Minimi quadrati ordinari Interpretazione geometrica. Eduardo Rossi
|
|
- Isabella Durante
- 6 anni fa
- Visualizzazioni
Transcript
1 Minimi quadrati ordinari Interpretazione geometrica Eduardo Rossi
2 Il MRLM Il modello di regressione lineare multipla è usato per studiare le relazioni tra la variabile dipendente e diverse variabili indipendenti (esplicative). y t = β 1 x t β K x tk + ǫ t t = 1, 2,...,N (1) β 1,...β K parametri fissi ma ignoti, ǫ t ignoto, y t regredendo, v.casuale, x kt regressore, covariata casuale. In genere, uno dei regressori è fissato uguale ad 1,per esempio il primo: x 1t = 1, t; con β 1 intercetta (o costante) dell equazione. Eduardo Rossi c - Econometria 08 2
3 Il metodo dei minimi quadrati I caratteri variano simultaneamente tra gli individui. Il metodo dei minimi quadrati ordinari è un modo per scomporre le differenze nella variabile dipendente fra diverse caratteristiche osservate (variabili esplicative) per le diverse unità nel campione. Il metodo dei minimi quadrati ordinari (in inglese Ordinary Least Squares, OLS) è usato per stimare il valore di β k, k = 1,...,K. Questi sono scelti in modo tale che siano la soluzione al seguente problema: min β 1,...,β K N [y t (β 1 x t1 + β 2 x t β K x tk )] 2 t=1 Il termine minimi quadrati si riferisce alla minimizzazione della somma delle differenze al quadrato. [y t (β 1 x t β K x tk )], gli scarti. Eduardo Rossi c - Econometria 08 3
4 La somma dei quadrati La funzione obiettivo f(β 1,...,β K ) = N [y t (β 1 x t1 + β 2 x t β K x Kt )] 2 (2) t=1 è la sum of squared residuals (somma dei quadrati dei residui). Quando i residui sono valutati in β 1,..., β K i residui sono detti fitted residuals (residui fittati, o residui della regressione). Consideriamo il caso in cui l unica variabile esplicativa è la costante: K = 1 e x 1t = 1, t. OLS trova il valore di β 1 che è il più vicino a y t nel senso della somma dei qudrati dei residui. OLS è la minimizzazione di una funzione quadratica in β 1 e il risultato è la media: N N β 1 = arg min (y t β 1 ) 2 t=1 = y t N t=1 Eduardo Rossi c - Econometria 08 4
5 Notazione β = [β 1, β 2,...,β K ] (K 1) x t = x t1. x tk (K 1) (3) Notazione matriciale y = X = y 1. y N x 1.. x N = (N 1) x 11 x x 1K x 21 x x 2K... x N1 x N2... x NK (N K) Eduardo Rossi c - Econometria 08 5
6 Notazione x 1β. = Xβ x N β Il vettore y raccoglie tutte le osservazioni della variabile dipendente. La matrice X raccoglie le osservazioni sulle variabili esplicative. Ogni colonna di X contiene tutte le osservazioni per la singola variabile esplicativa. Eduardo Rossi c - Econometria 08 6
7 Lo stimatore dei minimi quadrati (OLS) Stimatore = E una regola per calcolare una stima (un numero) dai dati campionari. Il metodo dei minimi quadrati risolve il problema Definiamo β arg min β (y Xβ) (y Xβ) S(β) (y Xβ) (y Xβ) Eduardo Rossi c - Econometria 08 7
8 Lo stimatore dei minimi quadrati (OLS) S(β) β = ( y y 2β X y + β X Xβ ) β = ( 2β X y + β X Xβ ) β = 2 β β X y + ( β X Xβ ) β = 2X y + 2X Xβ Eduardo Rossi c - Econometria 08 8
9 Lo stimatore dei minimi quadrati (OLS) S( β) β = 2X y + 2X X β = 0 (4) Le equazioni normali X y X X β = 0 (5) Lo stimatore OLS è β = (X X) 1 X y (6) Poichè la funzione stimata è lineare nei coefficienti, gli OLS ci danno dei coefficienti stimati che sono somme ponderate delle {y t }. Le stime OLS sono funzioni lineari della variabile dipendente. Questa linearità in {y t } semplifica l analisi statistica degli OLS. Eduardo Rossi c - Econometria 08 9
10 L interpretazione geometrica degli OLS Lo spazio delle colonne di X, Col(X), è il sottospazio lineare di R N coperto dalle combinazioni lineari dei vettori colonna di X: Col(X) {z R N z = Xα, α R k } La procedura di stima OLS trova il vettore in Col(X), µ, che è più vicino a y. µ è detta proiezione di y sul Col(X). Eduardo Rossi c - Econometria 08 10
11 L interpretazione geometrica degli OLS Il metodo OLS risolve: β arg min β (y Xβ) (y Xβ) (7) La somma delle deviazioni al quadrato tra gli elementi di di y e Xβ è il quadrato della distanza Euclidea fra y e Xβ: (y Xβ) (y Xβ) = N (y t x tβ) 2 = y Xβ 2 t=1 Eduardo Rossi c - Econometria 08 11
