Confronto di metodologie statistiche per l analisi di risultati di Customer Satisfaction
|
|
- Leone De Angelis
- 8 anni fa
- Visualizzazioni
Transcript
1 Confronto di metodologie statistiche per l analisi di risultati di Customer Satisfaction S. Gorla: Citroën Italia S.p.A. e Consigliere di giunta AicqCN; E. Belluco: statistico, PG. Della Role: master Black Belt e E. Cascini: consulente six sigma In questo contesto di crisi l asse principale delle aziende si sta spostando sempre di più nella cura verso il Cliente e la sua fidelizzazione. Sempre più aziende iniziano a domandare al Cliente il suo parere e di conseguenza attivandosi in progetti di miglioramento. Ma è sempre chiaro a chi fa tali analisi quali sono gli aspetti principali che il Cliente considera importante per la sua soddisfazione? Questo è il quarto articolo su alcuni nuovi modelli per l analisi dei dati raccolti sulla Soddisfazione del Cliente tramite dei questionari di indagine (i precedenti sono: Una nuova metodologia per l interpretazione di dati di Customer Satisfaction, Nuova metodologia di analisi per la Customer Satisfaction e Ipotesi per un Calcolo della Qualità Attesa). Per fissare le idee poniamo alcuni punti fissi. Supponiamo di utilizzare un questionario per la misura della Customer Satisfaction, (per il nostro calcolo non ha nessuna importanza se l indagine è telefonica, cartacea o face to face). Il questionario è composto di circa quindici domande su alcuni aspetti della Qualità del Servizio erogata al Cliente e da una domanda di soddisfazione globale (Overall). E ininfluente la scala adottata nel questionario perché lavoreremo sui risultati dei vari momenti essenziali di contatto Cliente, utilizzeremo comunque una scala a 4 valori: 4 = Molto Soddisfatto (MS), 3 = Soddisfatto (S), 2 = Insoddisfatto (IS) e 1 = Molto Insoddisfatto (MIS). Supponiamo inoltre, che la domanda relativa alla Overall sia la prima, quindi istintiva e non posta alla fine del questionario, cioè ragionata. Come è noto i risultati relativi ad un Overall istintiva risultano leggermente inferiori a quelli ottenuti con un Overall ragionata. Quello che vogliamo calcolare e proporre è un modello per attribuire il contributo delle risposte alle singole domande alla Soddisfazione Globale, cioè quanto la singola domanda concorre al risultato della Overall, per far questo confronteremo varie metodologie di analisi statistiche. Scala di valutazione 1 4 con 1 Molto Insoddisfatto e 4 Molto Soddisfatto y è la Overall Satisfaction e x sono gli items delle altre domande x 1,1 x 1 x 1,2 x 1,3 x 2 x 1,4 x 2,1 x 2,2 x 2,3 y y 1 y 2 x 2,4 y 3 x n,2 x n,3 x n,4 x n,1 x n y 4 Figura 1: descrizione del modello utilizzato 1/12
2 Consideriamo l indagine, cioè i risultati del questionario, come facenti parte di un processo come illustrato nella figura 2. Abbiamo quindi n input x (le varie domande, con i loro sotto sotto livelli) e un output y (la Overall con i suoi sotto sotto livelli). I dati in nostro possesso sono delle percentuali di medie relative ai risultati di un certo numero di dealer. Non sono i risultati dei singoli rispondenti del singolo dealer. (ad esempio per la domanda sulla Overall abbiamo che il 69 % degli intervistati si ritiene Molto Soddisfatto = valore 4). Elencheremo allora alcune tipologie di analisi e ne faremo un piccolo confronto. Modelli a confronto A) Molte analisi dei risultati delle indagini, utilizzano la correlazione lineare ed il calcolo di R 2 (l importanza è appunto correlata a questo parametro) creando un apposita Satisfaction Map dove correlano Soddisfazione e Importanza. Figura 2: Satisfaction Map con q le singole domande Nella figura precedente è illustrata una Mappa Soddisfazione, calcolata con SPSS, utilizzando la media delle valutazioni sulle singole domande (il valore numerico pesato per la percentuale dei rispondenti) e il coefficiente R 2. B) Possiamo utilizzare il metodo del χ 2 () che fornisce un indice di dipendenza o di non dipendenza tra valori di percentuali. Il test del χ 2 è un test delle ipotesi che permette di confrontare le proporzioni di più campioni. Il test del chi-quadro serve a saggiare l'ipotesi che una certa discrepanza tra frequenze attese e frequenze osservate sia dovuta a: H : al caso (campionamento, imprecisione, errore distribuito, ecc.) H 1 : al fatto che il campione provenga da una popolazione diversa da quella da cui deriva la frequenza attesa. 