio dei mercati, individua una relazione tra rischio e rendimento, si fonda sulle seguenti
Il Capital asset pricing model è un modello di equilibrio dei mercati, individua una relazione tra rischio e rendimento, si fonda sulle seguenti ipotesi: Gli investitori sono avversi al rischio; Gli investitori
DettagliParte 2. Determinante e matrice inversa
Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice
DettagliRegressione Logistica: un Modello per Variabili Risposta Categoriali
: un Modello per Variabili Risposta Categoriali Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 1 / 54 Introduzione Premessa I modelli di regressione
DettagliParte 6. Applicazioni lineari
Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R
Dettaglilezione 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
DettagliIng. Simone Giovannetti
Università degli Studi di Firenze Dipartimento di Elettronica e Telecomunicazioni Ing. Simone Giovannetti Firenze, 29 Maggio 2012 1 Incertezza di Misura (1/3) La necessità di misurare nasce dall esigenza
Dettagli2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione
Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
DettagliSegnali e Sistemi. Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici. Gianni Borghesan e Giovanni Marro
Segnali e Sistemi Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici Gianni Borghesan e Giovanni Marro Indice Introduzione 2. Notazione............................. 2 2 Classificazione
DettagliContabilità generale e contabilità analitica
1/5 Contabilità generale e contabilità analitica La sfida della contabilità analitica è di produrre informazioni sia preventive che consuntive. Inoltre questi dati devono riferirsi a vari oggetti (prodotti,
DettagliLogica Numerica Approfondimento 1. Minimo Comune Multiplo e Massimo Comun Divisore. Il concetto di multiplo e di divisore. Il Minimo Comune Multiplo
Logica Numerica Approfondimento E. Barbuto Minimo Comune Multiplo e Massimo Comun Divisore Il concetto di multiplo e di divisore Considerato un numero intero n, se esso viene moltiplicato per un numero
DettagliIl sistema monetario
Il sistema monetario Premessa: in un sistema economico senza moneta il commercio richiede la doppia coincidenza dei desideri. L esistenza del denaro rende più facili gli scambi. Moneta: insieme di tutti
Dettagli10. Insiemi non misurabili secondo Lebesgue.
10. Insiemi non misurabili secondo Lebesgue. Lo scopo principale di questo capitolo è quello di far vedere che esistono sottoinsiemi di R h che non sono misurabili secondo Lebesgue. La costruzione di insiemi
DettagliTeoria dei Giochi. Anna Torre
Teoria dei Giochi Anna Torre Almo Collegio Borromeo 14 marzo 2013 email: anna.torre@unipv.it sito web del corso:www-dimat.unipv.it/atorre/borromeo2013.html IL PARI O DISPARI I II S T S (-1, 1) (1, -1)
DettagliEsercizi test ipotesi. Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010
Esercizi test ipotesi Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Verifica delle ipotesi - Esempio quelli di Striscia la Notizia" effettuano controlli casuali per vedere se le pompe
DettagliLaboratorio di Pedagogia Sperimentale. Indice
INSEGNAMENTO DI LABORATORIO DI PEDAGOGIA SPERIMENTALE LEZIONE III INTRODUZIONE ALLA RICERCA SPERIMENTALE (PARTE III) PROF. VINCENZO BONAZZA Indice 1 L ipotesi -----------------------------------------------------------
Dettagli1.5. ISTOGRAMMA 17. Figura 1.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =0, σ 2 X =1).
.5. ISTOGRAMMA 7.5 Istogramma A partire dalle considerazioni svolte nel paragrafo precedente, posto x m = min(x,,x N e x M = max(x,,x N, possiamo ottenere una stima della densità di probabilità p (x suddividendo
DettagliSia data la rete di fig. 1 costituita da tre resistori,,, e da due generatori indipendenti ideali di corrente ed. Fig. 1
Analisi delle reti 1. Analisi nodale (metodo dei potenziali dei nodi) 1.1 Analisi nodale in assenza di generatori di tensione L'analisi nodale, detta altresì metodo dei potenziali ai nodi, è un procedimento
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliPrincipi di analisi causale Lezione 2
Anno accademico 2007/08 Principi di analisi causale Lezione 2 Docente: prof. Maurizio Pisati Logica della regressione Nella sua semplicità, l espressione precedente racchiude interamente la logica della
DettagliBlanchard, Macroeconomia Una prospettiva europea, Il Mulino 2011 Capitolo IV. I mercati finanziari. Capitolo IV. I mercati finanziari
Capitolo IV. I mercati finanziari 1. La domanda di moneta La moneta può essere usata per transazioni, ma non paga interessi. In realtà ci sono due tipi di moneta: il circolante, la moneta metallica e cartacea,
DettagliComplementi di Analisi per Informatica *** Capitolo 2. Numeri Complessi. e Circuiti Elettrici. a Corrente Alternata. Sergio Benenti 7 settembre 2013
Complementi di Analisi per nformatica *** Capitolo 2 Numeri Complessi e Circuiti Elettrici a Corrente Alternata Sergio Benenti 7 settembre 2013? ndice 2 Circuiti elettrici a corrente alternata 1 21 Circuito
DettagliTransitori del primo ordine
Università di Ferrara Corso di Elettrotecnica Transitori del primo ordine Si consideri il circuito in figura, composto da un generatore ideale di tensione, una resistenza ed una capacità. I tre bipoli
Dettaglix 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0.