12 L interpretazione geometrica degli OLS Procedura in due passi: 1. Trovare il punto in un sottospazio che è il più vicino ad un punto che non si trova il quel sottospazio. Il sottospazio è l insieme dei possibili vettori reali N dimensionali Xβ che può essere creato cambiando β e questo sottospazio è lo spazio delle colonne di X. µ arg min µ Col(X) y µ 2 2. Trovare un β che sia soluzione a: µ = X β Eduardo Rossi c - Econometria 08 12
13 L interpretazione geometrica degli OLS Eduardo Rossi c - Econometria 08 13
14 L interpretazione geometrica degli OLS La soluzione al primo passo è unica mentre ci possono essere molte soluzione al secondo problema. Sia β una soluzione di (7) e sia µ = X β. 1. Il vettore dei valori fittati µ è l unica proiezione ortogonale di y su Col(X). 2. Il vettore dei residui fittati y µ è ortogonale a Col(X) 3. Se dim[col(x)] = K, allora (7) ha una soluzione unica: β = (X X) 1 X y = (X X) 1 X µ Eduardo Rossi c - Econometria 08 14
15 L interpretazione geometrica degli OLS Tre idee base: 1. La regressione OLS significa minimizzare la distanza al quadrato tra il vettore osservato y e un vettore di regressione Xβ che appartiene a Col(X). 2. Il vettore dei valori fittati µ = Xβ è la proiezione ortogonale su Col(X). Il vettore dei residui (y µ) è perpendicolare a µ e ad ogni altro vettore in Col(X). 3. Se the dim[col(x)] = K allora β è unico. Eduardo Rossi c - Econometria 08 15
16 Esempio Due osservazioni ed una sola varibile esplicativa (N = 1, K = 1) X = 1 1 ι Col(X) = {z R 2 z 1 = z 2 }, e β = y β = y = arg min β [ (y1 β) 2 + (y 2 β) 2] µ = X β = ιy Eduardo Rossi c - Econometria 08 16
17 Esempio Eduardo Rossi c - Econometria 08 17
18 Esempio Tre osservazioni e due variabili esplicative(n = 3, K = 2) 1 x 12 X = 1 x 22 ι 1 x 32 Col(X) è un piano che contiene tre punti: 0 1 0, X 1 = 1, X 2 = 0 1 x 12 x 22 x 32 Il vettore dei coefficienti stimati β è l unica combinazione lineare di ι e X 2 che eguaglia µ. µ 1 = X 1 β1 µ 2 = X 2 β2 µ = µ 1 + µ 2 Eduardo Rossi c - Econometria 08 18
19 Esempio Eduardo Rossi c - Econometria 08 19
20 Esempio Eduardo Rossi c - Econometria 08 20
21 µ come proiezione ortogonale La dipendenza lineare fra le variabile esplicative non ha un ruolo fondamentale su quanto bene una regressione lineare spiega y. La distanza dipende solo da µ. Mostriamo che µ = X β = X(X X) 1 X y quando le colonne di X sono linearmente indipendenti. Per due vettori µ e µ: ma y µ 2 = y µ + µ µ 2 = y µ 2 + µ µ 2 + 2(y µ) ( µ µ) (y µ) ( µ µ) (y µ) ( µ µ) = 0 Eduardo Rossi c - Econometria 08 21
22 µ come proiezione ortogonale Teorema di Pitagora: Se z 1,z 2 R N e z 1 z 2 allora z 1 + z 2 2 = z z 2 2. in questo caso: y µ 2 = y µ 2 + µ µ 2. Se c è un µ Col(X) tale che X (y µ) = 0 allora per tutti gli altri µ Col(x) µ (y µ) = 0 (µ µ) (y µ) = 0 y µ 2 = y µ 2 + µ µ 2 y µ 2 Eduardo Rossi c - Econometria 08 22
23 µ come proiezione ortogonale Poichè y µ è ortogonale a Col(X), µ è vicino a y almeno quanto un qualunque µ in Col(X) Quindi µ è una soluzione al problema della distanza minima dei OLS µ = arg min y µ 2 µ Col(X) Ma µ è la soluzione unica! La soluzione è unica perchè per ogni altra possibile soluzione µ deve essere che y µ 2 = y µ 2 poichè nessun altro µ è più vicino a µ. Eduardo Rossi c - Econometria 08 23
24 µ come proiezione ortogonale Infatti, il teorema di Pitagora implica che y µ 2 = (y µ) + ( µ µ) 2 = y µ 2 + µ µ 2. perchè (y µ) ( µ µ) quindi µ µ 2 = 0 µ = µ La condizione di ortogonalità caratterizza completamente il vettore OLS dei valori fittati µ. Costruiamo µ per una caso particolare e mostriamo che una soluzione unica esiste. Le equazioni normali stabiliscono che X (y X β) = 0 Eduardo Rossi c - Econometria 08 24
25 µ come proiezione ortogonale risolvendo per X (y X β) = 0 X X β X y = 0 β = (X X) 1 X y dato che X X è nonsingolare. Eduardo Rossi c - Econometria 08 25
26 µ come proiezione ortogonale La soluzione per µ segue µ = X β = X(X X) 1 X y β e µ hanno una relazione 1-a-1. Possiamo anche ottenere β da µ: premoltiplicando per (X X) 1 X (X X) 1 X µ = (X X) 1 X X β = β Eduardo Rossi c - Econometria 08 26
27 Proiezione Teorema Proiezione Sia y R N e S R N un sottospazio lineare. Allora µ S è una soluzione al problema min µ S y µ 2 se e solo se (y µ) S. Inoltre, µ esiste ed è unico. Eduardo Rossi c - Econometria 08 27
28 Proiezione Il teorema identifica il meccanismo di minimizzazione che significa trovare un µ Col(X) tale che y µ Col(X) Secondo, il teorema chiarisce che Col(X) determina l ottimale µ. Eduardo Rossi c - Econometria 08 28