2/12
3 Il χ 2 è così calcolato: χ 2 = Σ (frequenze osservate - frequenze attese) 2 /(frequenze attese) Le frequenze sono sempre frequenze assolute. Mai si possono utilizzare frequenze percentuali o relative. Le percentuali quindi vanno sempre ritrasformate in frequenze assolute moltiplicandole per il numero di osservazioni. Esiste una tabella di valori critici. Se il valore del χ 2 supera almeno quello tabulato per α =. si accetta l'h 1 e si rifiuta l'h. Valori critici di χ2 corrispondenti a P. e P.1 Probabilità di avere un χ2 maggiore Gradi di libertà α =. o % α =.1 o 1% Figura 3: distribuzione del chi quadro Consideriamo l ipotesi zero H : non esiste nessuna differenza di peso (contributo) delle singole domande sulla Soddisfazione Globale viceversa vale l ipotesi H 1. Confrontiamo le singole valutazioni (Q2, Q3,...) con la valutazione finale (Q1) e ricaviamo il valore di chi-square. Se questo metodo è valido, vale quindi la seguente regola: 3/12
4 - Valori alti di χ 2 indicano "poca relazione o indipendenza" tra le percentuali confrontate. - Valori bassi di χ 2 indicano " relazione o dipendenza" tra le percentuali confrontate. I risultati ottenuti (già ordinati in ordine di importanza) sono riportati nella tabella seguente: Domande χ 2 Q7,89 Q3 8,747 Q14 17,119 Q 18,74 Q2 24,126 Q9 3,286 Q4 3,847 Q12 1,82 Q1 8,64 Q1 111,31 Q13 121,748 Q11 188,416 Tabella 1: risultati del chi quadro La domanda Q7 risulta quindi la più importante quella cioè con il maggior contributo sull Overall. 2 distribuzione del 1 1 Q7 Q3 Q14 Q Q2 Q9 Q4 domande Q12 Q1 Q1 Q13 Q11 Figura 4: Pareto della distribuzione del chi quadro C) Se utilizziamo l analisi fattoriale multi variata, utilizzando il DOE, abbiamo una serie di valori pari a n di livelli n di fattori cioè 4 k con k = il numero dei fattori cioè 13 (le domande) e 4 i livelli (MS, S, Ins; MIns) ottenendo così simulazioni, un numero elevatissimo che neanche il software utilizzato riesce a processare, si limita a solo a 1. simulazioni. 4/12
5 D) La Partial Least Square La, Partial Least Square Regression, consiste in uno sviluppo ulteriore della PCR (PCR: Principal Component Regression), in quanto le componenti utilizzate sono derivate non solo dal set di predittori, ma anche dall insieme delle risposte. In questo modo è possibile massimizzare la varianza non solo delle X del nostro sistema, ma anche delle Y. Così facendo la scelta dei fattori (componenti principali), da impiegare per fare la regressione è fatta in modo ancora più mirato ed efficace. Questo perché non è detto che i componenti principali che spiegano la maggior parte della varianza dei predittori, siano anche i più rilevanti ai fini della regressione. La si differenzia dalla PCR perché utilizza il set di dati delle risposte in modo attivo durante l analisi statistica, ciò permette di bilanciare meglio l informazione contenuta nelle X e nelle Y, riducendo l effetto di grandi ma irrilevanti variazioni dei predittori, ai fini della modellizzazione del fenomeno. La regressione ai minimi quadrati parziali è probabilmente il metodo meno restrittivo delle varie estensioni multivariate del modello di regressione lineare multipla. Questa flessibilità permette di utilizzare tale metodo in situazioni dove l'uso dei metodi multivariati tradizionali è molto limitato, come quando ci sono meno osservazioni che predittori. Inoltre, la regressione ai minimi quadrati parziali può essere usata come strumento di analisi esplorativa per selezionare dei predittori idonei e per identificare gli outlier prima della regressione lineare classica. In generale, a fronte di una più complicata operatività, la fornisce comunque modelli più semplici di quelli costruibili con la PCR ed è in grado di dare risposte esaurienti anche in presenza di dati poco precisi, casi in cui la PCR può fallire. 