Cluster analysis - Dati World
|
|
- Achille Sole
- 5 anni fa
- Visualizzazioni
Transcript
1 Cluster analysis - Dati World Emanuele Taufer file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 1/47
2 World data Un data set sui Paesi che contiene informazioni demografiche, economiche, sulla sanità e sulle abitudini alimentari. Originariamente disponibile a single=true&gid=0 library(ggplot2) library(data.table) world=read.csv(" str(world) ## 'data.frame': 86 obs. of 102 variables: ## $ Countries ## $ Average.latitude..º. ## $ Annual.insolation..W.h.m2.day. ## $ Energy..kcal.day. ## $ Protein..g.day. ## $ Fats..g.day. ## $ Carbohydrates..g.day. ## $ Animal.Products...kcal.day. ## $ Animal.Fats..kcal.day. ## $ Bovine.Meat..kcal.day. ## $ Butter..Ghee..kcal.day. ## $ Cheese..kcal.day. ## $ Eggs..kcal.day. ## $ Fats..Animals..Raw..kcal.day. ## $ Fish..Seafood..kcal.day. ## $ Freshwater.Fish..kcal.day. ## $ Honey..kcal.day. ## $ Meat..kcal.day. ## $ Milk...Excluding.Butter..kcal.day. ## $ Milk..Whole..kcal.day. ## $ Mutton...Goat.Meat..kcal.day. ## $ Offals..Edible..kcal.day. ## $ Pelagic.Fish..kcal.day. ## $ Pigmeat..kcal.day. ## $ Poultry.Meat..kcal.day. ## $ Vegetal.Products...kcal.day. ## $ Alcoholic.Beverages..kcal.day. ## $ Apples..kcal.day. ## $ Bananas..kcal.day. ## $ Beans..kcal.day. ## $ Cereals...Excluding.Beer..kcal.day. ## $ Coconut.Oil..kcal.day. ## $ Coffee..kcal.day. ## $ Fruits...Excluding.Wine..kcal.day. ## $ Nuts..kcal.day. ## $ Olive.Oil..kcal.day. ## $ Palm.Oil..kcal.day. file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 2/47
3 ## $ Potatoes..kcal.day. ## $ Pulses..kcal.day. ## $ Rice..Milled.Equivalent...kcal.day. ## $ Rice..Paddy.Equivalent...kcal.day. ## $ Roots...Tuber.Dry.Equiv..kcal.day. ## $ Soyabean.Oil..kcal.day. ## $ Starchy.Roots..kcal.day. ## $ Sugar...Sweeteners..kcal.day. ## $ Sugar..Raw.Equivalent...kcal.day. ## $ Sugar..Raw.Equivalent..kcal.day. ## $ Sugar..Refined.Equiv..kcal.day. ## $ Vegetable.Oils..kcal.day. ## $ Vegetables..kcal.day. ## $ Wheat..kcal.day. ## $ Wine..kcal.day. ## $ Gross.national.income.per.capita..PPP.international... ## $ Population.annual.growth.rate... ## $ Population.in.urban.areas... ## $ Population.median.age..years ## $ Population.proportion.over ## $ Population.proportion.under ## $ Total.fertility.rate..per.female. ## $ Per.capita.recorded.alcohol.consumption..litres.of.pure.alcohol..among.adults...1 ## $ Population.with.sustainable.access.to.improved.drinking.water.sources...rural ## $ Population.with.sustainable.access.to.improved.drinking.water.sources...total ## $ Population.with.sustainable.access.to.improved.drinking.water.sources...urban ## $ Population.with.sustainable.access.to.improved.sanitation...rural ## $ Population.with.sustainable.access.to.improved.sanitation...total ## $ Population.with.sustainable.access.to.improved.sanitation...urban ## $ Prevalence.of.current.tobacco.use.among.adults...15.years...both.sexes ## $ Prevalence.of.current.tobacco.use.among.adults...15.years...female ## $ Prevalence.of.current.tobacco.use.among.adults...15.years...male ## $ Mean.total.cholesterol..men..mg.dl ## $ Mean.total.cholesterol..female..mg.dl ## $ Diabetes.crude.prevalence..adults.aged.20.to ## $ Systolic.blood.pressure..adults.aged.15.and.above..men..mmHg. ## $ Systolic.blood.pressure..adults.aged.15.and.above..female..mmHg. ## $ Obesity.prevalence..men... ## $ Obesity.prevalence..female... ## $ Adult.mortality.rate..probability.of.dying.between.15.to.60.years.per.1000.populat ## $ Adult.mortality.rate..probability.of.dying.between.15.to.60.years.per.1000.populat ## $ Adult.mortality.rate..probability.of.dying.between.15.to.60.years.per.1000.populat ## $ Age.standardized.mortality.rate.for.cancer..per population ## $ Age.standardized.mortality.rate.for.cardiovascular.diseases..per populatio ## $ Age.standardized.mortality.rate.for.injuries..per population ## $ Age.standardized.mortality.rate.for.non.communicable.diseases..per populat ## $ Healthy.life.expectancy..HALE..at.birth..years..both.sexes ## $ Healthy.life.expectancy..HALE..at.birth..years..female ## $ Healthy.life.expectancy..HALE..at.birth..years..male ## $ Incidence.of.tuberculosis..per population.per.year. ## $ Infant.mortality.rate..per live.births..both.sexes ## $ Infant.mortality.rate..per live.births..female ## $ Infant.mortality.rate..per live.births..male ## $ Life.expectancy.at.birth..years..both.sexes ## $ Life.expectancy.at.birth..years..female ## $ Life.expectancy.at.birth..years..male ## $ Maternal.mortality.ratio..per live.births ## $ Neonatal.mortality.rate..per live.births ## $ Prevalence.of.tuberculosis..per population. ## $ Under.5.mortality.rate..probability.of.dying.by.age.5.per.1000.live.births..both.s ## $ Under.5.mortality.rate..probability.of.dying.by.age.5.per.1000.live.births..female ## $ Under.5.mortality.rate..probability.of.dying.by.age.5.per.1000.live.births..male ## [list output truncated] file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 3/47
4 file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 4/47
5 Dati sulle abitudini alimentari Le variabili dalla # 4 alla # 52 nei dati riguardano il consumo di una varietà di alimenti misurato in kcal / giorno. Mettiamo queste varibili nell oggetto (data.frame) food. Usiamo questo sottoinsieme dei dati analizzare le abitudini alimentari utilizzando una cluster analysis food=world[,4:52] str(food) ## 'data.frame': 86 obs. of 49 variables: ## $ Energy..kcal.day. : int ## $ Protein..g.day. : int ## $ Fats..g.day. : int ## $ Carbohydrates..g.day. : num ## $ Animal.Products...kcal.day. : int ## $ Animal.Fats..kcal.day. : int ## $ Bovine.Meat..kcal.day. : int ## $ Butter..Ghee..kcal.day. : int ## $ Cheese..kcal.day. : int ## $ Eggs..kcal.day. : int ## $ Fats..Animals..Raw..kcal.day. : int ## $ Fish..Seafood..kcal.day. : int ## $ Freshwater.Fish..kcal.day. : int ## $ Honey..kcal.day. : int ## $ Meat..kcal.day. : int ## $ Milk...Excluding.Butter..kcal.day. : int ## $ Milk..Whole..kcal.day. : int ## $ Mutton...Goat.Meat..kcal.day. : int ## $ Offals..Edible..kcal.day. : int ## $ Pelagic.Fish..kcal.day. : int ## $ Pigmeat..kcal.day. : int ## $ Poultry.Meat..kcal.day. : int ## $ Vegetal.Products...kcal.day. : int ## $ Alcoholic.Beverages..kcal.day. : int ## $ Apples..kcal.day. : int ## $ Bananas..kcal.day. : int ## $ Beans..kcal.day. : int ## $ Cereals...Excluding.Beer..kcal.day.: int ## $ Coconut.Oil..kcal.day. : int ## $ Coffee..kcal.day. : int ## $ Fruits...Excluding.Wine..kcal.day. : int ## $ Nuts..kcal.day. : int ## $ Olive.Oil..kcal.day. : int ## $ Palm.Oil..kcal.day. : int ## $ Potatoes..kcal.day. : int ## $ Pulses..kcal.day. : int ## $ Rice..Milled.Equivalent...kcal.day.: int ## $ Rice..Paddy.Equivalent...kcal.day. : int ## $ Roots...Tuber.Dry.Equiv..kcal.day. : int ## $ Soyabean.Oil..kcal.day. : int file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 5/47
6 ## $ Starchy.Roots..kcal.day. : int ## $ Sugar...Sweeteners..kcal.day. : int ## $ Sugar..Raw.Equivalent...kcal.day. : int ## $ Sugar..Raw.Equivalent..kcal.day. : int ## $ Sugar..Refined.Equiv..kcal.day. : int ## $ Vegetable.Oils..kcal.day. : int ## $ Vegetables..kcal.day. : int ## $ Wheat..kcal.day. : int ## $ Wine..kcal.day. : int file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 6/47
7 1 Controllare le variabili Sembra vi siano duplicazioni nei dati: 1. Meat, Bovine.Meat, Pigmeat. C è sovrapposizione di informazioni? 2. Energy, Protein, Fats. Sono sintesi di altre variabili? (ancora, sovrapposizione) 3. Rice.paddy equivalent e Rice.milled equivalent. sembrano la stessa variabile (osservandone i valori) 4. file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 7/47