29 Proiettori ortogonali Per ogni y, c è un unica µ, µ = arg min µ S y µ 2 chiamata proiezione di y. La proiezione ortogonale di y è sempre una trasformazione lineare di y: µ = Py P proiettore ortogonale. Nel caso generale che S = Col(X) e X sia di rango-colonna pieno, la matrice P X X(X X) 1 X µ = P X y è la trasformazione lineare di y su Col(X) che produce µ. Eduardo Rossi c - Econometria 08 29
30 Proiettori ortogonali P X ha due proprietà: non modifica i vettori in Col(X) z Col(X) P X z = z trasforma i vettori ortogonali a Col(X) nel vettore zero. z Col(X) P X z = 0 Eduardo Rossi c - Econometria 08 30
31 Proiettori ortogonali Prova z Col(X) esiste un α : z = Xα P X z = P X Xα = X(X X) 1 X Xα = Xα = z Se z Col(X) : z X = 0, X Col(X) cosicchè X z = 0 e P X z = X(X X) 1 X z = 0 Eduardo Rossi c - Econometria 08 31
32 Scomposizione ortogonale z R N, possiamo scomporre z univocamente nel vettore somma z 1 + z 2 dove z 1 Col(X) e z 2 Col (X) {z R N X z = 0}. Dove Col (X) è il complemento ortogonale. Complemento ortogonale Il sottospazio lineare di vettori S, ortogonale al sottospazio S V: S = {v V u v = 0, u S} è chiamato complemento ortogonale di S. E equivalente a scrivere v S come v S. Notiamo che se v S S allora v v = 0 tale che v deve essere il vettore zero. In altre parole S S = {0} Eduardo Rossi c - Econometria 08 32
33 Proiezione ortogonale Sia S R N (sottospazio lineare) tale che per ogni z R N c è un unico z 1 S ed un unico z 2 S tale che z = z 1 + z 2. Allora la funzione da R N a S che associa ogni z con il suo corrispondente z 1 è una proiezione ortogonale. Quando S = Col(X) allora P X z = z 1 è la proiezione ortogonale di z su Col(X). Solo la componente di z in Col(X) sopravvive alla premoltiplicazione per P X. La proiezione ortogonale da R N su un sottospazio S è una trasformazione lineare. (La proiezione ortogonale di una combinazione lineare di vettori uguaglia la combinazione lineare delle proiezioni ortogonali dei singoli vettori). Eduardo Rossi c - Econometria 08 33
34 Proiettore ortogonale Ogni proiezione ortogonale da R N in un sottospazio S può essere rappresentata da una matrice P, chiamata proiettore ortogonale. Sia S R N, z R N c è un unico z 1 S ed un unico z 2 S tale che z = z 1 + z 2. Allora una matrice (N N) P tale che Pz = z 1 è un proiettore ortogonale su S. Un proiettore ortogonale preserva la componente di un vettore in un sottospazio S e annulla la componente nel sottospazio complementare ortogonale S. Se P è un proiettore ortogonale su un sottospazio di R N, allora P è unica. Eduardo Rossi c - Econometria 08 34
35 Proprietà dei Proiettori ortogonali 1. Simmetria P X = X(X X)X = [X(X X)X ] = P X 2. Idempotenza P X P X = [X(X X)X ][X(X X)X ] = X(X X)X = P X 3. Semidefinitezza positiva Per ogni w R N w P X w = w P X P X w = w P XP X w = (P X w) (P X w) = P X w 2 0 Eduardo Rossi c - Econometria 08 35
36 Proprietà dei Proiettori ortogonali Osserviamo che z Col (X) (I P X )z = z z Col(X) (I P X )z = 0 cioè M X = (I P X ) è un proiettore ortogonale su Col (X), il complemento ortogonale di Col(X). Eduardo Rossi c - Econometria 08 36
37 Multicollinearità esatta Se esiste un vettore α R K tale che Xα = 0 allora le colonne di X sono linearmente indipendenti. Questa situazione è detta multicollinearità esatta. Un unico µ esiste anche quando X è di rango ridotto. Quando X e (X X) sono singolari non possiamo usare P X = X(X X) 1 X per trovare P X. Quando dim[col(x)] < K, possiamo trovare P X applicando la formula ad ogni sottoinsieme linearmente indipendente delle colonne di X cioè una base per Col(X). Eduardo Rossi c - Econometria 08 37
38 Multicollinearità esatta Indichiamo con P X il proiettore ortogonale su Col(X) e sia X 1 una matrice composta da un sottoinsieme linearmente di colonne di X tale che allora Col(X 1 ) = Col(X) P X = X 1 (X 1X 1 ) 1 X 1 Eduardo Rossi c - Econometria 08 38
Il modello di regressione lineare multivariata
Il modello di regressione lineare multivariata Eduardo Rossi 2 2 Università di Pavia (Italy) Aprile 2013 Rossi MRLM Econometria - 2013 1 / 39 Outline 1 Notazione 2 il MRLM 3 Il modello partizionato 4 Collinearità
DettagliI. Foglio di esercizi su vettori linearmente dipendenti e linearmente indipendenti. , v 2 = α v 1 + β v 2 + γ v 3. α v 1 + β v 2 + γ v 3 = 0. + γ.