8 7 Response Plot (response is Q1_2) 9 components Variable Fitted C rossv al,4,3 Confronto tra i valori di regressione di Q1 e Q2 Calculated Response ,2,1, Valori -,1 -,2 -,3 Q2_1 Q2_2 Q2_3 Q2_4 1 -,4 -, Q2_4 Q2_ Actual Response ,6 Q1_1 Q1_2 Q1 Q1_3 Q1_4 Q2_2 Q2_1 Q2 Confronto tra i valori di regressione di Q1 e Q12 Model Selection Plot (response is Q1_1),8,8 optimal Variable Fitted C rossv al,8,6,4 R-Sq,7,7,2, Valori -,2 Q12_1 Q12_2 Q12_3 Q12_4,6,6 -,4 -,6 -,8 Q12_3 Q12_ Components , Q1_1 Q1_2 Q1 Q1_3 Q1_4 Q12_1 Q12_2 Q2 Figura : Esempi di grafici calcolati per con Minitab e Excel /12
6 E) Regression Analisys La statistica cui facciamo riferimento riguarda l analisi per regressioni multiple. Anziché trovare la retta che giunge il più vicino possibile a ciascuno di n punti posti in uno spazio bidimensionale, il problema della regressione multipla diventa quello di trovare l iperpiano k-dimensionale che giunge il più vicino possibile a n punti posti in uno spazio di dimensioni k+1. Nel caso di due variabili indipendenti, ad esempio, l'analisi della regressione multipla individua un piano che minimizza le distanze rispetto ad n punti posti in uno spazio tridimensionale Per una singola osservazione Y i il modello della regressione multipla è: Y i = β + β 1 X 1j + β 2 X 2j + + β k X kj + ε i In caso di due variabili indipendenti, il modello di regressione multipla è: Y i = β + β 1 X 1j + β 2 X 2j + ε i Nell'equazione precedente, il coefficiente parziale della regressione multipla β denota il valore atteso della variabile dipendente quando tutte le variabili indipendenti sono uguali a zero. Il coefficiente β j denota l'incremento atteso di Y in corrispondenza di un incremento unitario di X j, quando tutte le altre variabili indipendenti sono tenute costanti, ε è una variabile aleatoria avente le stesse proprietà del termine d errore del modello della regressione semplice. I coefficienti β sono chiamati coefficienti parziali di regressione con: β = intercetta β 1 = variazione di Y in base alla variabile X 1 tenendo costanti le variabili X 2, X 3,,X k β 2 = variazione di Y in base alla variabile X 2 tenendo costanti le variabili X 1, X 3,,X k β k = variazione di Y in base alla variabile X k tenendo costanti le variabili X 1, X 2,,X k-1 ε i = errore in corrispondenza dell osservazione i Residual Plots for Q1_1 Normal Probability Plot Versus Fits Percent 99, N 188 AD,432 P-Value,32 Residual 1-1,1-1 Residual Fitted Value 8 Histogram Versus Order 4 1 Frequency Residual Residual Observation Order Figura 6: Grafico relativo alla analisi di regressione 6/12
7 Conclusioni Riportiamo ora, il confronto dei risultati relativi alle analisi effettuate con alcune delle metodologie sopra elencate. Confronto tra A) e B) 1, Correlazione e Fitted Line Plot = 17,64 -,38 9, 8, 22 2 S 4,78216 R-Sq 28,4% R-Sq(adj) 21,3% 7, 18 valori normalizzati 6,, 4, 3, , 1 1, 8, Q2_1 Q3_1 Q4_1 Q_1 Q7_1 Q9_1 Q1_1 Q11_1 Q12_1 Q13_1 Q14_1 Q1_1 Domande Distribution Plot R 2 e,9,8,7 Distrib utio n Mean StDev Normal 14,72,388 Distrib utio n df C hi-square 12,6 Density,,4,3,2,1, 1 1 X Figura 7: Grafici calcolati per R 2 e con Minitab Confronto tra A) e D) 1, Correlazione e Fitted Line Plot = 13,7 + 21,11 9, 8, 7, 22 2 S,442 R-Sq,2% R-Sq (adj),% 6, 18, valori normalizzati 4, 3, 2, 1, regressione , -1, Q2_1 Q3_1 Q4_1 Q_1 Q7_1 Q9_1 Q1_1 Q11_1 Q12_1 Q13_1 Q14_1 Q1_1 1-2, -3, -4, Domande 8 -, -,2,,2,,7,1,12 7/12