Problema. Sia W il sottospazio dello spazio vettoriale R 4 dato da tutte le soluzioni dell equazione x + x 2 + x = 0. (a. Sia U R 4 il sottospazio dato da tutte le soluzioni dell equazione Si determini
DettagliEsercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Alfonso Iodice D Enza April 26, 2007 1...prima di cominciare Contare, operazione solitamente semplice, può diventare complicata se lo scopo
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliUTILIZZATORI A VALLE: COME RENDERE NOTI GLI USI AI FORNITORI
UTILIZZATORI A VALLE: COME RENDERE NOTI GLI USI AI FORNITORI Un utilizzatore a valle di sostanze chimiche dovrebbe informare i propri fornitori riguardo al suo utilizzo delle sostanze (come tali o all
DettagliIDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 40: Filtro di Kalman - introduzione. Struttura ricorsiva della soluzione.
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 40: Filtro di Kalman - introduzione Cenni storici Filtro di Kalman e filtro di Wiener Formulazione del problema Struttura ricorsiva della soluzione
DettagliAPPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI
APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................
DettagliCapitolo II. La forma del valore. 7. La duplice forma in cui si presenta la merce: naturale e di valore.
Capitolo II La forma del valore 7. La duplice forma in cui si presenta la merce: naturale e di valore. I beni nascono come valori d uso: nel loro divenire merci acquisiscono anche un valore (di scambio).
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliLA DISTRIBUZIONE DI PROBABILITÀ DEI RITORNI AZIONARI FUTURI SARÀ LA MEDESIMA DEL PASSATO?
LA DISTRIBUZIONE DI PROBABILITÀ DEI RITORNI AZIONARI FUTURI SARÀ LA MEDESIMA DEL PASSATO? Versione preliminare: 25 Settembre 2008 Nicola Zanella E-Mail: n.zanella@yahoo.it ABSTRACT In questa ricerca ho
DettagliESERCIZI APPLICAZIONI LINEARI
ESERCIZI APPLICAZIONI LINEARI PAOLO FACCIN 1. Esercizi sulle applicazioni lineari 1.1. Definizioni sulle applicazioni lineari. Siano V, e W spazi vettoriali, con rispettive basi B V := (v 1 v n) e B W
DettagliAlgebra booleana. Si dice enunciato una proposizione che può essere soltanto vera o falsa.
Algebra booleana Nel lavoro di programmazione capita spesso di dover ricorrere ai principi della logica degli enunciati e occorre conoscere i concetti di base dell algebra delle proposizioni. L algebra
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi per la media (varianza nota), p-value del test Il manager di un fast-food
DettagliCapitolo 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:
DettagliEquazioni alle differenze finite (cenni).
AL 011. Equazioni alle differenze finite (cenni). Sia a n } n IN una successione di numeri reali. (Qui usiamo la convenzione IN = 0, 1,,...}). Diremo che è una successione ricorsiva o definita per ricorrenza
DettagliCapitolo 4 Probabilità
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 4 Probabilità Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.
DettagliIl database management system Access
Il database management system Access Corso di autoistruzione http://www.manualipc.it/manuali/ corso/manuali.php? idcap=00&idman=17&size=12&sid= INTRODUZIONE Il concetto di base di dati, database o archivio
DettagliOSSERVAZIONI TEORICHE Lezione n. 4
OSSERVAZIONI TEORICHE Lezione n. 4 Finalità: Sistematizzare concetti e definizioni. Verificare l apprendimento. Metodo: Lettura delle OSSERVAZIONI e risoluzione della scheda di verifica delle conoscenze
DettagliGenerazione Automatica di Asserzioni da Modelli di Specifica
UNIVERSITÀ DEGLI STUDI DI MILANO BICOCCA FACOLTÀ DI SCIENZE MATEMATICHE FISICHE E NATURALI Corso di Laurea Magistrale in Informatica Generazione Automatica di Asserzioni da Modelli di Specifica Relatore:
DettagliSistemi di Servizio e Simulazione
Sistemi di Servizio e Simulazione Soluzioni degli esercizi di esame proposti negli appelli dell a.a.2004-05 Sono stati distribuiti sul sito web i testi di tre appelli di esame dell anno accademico 2004-05:
Dettagli1 Applicazioni Lineari tra Spazi Vettoriali
1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!
DettagliALGEBRA DELLE PROPOSIZIONI
Università di Salerno Fondamenti di Informatica Corso di Laurea Ingegneria Corso B Docente: Ing. Giovanni Secondulfo Anno Accademico 2010-2011 ALGEBRA DELLE PROPOSIZIONI Fondamenti di Informatica Algebra
DettagliAnalisi Statistica Spaziale
Analisi Statistica Spaziale Posa D., De Iaco S. posa@economia.unile.it s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA ANNO ACCADEMICO
DettagliLa variabile casuale Binomiale
La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola
DettagliProbabilità discreta
Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che
Dettagliiovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi
iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi Idea di base Supponiamo di avere un idea del valore (incognito) di una media di un campione, magari attraverso
DettagliStatistiche campionarie
Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle
DettagliTecniche di analisi multivariata
Tecniche di analisi multivariata Metodi che fanno riferimento ad un modello distributivo assunto per le osservazioni e alla base degli sviluppi inferenziali - tecniche collegate allo studio della dipendenza
Dettagli