ESERCIZI SVOLTI DI ALGEBRA LINEARE (Sono svolti alcune degli esercizi proposti nei fogli di esercizi su vettori linearmente dipendenti e vettori linearmente indipendenti e su sistemi lineari ) I. Foglio
DettagliMetodo dei minimi quadrati e matrice pseudoinversa
Scuola universitaria professionale della Svizzera italiana Dipartimento Tecnologie Innovative Metodo dei minimi quadrati e matrice pseudoinversa Algebra Lineare Semestre Estivo 2006 Metodo dei minimi quadrati
DettagliSOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n
SPAZI E SOTTOSPAZI 1 SOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n Spazi di matrici. Spazi di polinomi. Generatori, dipendenza e indipendenza lineare, basi e dimensione. Intersezione e somma di sottospazi,
DettagliSISTEMI LINEARI MATRICI E SISTEMI 1
MATRICI E SISTEMI SISTEMI LINEARI Sistemi lineari e forma matriciale (definizioni e risoluzione). Teorema di Rouché-Capelli. Sistemi lineari parametrici. Esercizio Risolvere il sistema omogeneo la cui
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I)
Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I) Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema
DettagliEQUAZIONE DELLA RETTA
EQUAZIONE DELLA RETTA EQUAZIONE DEGLI ASSI L equazione dell asse x è 0. L equazione dell asse y è 0. EQUAZIONE DELLE RETTE PARALLELE AGLI ASSI L equazione di una retta r parallela all asse x è cioè è uguale
DettagliApplicazioni lineari e diagonalizzazione. Esercizi svolti
. Applicazioni lineari Esercizi svolti. Si consideri l applicazione f : K -> K definita da f(x,y) = x + y e si stabilisca se è lineare. Non è lineare. Possibile verifica: f(,) = 4; f(,4) = 6; quindi f(,4)
Dettagli2. APPUNTI SUI FASCI DI CIRCONFERENZE (raccolti dal prof. G. Traversi)
2. APPUNTI SUI FASCI DI CIRCONFERENZE (raccolti dal prof. G. Traversi) La circonferenza è la curva di 2^ grado che viene individuata univocamente da tre punti non allineati e possiede la seguente proprietà:
DettagliRisoluzione di problemi ingegneristici con Excel
Risoluzione di problemi ingegneristici con Excel Problemi Ingegneristici Calcolare per via numerica le radici di un equazione Trovare l equazione che lega un set di dati ottenuti empiricamente (fitting
Dettaglia + 2b + c 3d = 0, a + c d = 0 c d
SPAZI VETTORIALI 1. Esercizi Esercizio 1. Stabilire quali dei seguenti sottoinsiemi sono sottospazi: V 1 = {(x, y, z) R 3 /x = y = z} V = {(x, y, z) R 3 /x = 4} V 3 = {(x, y, z) R 3 /z = x } V 4 = {(x,
DettagliLEZIONE 4. { x + y + z = 1 x y + 2z = 3
LEZIONE 4 4.. Operazioni elementari di riga. Abbiamo visto, nella precedente lezione, quanto sia semplice risolvere sistemi di equazioni lineari aventi matrice incompleta fortemente ridotta per righe.
DettagliFunzioni di regressione non lineari
Funzioni di regressione non lineari Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2013 Rossi Regressione nonlineare Econometria - 2013 1 / 25 Sommario Funzioni di regressione non lineari - note
DettagliLEZIONE N. 11 ( a cura di MADDALENA BEI)
LEZIONE N. 11 ( a cura di MADDALENA BEI) F- test Assumiamo l ipotesi nulla H 0 :β 1,...,Β k =0 E diverso dal verificare che H 0 :B J =0 In realtà F - test è più generale H 0 :Aβ=0 H 1 :Aβ 0 A è una matrice
DettagliSISTEMI LINEARI. x 2y 2z = 0. Svolgimento. Procediamo con operazioni elementari di riga sulla matrice del primo sistema: 1 1 1 3 1 2 R 2 R 2 3R 0 4 5.
SISTEMI LINEARI Esercizi Esercizio. Risolvere, se possibile, i seguenti sistemi: x y z = 0 x + y + z = 3x + y + z = 0 x y = 4x + z = 0, x y z = 0. Svolgimento. Procediamo con operazioni elementari di riga
DettagliESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)
ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Calibrazione intrinseca Spesso risulta utile calibrare la sola componente intrinseca di un sistema di visione (matrice K), e non si dispone di oggetti di forma
DettagliTempo a disposizione: 150 minuti. 1 È dato l endomorfismo f : R 3 R 3 definito dalle relazioni
Università degli Studi di Catania Anno Accademico 2014-2015 Corso di Laurea in Informatica Prova in itinere di Matematica Discreta (12 CFU) 17 Aprile 2015 Prova completa Tempo a disposizione: 150 minuti
DettagliLaboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
Dettagli1) Quali dei seguenti sottoinsiemi del campo dei numeri reali ℝ sono sottospazi vettoriali?
Geometria I lezione del 30 settembre 2013 Presentazione del corso. Nozioni e notazioni: concetti primitivi di insieme, elemento ed appartenenza. Insiemi numerici: i numeri naturali ℕ, gli interi ℤ, i numeri
DettagliRilevazione degli apprendimenti
Rilevazione degli apprendimenti Anno Scolastico 00-0 PROVA DI MATEMATICA Scuola secondaria di II grado Classe... Studente... Simulazioni di prove costruite secondo il Quadro di riferimento Invalsi pubblicato
DettagliAnalisi della correlazione canonica
Analisi della correlazione canonica Su un collettivo di unità statistiche si osservano due gruppi di k ed m variabili L analisi della correlazione canonica ha per obiettivo lo studio delle relazioni di
Dettagli04 - Numeri Complessi
Università degli Studi di Palermo Scuola Politecnica Dipartimento di Scienze Economiche, Aziendali e Statistiche Appunti del corso di Matematica 04 - Numeri Complessi Anno Accademico 2015/2016 M. Tumminello,
DettagliGli OLS come statistica descrittiva
Gli OLS come statistica descrittiva Cos è una statistica descrittiva? È una funzione dei dati che fornisce una sintesi su un particolare aspetto dei dati che a noi interessa; naturalmente, è auspicabile
DettagliMetodi per la risoluzione di sistemi lineari
Metodi per la risoluzione di sistemi lineari Sistemi di equazioni lineari. Rango di matrici Come è noto (vedi [] sez.0.8), ad ogni matrice quadrata A è associato un numero reale det(a) detto determinante
DettagliCirconferenze del piano
Circonferenze del piano 1 novembre 1 Circonferenze del piano 1.1 Definizione Una circonferenza è il luogo dei punti equidistanti da un punto fisso, detto centro. La distanza di un qualunque punto della
Dettagliax 1 + bx 2 + c = 0, r : 2x 1 3x 2 + 1 = 0.