8 Distribution Plot e Normal 7 6 M ean StDev 14,72,388,4833,7937 Density X Figura 8: Grafici calcolati per R 2 e con Minitab Confronto tra A) e E) 1, Correlazione e p value della regressione Fitted Line Plot = 17,1-6,484 P value 9, 8, 22 2 S,262 R-Sq 13,% R-Sq(adj) 4,9% 7, 18 valori normalizzati 6,, 4, 3, p value , 1 1, 8, Q2_1 Q3_1 Q4_1 Q_1 Q7_1 Q9_1 Q1_1 Q11_1 Q12_1 Q13_1 Q14_1 Q1_1 Domande,,1,2,3,4, P value,6,7,8,9 1,4 1,2 Distribution Plot e p Value Normal M ean StDev 14,72,388,36,347 1, Density,8,6,4,2, 1 1 X Figura 9: Grafici calcolati per R 2 e p value con Minitab 8/12
9 Confronto tra B) e D) 1 Correlazione e Fitted Line Plot = 34, , S 3,878 R-Sq 18,8% R-Sq(adj) 1,7% 6 1 valori normalizzati Q2_1 Q3_1 Q4_1 Q_1 Q7_1 Q9_1 Q1_1 Q11_1 Q12_1 Q13_1 Q14_1 Q1_ Domande -, -,2,,2,,7,1,12 Distribution Plot e 7 6 Distribution Mean StDev Normal,4833,7937 Distribution df Chi-Square 12 Density X Figura 1: Grafici calcolati per e con Minitab Confronto tra B) e E) Correlazione e p value della regressione Fitted Line Plot P value =,379 -,243 1, 9, 8,,9,8,7,6 S,326 R-Sq,2% R-Sq(ad j),% valori normalizzati 7, 6,, 4, p value P value,,4,3,2 3,,1 2,, 1, 1 1 2, Q2_1 Q3_1 Q4_1 Q_1 Q7_1 Q9_1 Q1_1 Q11_1 Q12_1 Q13_1 Q14_1 Q1_1 Domande 9/12
10 1,4 1,2 Distribution Plot chi saquare e p value D istributio n M ean StD ev N o rmal,36,3478 D istributio n df C hi-square 12 1, Density,8,6,4,2, 1 1 X Figura 11: Grafici calcolati per e p value con Minitab Confronto tra D) e E) 1 Correlazione p value della regressione e Fitted Line Plot P value =,488-2, ,9,8,7 S,29346 R-Sq 16,1% R-Sq(adj) 7,7%,6 valori normalizzati p value P value,,4, Q2_1 Q3_1 Q4_1 Q_1 Q7_1 Q9_1 Q1_1 Q11_1 Q12_1 Q13_1 Q14_1 Q1_1,2,1, -4 Domande -, -,2,,2,,7,1,12 Distribution Plot p value e Normal 7 6 Mean StDev,36,3478,4833,7937 Density ,,, X 1, 1, Figura 12: Grafici calcolati per p value e con Minitab 1/12
11 p Value Regressione regressione S Prodotto Q2_1 2,8 24,126,81,37 4,764 18,67 Q3_1 11, 8,747,233 -,19 19,961-1,828 Q4_1 21,1 3,847,134,1 2,186 68,342 Q_1 2,4 18,74,18,118 39,276 4,111 Q7_1 16,6,89,47 -,11 22,8-1,61 Q9_1 1, 3,286,47,4 41,247 17,172 Q1_1 16, 8,64,17,22 12,261 31,6 Q11_1 9,3 188,416,142, , ,79 Q12_1 21,7 1,82,4,12 73,649 14,62 Q13_1 8, 121,748,424,42 13,214 4,97 Q14_1 12,7 17,119,761 -,36 3,44-7,827 Q1_1 8,1 111,31,88,14 12,61 93,94 somma 176,7 694,73 4,386,6 876, ,718 Media 14,72 7,896,366, 73,41 3,726 sigma,389 7,9,3,8 4,331 63,173 Tabella 2:Risultati numerici delle analisi effettuate Rating p Value regressione regressione S P 1 Q12_1 Q7_1 Q12_1 Q12_1 Q3_1 Q14_1 2 Q4_1 Q3_1 Q_1 Q_1 Q7_1 Q3_1 3 Q2_1 Q14_1 Q4_1 Q11_1 Q14_1 Q7_1 4 Q_1 Q_1 Q11_1 Q4_1 Q_1 Q9_1 Q7_1 Q2_1 Q1_1 Q1_1 Q9_1 Q2_1 6 Q1_1 Q9_1 Q3_1 Q9_1 Q2_1 Q1_1 7 Q14_1 Q4_1 Q7_1 Q13_1 Q4_1 Q13_1 8 Q3_1 Q12_1 Q9_1 Q2_1 Q12_1 Q_1 9 Q9_1 Q1_1 Q13_1 Q1_1 Q1_1 Q4_1 1 Q11_1 Q1_1 Q14_1 Q7_1 Q1_1 Q1_1 11 Q1_1 Q13_1 Q2_1 Q3_1 Q13_1 Q12_1 12 Q13_1 Q11_1 Q1_1 Q14_1 Q11_1 Q11_1 Tabella 3: Variazione del rating delle domande in funzione dell analisi effettuata Indichiamo nella figura sopra anche il valore del prodotto e della somma dei rispettivi indici (calcolo non proprio permesso ed ortodosso) per evidenziare ancora lo shift delle domande. Se consideriamo i metodi analizzati (per semplicità consideriamo A), B) D) e E)) ed i relativi risultati possiamo associare ad ogni domanda un indice. In questo modo veniamo a creare un vettore della domanda associando ad esso uno spazio vettoriale a 4 D. Con i, j, k, l gli indici relativi rispettivamente a R 2, χ 2, p Value e possiamo scrivere: Q2_1= (i, j, k, l) = ( 2.8, 24.1,.81,.37) La Overall può essere scritta come sommatoria delle singole domande: OV = Σ i Q i 11/12