. Rette in R ; circonferenze. In questo paragrafo studiamo le rette e le circonferenze in R. Ci sono due modi per descrivere una retta in R : mediante una equazione cartesiana oppure mediante una equazione
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
Dettagli1 Definizione di sistema lineare omogeneo.
Geometria Lingotto. LeLing1: Sistemi lineari omogenei. Ārgomenti svolti: Definizione di sistema lineare omogeneo. La matrice associata. Concetto di soluzione. Sistemi equivalenti. Operazioni elementari
DettagliLa composizione di isometrie
La composizione di isometrie Quello che è più interessante in una trasformazione geometrica è studiare quali effetti ha sulle figure e soprattutto valutare quali proprietà delle figure di partenza si conservano
DettagliArgomento 13 Sistemi lineari
Sistemi lineari: definizioni Argomento 3 Sistemi lineari I Un equazione nelle n incognite x,,x n della forma c x + + c n x n = b ove c,,c n sono numeri reali (detti coefficienti) eb è un numero reale (detto
DettagliMATRICI E SISTEMI LINEARI
- - MATRICI E SISTEMI LINEARI ) Calcolare i seguenti determinanti: a - c - d - e - f - g - 8 7 8 h - ) Calcolare per quali valori di si annullano i seguenti determinanti: a - c - ) Calcolare il rango delle
DettagliEsercizi svolti. risolvere, se possibile, l equazione xa + B = O, essendo x un incognita reale
Esercizi svolti 1. Matrici e operazioni fra matrici 1.1 Date le matrici 1 2 1 6 A = B = 5 2 9 15 6 risolvere, se possibile, l equazione xa + B = O, essendo x un incognita reale Osservazione iniziale: qualunque
DettagliDistribuzioni campionarie. Antonello Maruotti
Distribuzioni campionarie Antonello Maruotti Outline 1 Introduzione 2 Concetti base Si riprendano le considerazioni fatte nella parte di statistica descrittiva. Si vuole studiare una popolazione con riferimento
DettagliProdotti scalari e matrici
Prodotti scalari e matrici 1 Forme bilineari e matrici In questa sezione vogliamo studiare la corrispondenza biunivoca che esiste tra l insieme delle forme bilineari su di un certo spazio vettoriale V
Dettagli4 0 = 4 2 = 4 4 = 4 6 = 0.
Elementi di Algebra e Logica 2008. Esercizi 4. Gruppi, anelli e campi. 1. Determinare la tabella additiva e la tabella moltiplicativa di Z 6. (a) Verificare dalla tabella moltiplicativa di Z 6 che esistono
DettagliEsercizio. Sia a R non nullo e siano m, n numeri interi non nulli con m n. Allora a m /a n è uguale a. [1] 1/a n m [2] 1/a m n [3] 1/a n m [4] a n m
Sia a R non nullo e siano m, n numeri interi non nulli con m n. Allora a m /a n è uguale a [1] 1/a n m [2] 1/a m n [3] 1/a n m [4] a n m Vale la [1] perché per le proprietà delle potenze risulta a m a
DettagliInformatica Grafica. Un introduzione
Informatica Grafica Un introduzione Rappresentare la Geometria Operabile da metodi di calcolo automatici Grafica Vettoriale Partiamo dalla rappresentazione di un punto... Spazi Vettoriale SPAZI VETTORIALI
DettagliREGRESSIONE E CORRELAZIONE
REGRESSIONE E CORRELAZIONE Nella Statistica, per studio della connessione si intende la ricerca di eventuali relazioni, di dipendenza ed interdipendenza, intercorrenti tra due variabili statistiche 1.
DettagliEsercizi su algebra lineare, fattorizzazione LU e risoluzione di sistemi lineari
Esercizi su algebra lineare, fattorizzazione LU e risoluzione di sistemi lineari 4 maggio Nota: gli esercizi più impegnativi sono contrassegnati dal simbolo ( ) Esercizio Siano 3 6 8 6 4 3 3 ) determinare
DettagliEsercizi sui vettori liberi (i, j, k è una base ortonormale positiva)
Esercizi sui vettori liberi (i, j, k è una base ortonormale positiva) Esercizio 1 Siano v e w due vettori non paralleli.sapendo che v è un versore e che v w =3 trovare l espressione di tutti i vettori
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII
Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII Un breve richiamo sul test t-student Siano A exp (a 1, a 2.a n ) e B exp (b 1, b 2.b m ) due set di dati i cui
Dettagli2x 5y +4z = 3 x 2y + z =5 x 4y +6z = A =
Esercizio 1. Risolvere il sistema lineare 2x 5y +4z = x 2y + z =5 x 4y +6z =10 (1) Soluz. La matrice dei coefficienti è 1 4 6, calcoliamone il rango. Il determinante di A è (applico la regola di Sarrus):
DettagliRipasso tramiti esempi - Applicazioni lineari e matrici
Ripasso tramiti esempi - Applicazioni lineari e matrici Applicazioni lineari associata ad una matrice Avete imparato che data una matrice A K m,n esiste una applicazione lineare associata ad A. Ma come
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
DettagliDisequazioni - ulteriori esercizi proposti 1
Disequazioni - ulteriori esercizi proposti Trovare le soluzioni delle seguenti disequazioni o sistemi di disequazioni:. 5 4 >. 4. < 4. 4 9 5. 9 > 6. > 7. < 8. 5 4 9. > > 4. < 4. < > 9 4 Non esitate a comunicarmi
DettagliCapitolo 2 Le misure delle grandezze fisiche
Capitolo 2 Le misure delle grandezze fisiche Gli strumenti di misura Gli errori di misura Il risultato di una misura Errore relativo ed errore percentuale Propagazione degli errori Rappresentazione di
DettagliCalcolo di una Regressione lineare semplice con Excel
Calcolo di una Regressione lineare semplice con Excel Inserire i dati In un tabellone vuoto di Excel, inserire i dati di X e di Y. Ad esempio i dati della Tabella 0.1 dovrebbero essere inseriti in Excel
DettagliSISTEMI LINEARI, METODO DI GAUSS
SISTEMI LINEARI, METODO DI GAUSS Abbiamo visto che un sistema di m equazioni lineari in n incognite si può rappresentare in forma matriciale come A x = b dove: A è la matrice di tipo (m, n) dei coefficienti
DettagliChi non risolve esercizi non impara la matematica.
5.5 esercizi 9 Per trovare la seconda equazione ragioniamo così: la parte espropriata del primo terreno è x/00, la parte espropriata del secondo è y/00 e in totale sono stati espropriati 000 m, quindi
DettagliMatematica e-learning - Corso Zero di Matematica. Gli Insiemi. Prof. Erasmo Modica A.A.
Matematica e-learning - Gli Insiemi Prof. Erasmo Modica http://www.galois.it erasmo@galois.it A.A. 2009/2010 1 Simboli Matematici Poiché in queste pagine verranno utilizzati differenti simboli matematici,
DettagliC I R C O N F E R E N Z A...
C I R C O N F E R E N Z A... ESERCITAZIONI SVOLTE 3 Equazione della circonferenza di noto centro C e raggio r... 3 Equazione della circonferenza di centro C passante per un punto A... 3 Equazione della
DettagliFunzioni di secondo grado
Definizione della funzione di secondo grado 1 Funzioni di secondo grado 1 Definizione della funzione di secondo grado f: R R, = a +b +c dove a, b, c ǫ R e a definisce una funzione di secondo grado. A seconda
DettagliEsercizi sui sistemi di equazioni lineari.
Esercizi sui sistemi di equazioni lineari Risolvere il sistema di equazioni lineari x y + z 6 x + y z x y z Si tratta di un sistema di tre equazioni lineari nelle tre incognite x, y e z Poichè m n, la
DettagliLa riduzione a gradini e i sistemi lineari (senza il concetto di rango)
CAPITOLO 4 La riduzione a gradini e i sistemi lineari (senza il concetto di rango) Esercizio 4.1. Risolvere il seguente sistema non omogeneo: 2x+4y +4z = 4 x z = 1 x+3y +4z = 3 Esercizio 4.2. Risolvere
DettagliEsercizi sulle affinità - aprile 2009
Esercizi sulle affinità - aprile 009 Ingegneria meccanica 008/009 Esercizio Sono assegnate nel piano le sei rette r : =, s : =, t : =, r : =, s : =, t : = determinare l affinità che trasforma ordinatamente
DettagliEllisse. DEF: "il luogo dei punti la cui somma delle distanze da due punti dati detti fuochi. è costante"; CONSIDERAZIONI:
Ellisse DEF: "il luogo dei punti la cui somma delle distanze da due punti dati detti fuochi è costante"; CONSIDERAZIONI: Il punto P appartiene all'ellisse se, e solo se, la distanza del punto P dal fuoco
DettagliEQUAZIONI E PROBLEMI: GUIDA D'USO
P.1\5- EQUAZIONI E PROBLEMI: GUIDA D'USO - Prof. I.Savoia, Maggio 2011 EQUAZIONI E PROBLEMI: GUIDA D'USO EQUAZIONI LINEARI INTERE: PROCEDURA RISOLUTIVA Per risolvere le equazioni numeriche intere, si può
DettagliAnalisi della varianza
1. 2. univariata ad un solo fattore tra i soggetti (between subjects) 3. univariata: disegni fattoriali 4. univariata entro i soggetti (within subjects) 5. : disegni fattoriali «misti» L analisi della
DettagliFrancesco Zumbo
La retta - Teorema di Talete - Equazione della retta: passante per due punti, implicita, esplicita - Parallele e Perpendicolari - Fascio Propio e improprio - Intersezione tra rette Francesco Zumbo www.francescozumbo.it
Dettagli1 1+e ξ, (1) P A (ξ) = P B (ξ) = 1 1+e ξ (3) In figura (1) riportiamo l andamento delle probabilità P A (ξ) e P B (ξ). P A,P B
Algoritmo di Elo generalizzato AEg Marcello Colozzo Siano A e B due giocatori che eseguono un gioco a somma zero G. La probabilità di vittoria per A è: dove P A ξ = +e ξ ξ = βr A R B 2 In questa equazione
DettagliGEOMETRIA LINEARE E CONICHE - GIUGNO 2002. 1. Nello spazio ordinario, assegnato un riferimento ortonormale si considerino le rette: x = z 2 y = z
GEOMETRIA LINEARE E CONICHE - GIUGNO 2002 1. Nello spazio ordinario, assegnato un riferimento ortonormale si considerino le rette: r : x = z y = 0 x = z 2, s : y = z. Dopo aver provato che r ed s sono
DettagliEsercizi di GEOMETRIA e ALGEBRA LINEARE (Ingegneria Ambientale e Civile - Curriculum Ambientale)
Esercizi di GEOMETRIA e ALGEBRA LINEARE (Ingegneria Ambientale e Civile - Curriculum Ambientale). Tra le seguenti matrici, eseguire tutti i prodotti possibili: 2 ( ) A = 0 3 4 B = C = 2 2 0 0 2 D = ( 0
DettagliCampo di Variazione Costituisce la misura di
Statistica2 22/09/2015 I Parametri di dispersione Campo di Variazione Costituisce la misura di PESO ALLA NASCITA DEI BOVINI matricola PESO SESSO 7 38,00 F 8 38,00 F 1 40,00 F 2 40,00 F 5 40,00 F 10 42,00
DettagliPrecorso di Matematica
UNIVERSITÀ DEGLI STUDI ROMA TRE FACOLTA DI ARCHITETTURA Precorso di Matematica Anna Scaramuzza Anno Accademico 2005-2006 4-10 Ottobre 2005 INDICE 1. ALGEBRA................................. 3 1.1 Equazioni
DettagliSistemi differenziali 2 2: esercizi svolti. 1 Sistemi lineari Stabilità nei sistemi lineari
Sistemi differenziali : esercizi svolti 1 Sistemi lineari Stabilità nei sistemi lineari 14 1 Sistemi differenziali : esercizi svolti 1 Sistemi lineari Gli esercizi contrassegnati con il simbolo * presentano
DettagliEsempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica.