12 Passando alla notazione matriciale abbiamo: Q i = i j K l allora la OV può essere scritta come: Q2_1 i Q1_1 i Q2_1 i +.+ Q1_1 i OV = Q2_1 j +..+ Q1_1 j = Q2_1 j +.+ Q1_1 j Q2_1 k Q1_1 k Q2_1 k + + Q1_1 k Q2_1 l Q1_1 l Q2_1 l + + Q1_1 l Ottenendo così OV = Ad esempio, riportando su di un grafico 3 D solo per le prime tre dimensioni si ottiene: 3D Scatterplot of vs vs P value 3D Scatterplot of vs vs P value Q12 OV 2 Q2 Q , Q4 Q13 1 1,2,,7 P value , 1, 3, P value 4, Dai grafici riportati sopra e dalla tabella riassuntiva si può evidenziare che i metodi utilizzati comportano dei risultati differenti. Si è considerato solo il confronto con quattro metodologie e utilizzando il passaggio alla notazione vettoriale si è trovato un metodo differente per calcolare i pesi e rappresentare la Soddisfazione Globale. 12/12
Capitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
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,
DettagliSTATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE
STATISTICA DESCRITTIVA SCHEDA N. : REGRESSIONE LINEARE Nella Scheda precedente abbiamo visto che il coefficiente di correlazione fra due variabili quantitative X e Y fornisce informazioni sull esistenza
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:
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
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
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
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
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
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
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
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 5-Indici di variabilità (vers. 1.0c, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliL analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt
L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELL ROLE Six Sigma Master lack elt Dicembre, 009 Introduzione Nell esecuzione dei progetti Six Sigma è di fondamentale importanza sapere se
DettagliExcel Terza parte. Excel 2003
Excel Terza parte Excel 2003 TABELLA PIVOT Selezioniamo tutti i dati (con le relative etichette) Dati Rapporto tabella pivot e grafico pivot Fine 2 La tabella pivot viene messa di default in una pagina
DettagliESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE
ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114
DettagliProva di autovalutazione Prof. Roberta Siciliano
Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.
DettagliGRUPPO QUATTRO RUOTE. Alessandro Tondo 19632 Laura Lavazza 19758 Matteo Scordo 19813 Alessandro Giosa 19894. Gruppo Quattro Ruote 1
GRUPPO QUATTRO RUOTE Alessandro Tondo 19632 Laura Lavazza 19758 Matteo Scordo 19813 Alessandro Giosa 19894 Gruppo Quattro Ruote 1 2. ANALISI BIVARIATA 3.1. RISULTATI (continua) 2.1 Consumi ridotti (variabile
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
DettagliQueste sono alcune domande che ci sono venute in mente.
Applicazione di metodi statistici per la verifica di Sistemi Qualità in società di servizi. S. Gorla (*), R. Bergami (**), R. Grassi (***), E. Belluco (****) (*) Responsabile Qualità e Certificazione Citroën
DettagliProf.ssa Paola Vicard
Questa nota consiste perlopiù nella traduzione (con alcune integrazioni) da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo i dati nel file esercizio10_dati.xls.
DettagliRegressione Mario Guarracino Data Mining a.a. 2010/2011
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliINCREMENTARE LE QUOTE DI MERCATO E LA REDDITIVITÀ
INCREMENTARE LE QUOTE DI MERCATO E LA REDDITIVITÀ L ANALISI DELLA CONCORRENZA E IL CUSTOMER VALUE MANAGEMENT 1. [ GLI OBIETTIVI ] PERCHÉ ADOTTARE UN PROCESSO DI CUSTOMER VALUE MANAGEMENT? La prestazione
DettagliIl concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
DettagliAbbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995).