Esempio Risultati sperimentali Approssimazione con il criterio dei minimi quadrati Esempio Interpolazione con spline cubica. Esempio 1 Come procedere? La natura del fenomeno suggerisce che una buona approssimazione
DettagliQuali condizionisi si possono richiedere sulla funzione interpolante?
INTERPOLAZIONE Problema generale di INTERPOLAZIONE Dati n punti distinti ( i, i ) i=,..,n si vuole costruire una funzione f() tale che nei nodi ( i ) i=,..n soddisfi a certe condizioni, dette Condizioni
DettagliBosi (a cura di), Corso di scienza delle finanze, il Mulino, 2012 Capitolo I, lezione 1 Il problema e alcune premesse
Il problema e alcune premesse La costruzione della grande frontiera delle utilità e l ottimo l paretiano La scienza delle finanze studia le entrate e le uscite pubbliche con un approccio normativo e positivo
DettagliB7. Problemi di primo grado
B7. Problemi di primo grado B7.1 Problemi a una incognita Per la risoluzione di problemi è possibile usare le equazioni di primo grado. Il procedimento può essere solo indicativo; è fondamentale fare molta
DettagliPunti nel piano cartesiano
Punti nel piano cartesiano In un piano consideriamo due rette perpendicolari che chiamiamo x e. Solitamente, disegniamo la retta x (ascisse) orizzontalmente e orientata da sinistra a destra, la retta e
DettagliEQUAZIONI DI PRIMO GRADO
Cognome... Nome... Equazioni di primo grado EQUAZIONI DI PRIMO GRADO Un'equazione di primo grado e un'uguaglianza tra due espressioni algebriche di primo grado, vera solo per alcuni valori che si attribuiscono
Dettagli12) Metodo dei minimi quadrati e linea di tendenza
12) Metodo dei minimi quadrati e linea di tendenza 43 Si supponga di avere una tabella di dati {y exp i} i=1,,n in funzione di altri dati {x i } i=1,,n che siano il risultato di una qualche misura sperimentale.
Dettaglim = a k n k + + a 1 n + a 0 Tale scrittura si chiama rappresentazione del numero m in base n e si indica
G. Pareschi COMPLEMENTI ED ESEMPI SUI NUMERI INTERI. 1. Divisione con resto di numeri interi 1.1. Divisione con resto. Per evitare fraintendimenti nel caso in cui il numero a del Teorema 0.4 sia negativo,
DettagliAnno scolastico 2015/2016 PROGRAMMA SVOLTO. Docente: Catini Romina. Materie: Matematica. Classe : 4 L Indirizzo Scientifico Scienze Applicate
Anno scolastico 2015/2016 PROGRAMMA SVOLTO Docente: Catini Romina Materie: Matematica Classe : 4 L Indirizzo Scientifico Scienze Applicate UNITA DIDATTICA FORMATIVA 1: Statistica Rilevazione dei dati Rappresentazioni
DettagliALGEBRA VETTORIALE Corso di Fisica per la Facoltà di Farmacia, Università Gabriele D Annunzio, Chieti-Pescara, Cosimo Del Gratta 2008
LGER VETTORILE DEFINIZIONE DI VETTORE (1) Sia E lo spazio tridimensionale della geometria euclidea. Consideriamo due punti e appartenenti a E Si chiama segmento orientato, e si indica con (,) il segmento
Dettaglideterminare le coordinate di P ricordando la relazione che permette di calcolare le coordinate del punto medio di un segmento si
PROBLEMA Determinare il punto simmetrico di P( ;) rispetto alla retta x y =0 Soluzione Il simmetrico di P rispetto ad una retta r è il punto P che appartiene alla retta passante per P, perpendicolare ad
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
DettagliAnno 3 Equazione dell'ellisse
Anno Equazione dell'ellisse 1 Introduzione In questa lezione affronteremo una serie di problemi che ci chiederanno di determinare l equazione di un ellisse sotto certe condizioni. Al termine della lezione
DettagliANALISI MULTIVARIATA
ANALISI MULTIVARIATA Marcella Montico Servizio di epidemiologia e biostatistica... ancora sulla relazione tra due variabili: la regressione lineare semplice VD: quantitativa VI: quantitativa Misura la
DettagliAppunti ed esercizi sulle coniche
1 LA CIRCONFERENZA 1 Appunti ed esercizi sulle coniche Versione del 1 Marzo 011 1 La circonferenza Nel piano R, fissati un punto O = (a, b) e un numero r > 0, la circonferenza (o cerchio) C di centro O
DettagliNumeri naturali ed operazioni con essi
Liceo B. Russell VIA IV NOVEMBRE 35, 38023 CLES Indirizzo: Liceo Linguistico CLASSI Programmazione Didattica 1 e Disciplina: MATEMATICA Ore annue: 110 MODULO 1 TEORIA DEGLI INSIEMI E INSIEMI NUMERICI settembre
DettagliESERCIZI DI ALGEBRA LINEARE E COMPLEMENTI DI GEOMETRIA
SRCIZI DI ALGBRA LINAR COMPLMNTI DI GOMTRIA Foglio 3 sercizio 1. Determinare la decomposizione LU della matrice reale simmetrica A = 1 2 1 2 5 3 1 3 4 sercizio 2. Determinare la decomposizione LU della
DettagliStatistica descrittiva: misure di associazione
Statistica descrittiva: misure di associazione L analisi di regressione permette di esplorare le relazioni tra due insiemi di valori (p.e. i valori di due attributi di un campione) alla ricerca di associazioni.