ANALISI DI UNA SERIE TEMPORALE Analisi statistica elementare Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). Si puo' osservare una media di circa 26 C e una deviazione
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,
DettagliLa soddisfazione media complessiva
Nell'ottica del miglioramento continuo della qualità dell offerta formativa, il Settore "Studio, Organizzazione e Metodo - Formazione del Personale" implementa indagini di Customer Satisfaction (CS) finalizzate
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 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
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
DettagliANALISI DELLE FREQUENZE: IL TEST CHI 2
ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento
DettagliIndagine 2011 Customer Satisfaction. Marzo 2011
Indagine 2011 Customer Satisfaction Marzo 2011 Obiettivi Per il terzo anno consecutivo, l UFFICIO MARKETING DI FIRE ha SVOLTO un indagine sul grado di soddisfazione dei propri CLIENTI, in base a un sistema
DettagliPro e contro delle RNA
Pro e contro delle RNA Pro: - flessibilità: le RNA sono approssimatori universali; - aggiornabilità sequenziale: la stima dei pesi della rete può essere aggiornata man mano che arriva nuova informazione;
DettagliRAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL
RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL 1 RAPPRESENTAZIONE GRAFICA Per l analisi dati con Excel si fa riferimento alla versione 2007 di Office, le versioni successive non differiscono
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
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
DettagliSoluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini)
Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini) Esercizio 1 In uno studio sugli affitti mensili, condotto su un campione casuale di 14 monolocali nella città nella città
DettagliEsercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test
STATISTICA (2) ESERCITAZIONE 6 05.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test Il preside della scuola elementare XYZ sospetta che
DettagliSCHEDA PER LA RILEVAZIONE DELLA CUSTOMER SATISFACTION
SCHEDA PER LA RILEVAZIONE DELLA CUSTOMER SATISFACTION FAC-SIMILE Nota: Il presente questionario, predisposto a cura dell Ufficio Formazione/ Direzione/altro Ufficio responsabile, è compilato a cura di
DettagliFACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA
FACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA NB Come potete vedere facendo la somma dei punteggi il numero di quesiti è superiore a quello
Dettagli4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0
Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice
DettagliDalla qualità alla fidelizzazione: soddisfazione clienti e dipendenti
Le norme UNI 11097:2003 e 11098:2003 Dalla qualità alla fidelizzazione: soddisfazione clienti e dipendenti Giuseppe Cao APCO Associazione Consulenti di Direzione Le Norme alla base della fidelizzazione
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
DettagliIndice di rischio globale
Indice di rischio globale Di Pietro Bottani Dottore Commercialista in Prato Introduzione Con tale studio abbiamo cercato di creare un indice generale capace di valutare il rischio economico-finanziario
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
DettagliModelli statistici per l analisi dei dati e la valutazione d efficacia Il caso del Comune di Perugia
Modelli statistici per l analisi dei dati e la valutazione d efficacia Il caso del Comune di Perugia Alessandra Pelliccia Matteo Cataldi Matteo Filippo Donadi 0 AGENDA Fonti Descrizione dei dati Variabili
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
DettagliRELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della
RELAZIONE TRA VARIABILI QUANTITATIVE Lezione 7 a Accade spesso nella ricerca in campo biomedico, così come in altri campi della scienza, di voler studiare come il variare di una o più variabili (variabili
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE SISTEMI M/G/1 e M/D/1 Sistemi M/G/1 Nei sistemi M/G/1: i clienti arrivano secondo un processo di Poisson con parametro λ i tempi di servizio hanno una distribuzione generale della
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
DettagliTeoria delle code. Sistemi stazionari: M/M/1 M/M/1/K M/M/S
Teoria delle code Sistemi stazionari: M/M/1 M/M/1/K M/M/S Fabio Giammarinaro 04/03/2008 Sommario INTRODUZIONE... 3 Formule generali di e... 3 Leggi di Little... 3 Cosa cerchiamo... 3 Legame tra N e le
Dettagli3) ANALISI DEI RESIDUI
3) ANALISI DEI RESIDUI Dopo l analisi di regressione si eseguono alcuni test sui residui per avere una ulteriore conferma della validità del modello e delle assunzioni (distribuzione normale degli errori,
DettagliESAME DI STATISTICA Nome: Cognome: Matricola:
ESAME DI STATISTICA Nome: Cognome: Matricola: ISTRUZIONI: Per la prova è consentito esclusivamente l uso di una calcolatrice tascabile, delle tavole della normale e della t di Student. I risultati degli
DettagliCorso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 14: Analisi della varianza (ANOVA)
Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 4: Analisi della varianza (ANOVA) Analisi della varianza Analisi della varianza (ANOVA) ANOVA ad
DettagliElaborazione dei dati su PC Regressione Multipla
21 Elaborazione dei dati su PC Regressione Multipla Analizza Regressione Statistiche Grafici Metodo di selezione Analisi dei dati 21.1 Introduzione 21.2 Regressione lineare multipla con SPSS 21.3 Regressione
DettagliCapitolo 11 Test chi-quadro
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 11 Test chi-quadro Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università di Padova
DettagliAnalisi e diagramma di Pareto
Analisi e diagramma di Pareto L'analisi di Pareto è una metodologia statistica utilizzata per individuare i problemi più rilevanti nella situazione in esame e quindi le priorità di intervento. L'obiettivo
DettagliOpportunità e rischi derivanti dall'impiego massivo dell'informatica in statistica. Francesco Maria Sanna Roma, 3 maggio 2012
Opportunità e rischi derivanti dall'impiego massivo dell'informatica in statistica Francesco Maria Sanna Roma, 3 maggio 2012 Procedere alla misura, al rilevamento e al trattamento dei dati è sempre stato
DettagliUn po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1 Dott.ssa Antonella Costanzo a.costanzo@unicas.it A.Studio dell interdipendenza tra variabili: riepilogo Concetto relativo allo studio delle relazioni tra
Dettagli7.2 Indagine di Customer Satisfaction
7.2 Indagine di Customer Satisfaction Il campione L indagine è stata condotta su un campione a più stadi di 795 clienti TIEMME SpA (errore di campionamento +/ 2%) rappresentativo della popolazione obiettivo,
DettagliCapitolo 5. Funzioni. Grafici.
Capitolo 5 Funzioni. Grafici. Definizione: Una funzione f di una variabile reale,, è una corrispondenza che associa ad ogni numero reale appartenente ad un insieme D f R un unico numero reale, y R, denotato
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliNella prima parte del corso l attenzione è venuta appuntandosi sui problemi inerenti la valutazione di investimenti aziendali e di strumenti
Nella prima parte del corso l attenzione è venuta appuntandosi sui problemi inerenti la valutazione di investimenti aziendali e di strumenti finanziari in un contesto di flussi finanziari certi, tuttavia
DettagliIndici di dispersione
Indici di dispersione 1 Supponiamo di disporre di un insieme di misure e di cercare un solo valore che, meglio di ciascun altro, sia in grado di catturare le caratteristiche della distribuzione nel suo
DettagliVC-dimension: Esempio
VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio
DettagliLezione n. 2 (a cura di Chiara Rossi)
Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,
DettagliGeneral Linear Model. Esercizio
Esercizio General Linear Model Una delle molteplici applicazioni del General Linear Model è la Trend Surface Analysis. Questa tecnica cerca di individuare, in un modello di superficie, quale tendenza segue
DettagliRICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007
RICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007 Rispondere alle seguenti domande marcando a penna la lettera corrispondente alla risposta ritenuta corretta (una sola tra quelle riportate). Se
DettagliDomande a scelta multipla 1
Domande a scelta multipla Domande a scelta multipla 1 Rispondete alle domande seguenti, scegliendo tra le alternative proposte. Cercate di consultare i suggerimenti solo in caso di difficoltà. Dopo l elenco
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
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
DettagliLA CORRELAZIONE LINEARE
LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione
DettagliLEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010
LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno
DettagliVALORE DELLE MERCI SEQUESTRATE
La contraffazione in cifre: NUOVA METODOLOGIA PER LA STIMA DEL VALORE DELLE MERCI SEQUESTRATE Roma, Giugno 2013 Giugno 2013-1 Il valore economico dei sequestri In questo Focus si approfondiscono alcune
DettagliFacoltà di Psicologia - Corso FSE gennaio febbraio 2010. Marco Vicentini info@marcovicentini.it
Facoltà di Psicologia - Corso FSE gennaio febbraio 2010 Marco Vicentini info@marcovicentini.it Statistica e Psicologia Quali statistiche per la psicologia? Quali programmi per la statistica? Codifica e
DettagliCONTINUITÀ E DERIVABILITÀ Esercizi risolti
CONTINUITÀ E DERIVABILITÀ Esercizi risolti. Determinare kπ/ [cos] al variare di k in Z. Ove tale ite non esista, discutere l esistenza dei iti laterali. Identificare i punti di discontinuità della funzione
DettagliCapitolo 2 Distribuzioni di frequenza
Edizioni Simone - Vol. 43/1 Compendio di statistica Capitolo 2 Distribuzioni di frequenza Sommario 1. Distribuzioni semplici. - 2. Distribuzioni doppie. - 3. Distribuzioni parziali: condizionate e marginali.