Dettagli3. Segni della funzione (positività e negatività)
. Segni della funzione (positività e negatività) Questo punto, qualora sia possibile algebricamente, ci permette di stabilire il segno che assume la variabile dipendente y (che esprime il valore della
DettagliCURRICOLO VERTICALE PER COMPETENZE DISCIPLINARI. Scuola Secondaria di Primo Grado Matematica -
CURRICOLO VERTICALE PER COMPETENZE DISCIPLINARI Scuola Secondaria di Primo Grado Matematica - Classe Prima COMPETENZA CHIAVE EUROPEA: COMPETENZA MATEMATICA Profilo dello studente al termine del Primo ciclo
Dettagli1. riconoscere la risolubilità di equazioni e disequazioni in casi particolari
Secondo modulo: Algebra Obiettivi 1. riconoscere la risolubilità di equazioni e disequazioni in casi particolari 2. risolvere equazioni intere e frazionarie di primo grado, secondo grado, grado superiore
Dettagli7 2 =7 2=3,5. Casi particolari. Definizione. propria se < impropria se > e non è multiplo di b. apparente se è un multiplo di. Esempi.
NUMERI RAZIONALI Q Nell insieme dei numeri naturali e nell insieme dei numeri interi relativi non è sempre possibile effettuare l operazione di divisione. Infatti, eseguendo la divisione 7 2 si ottiene
DettagliEsame di FONDAMENTI DI AUTOMATICA (9 crediti) SOLUZIONE
Esame di FONDAMENTI DI AUTOMATICA (9 crediti) Prova scritta 16 luglio 2014 SOLUZIONE ESERCIZIO 1. Dato il sistema con: si determinino gli autovalori della forma minima. Per determinare la forma minima
DettagliDefinizione: Dato un sottoinsieme non vuoti di. Si chiama funzione identica o identità di in sé la funzione tale che.
Esercitazioni di Analisi Matematica Prof.ssa Chiara Broggi Materiale disponibile su www.istitutodefilippi.it/claro Lezione 2: Funzioni reali e loro proprietà Definizione: Siano e due sottoinsiemi non vuoti
Dettaglivalore di a: verso l alto (ordinate crescenti) se a>0, verso il basso (ordinate decrescenti) se a<0;
La parabola è una particolare conica definita come è una curva aperta, nel senso che non può essere contenuta in alcuna superficie finita del piano; è simmetrica rispetto ad una retta, detta ASSE della
DettagliAnno 2. Risoluzione di sistemi di primo grado in due incognite
Anno Risoluzione di sistemi di primo grado in due incognite Introduzione In questa lezione impareremo alcuni metodi per risolvere un sistema di due equazioni in due incognite. Al termine di questa lezione
DettagliInformatica B
2013-2014 Matlab Laboratorio del 14/01/2014 Responsabili di laboratorio: Gianluca Durelli: durelli@elet.polimi.it Luigi Malago : malago@di.unimi.it Materiale di laboratorio reperibile all indirizzo: www.gianlucadurelli.com
DettagliVettori e matrici. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Vettori e matrici Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utentiunifeit/lorenzopareschi/ lorenzopareschi@unifeit Lorenzo Pareschi Univ Ferrara
DettagliTest di restrizioni lineari nel MRLM: Esempi
Test di restrizioni lineari nel MRLM: Esempi Eduardo Rossi Università degli Studi di Pavia Corso di Econometria Marzo 2012 Rossi Test F: esempi 2012 1 / 23 Funzione di produzione Cobb-Douglas Esempio GDP
Dettagli2. Risolvere con il metodo di eliminazione di Gauss con pivoting parziale il seguente sistema lineare:
Esercizi sui metodi diretti per la risoluzione di sistemi lineari 1. Data la matrice 1 0 2 1 3 1 5 2 1 determinare la sua fattorizzazione P LR. Risolvere il sistema Ax = b con b = (3, 5, 6) T mediante
DettagliCORSO ZERO DI MATEMATICA
UNIVERSITÀ DEGLI STUDI DI PALERMO FACOLTÀ DI ARCHITETTURA CORSO ZERO DI MATEMATICA EQUAZIONI E DISEQUAZIONI DI SECONDO GRADO Dr. Erasmo Modica erasmo@galois.it EQUAZIONI DI SECONDO GRADO Definizione: Dicesi
DettagliSTATISTICHE, DISTRIBUZIONI CAMPIONARIE E INFERENZA
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 STATISTICHE, DISTRIBUZIONI CAMPIONARIE
DettagliTeorema del limite centrale TCL
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliLEZIONE 10. S(C,ρ) Figura 10.1
LEZIONE 10 10.1. Sfere nello spazio. In questa lezione studieremo alcuni oggetti geometrici non lineari, circonferenze e sfere nello spazio A 3. Poiché le proprietà delle circonferenze nel piano sono del
Dettagli