DettagliUniversità degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI
Università degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI 1. L azienda Wood produce legno compensato per costruzioni
DettagliLimited Dependent Variable Models
Limited Dependent Variable Models Logit Tobit Probit Modelli Logit e Probit Latent variable models for binary choice Models for descrete dependent variable Traducendo Spesso vogliamo studiare (le determinanti
Dettagli1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.
Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi
DettagliINTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1)
INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1) 151 Introduzione Un esperimento è una prova o una serie di prove. Gli esperimenti sono largamente utilizzati nel campo dell ingegneria. Tra le varie applicazioni;
DettagliStrumenti informatici 13.1
1 Strumenti informatici 1.1 I test post-hoc nel caso del confronto fra tre o più proporzioni dipendenti e la realizzazione del test Q di Cochran in SPSS Nel caso dei test post-hoc per il test Q di Cochran,
DettagliFONDAMENTI DI PSICOMETRIA - 8 CFU
Ψ FONDAMENTI DI PSICOMETRIA - 8 CFU STIMA DELL ATTENDIBILITA STIMA DELL ATTENDIBILITA DEFINIZIONE DI ATTENDIBILITA (affidabilità, fedeltà) Grado di accordo tra diversi tentativi di misurare uno stesso
Dettaglietà sesso luogo-abitazione scuola superiore esperienza insegnamento 1 2 2 2 1 2 2 2 2 2 1 2 3 2 2 2 1 2 4 2 2 2 1 2 5 3 2 2 1 2 6 2 2 2 1 2 7 3 2 1 1
età sesso luogo-abitazione scuola superiore esperienza insegnamento 1 1 1 3 1 4 1 5 3 1 6 1 7 3 1 1 8 3 1 9 3 1 10 3 1 11 3 1 1 1 13 4 1 1 14 3 1 15 1 16 1 17 1 18 1 19 1 0 1 1 1 1 3 3 1 4 1 Come analizzare
DettagliSTORE MANAGER.. LE COMPETENZE CARATTERISTICHE E I BISOGNI DI FORMAZIONE
STORE MANAGER.. LE COMPETENZE CARATTERISTICHE E I BISOGNI DI FORMAZIONE 1 Indice 1. Premessa 2. Obiettivo 3. Le competenze del profilo ideale Competenze 3.1. Età ed esperienza 3.2. Le reali competenze
Dettagli03. Il Modello Gestionale per Processi
03. Il Modello Gestionale per Processi Gli aspetti strutturali (vale a dire l organigramma e la descrizione delle funzioni, ruoli e responsabilità) da soli non bastano per gestire la performance; l organigramma
DettagliMisure di base su una carta. Calcoli di distanze
Misure di base su una carta Calcoli di distanze Per calcolare la distanza tra due punti su una carta disegnata si opera nel modo seguente: 1. Occorre identificare la scala della carta o ricorrendo alle
DettagliINDICE PREFAZIONE VII
INDICE PREFAZIONE VII CAPITOLO 1. LA STATISTICA E I CONCETTI FONDAMENTALI 1 1.1. Un po di storia 3 1.2. Fenomeno collettivo, popolazione, unità statistica 4 1.3. Caratteri e modalità 6 1.4. Classificazione
DettagliLineamenti di econometria 2
Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) Aspetti Statistici della Regressione Aspetti Statistici della Regressione
DettagliLuigi Piroddi piroddi@elet.polimi.it
Automazione industriale dispense del corso 10. Reti di Petri: analisi strutturale Luigi Piroddi piroddi@elet.polimi.it Analisi strutturale Un alternativa all analisi esaustiva basata sul grafo di raggiungibilità,
DettagliOCCUPATI SETTORE DI ATTIVITA' ECONOMICA
ESERCIZIO 1 La tabella seguente contiene i dati relativi alla composizione degli occupati in Italia relativamente ai tre macrosettori di attività (agricoltura, industria e altre attività) negli anni 1971
DettagliAnalisi della performance temporale della rete
Analisi della performance temporale della rete In questo documento viene analizzato l andamento nel tempo della performance della rete di promotori. Alcune indicazioni per la lettura di questo documento:
DettagliL Analisi della Varianza ANOVA (ANalysis Of VAriance)
L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 CONCETTI GENERALI Finora abbiamo descritto test di ipotesi finalizzati alla verifica di ipotesi sulla differenza tra parametri di due popolazioni
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
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
Dettagli7.2 Indagine di Customer Satisfaction
7.2 Indagine di Customer Satisfaction Il campione L indagine è stata condotta su un campione a più stadi di 373 clienti di Tiemme Spa sede operativa di Piombino (errore di campionamento +/- 2%) rappresentativo
Dettagli