8 I dati food ripuliti Eliminiamo da food le variabli ridondanti choose=c(7:14,16:36,38:42,46:49) food=food[,choose] str(food) ## 'data.frame': 86 obs. of 38 variables: ## $ Bovine.Meat..kcal.day. : int ## $ Butter..Ghee..kcal.day. : int ## $ Cheese..kcal.day. : int ## $ Eggs..kcal.day. : int ## $ Fats..Animals..Raw..kcal.day. : int ## $ Fish..Seafood..kcal.day. : int ## $ Freshwater.Fish..kcal.day. : int ## $ Honey..kcal.day. : int ## $ Milk...Excluding.Butter..kcal.day. : int ## $ Milk..Whole..kcal.day. : int ## $ Mutton...Goat.Meat..kcal.day. : int ## $ Offals..Edible..kcal.day. : int ## $ Pelagic.Fish..kcal.day. : int ## $ Pigmeat..kcal.day. : int ## $ Poultry.Meat..kcal.day. : int ## $ Vegetal.Products...kcal.day. : int ## $ Alcoholic.Beverages..kcal.day. : int ## $ Apples..kcal.day. : int ## $ Bananas..kcal.day. : int ## $ Beans..kcal.day. : int ## $ Cereals...Excluding.Beer..kcal.day.: int ## $ Coconut.Oil..kcal.day. : int ## $ Coffee..kcal.day. : int ## $ Fruits...Excluding.Wine..kcal.day. : int ## $ Nuts..kcal.day. : int ## $ Olive.Oil..kcal.day. : int ## $ Palm.Oil..kcal.day. : int ## $ Potatoes..kcal.day. : int ## $ Pulses..kcal.day. : int ## $ Rice..Paddy.Equivalent...kcal.day. : int ## $ Roots...Tuber.Dry.Equiv..kcal.day. : int ## $ Soyabean.Oil..kcal.day. : int ## $ Starchy.Roots..kcal.day. : int ## $ Sugar...Sweeteners..kcal.day. : int ## $ Vegetable.Oils..kcal.day. : int ## $ Vegetables..kcal.day. : int ## $ Wheat..kcal.day. : int ## $ Wine..kcal.day. : int file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 8/47
9 2 Clustering con k-means Proviamo a valutare rapidamente diversi valori di k tracciando i valori di k contro il rapporto SSW / SST st.food=scale(food) # k- means clustering loop ratiowss=vector() for (i in 2:30){ km=kmeans(st.food,i,nstart=50) ratiowss[i]=km$tot.withinss/km$totss} dt=data.frame("k"=2:30,"ratiowss"=ratiowss[2:30]) ggplot(dt,aes(x=k,y=ratiowss))+geom_line(size=3) Non c è chiara indicazione, ci sono forse molti gruppi. file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 9/47
10 K=7 clusters? Proviamo ad analizzare in dettaglio il caso k=7 per avere più informazioni set.seed(1) km=kmeans(st.food,7,nstart=50) km ## K-means clustering with 7 clusters of sizes 25, 20, 8, 10, 12, 9, 2 ## ## Cluster means: ## Bovine.Meat..kcal.day. Butter..Ghee..kcal.day. Cheese..kcal.day. ## ## ## ## ## ## ## ## Eggs..kcal.day. Fats..Animals..Raw..kcal.day. Fish..Seafood..kcal.day. ## ## ## ## ## ## ## ## Freshwater.Fish..kcal.day. Honey..kcal.day. ## ## ## ## ## ## ## ## Milk...Excluding.Butter..kcal.day. Milk..Whole..kcal.day. ## ## ## ## ## ## ## ## Mutton...Goat.Meat..kcal.day. Offals..Edible..kcal.day. ## ## ## ## ## ## ## ## Pelagic.Fish..kcal.day. Pigmeat..kcal.day. Poultry.Meat..kcal.day. ## ## ## ## file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 10/47
11 ## ## ## ## Vegetal.Products...kcal.day. Alcoholic.Beverages..kcal.day. ## ## ## ## ## ## ## ## Apples..kcal.day. Bananas..kcal.day. Beans..kcal.day. ## ## ## ## ## ## ## ## Cereals...Excluding.Beer..kcal.day. Coconut.Oil..kcal.day. ## ## ## ## ## ## ## ## Coffee..kcal.day. Fruits...Excluding.Wine..kcal.day. Nuts..kcal.day. ## ## ## ## ## ## ## ## Olive.Oil..kcal.day. Palm.Oil..kcal.day. Potatoes..kcal.day. ## ## ## ## ## ## ## ## Pulses..kcal.day. Rice..Paddy.Equivalent...kcal.day. ## ## ## ## ## ## ## ## Roots...Tuber.Dry.Equiv..kcal.day. Soyabean.Oil..kcal.day. ## ## ## ## ## ## ## ## Starchy.Roots..kcal.day. Sugar...Sweeteners..kcal.day. ## ## ## ## ## file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 11/47
12 ## ## ## Vegetable.Oils..kcal.day. Vegetables..kcal.day. Wheat..kcal.day. ## ## ## ## ## ## ## ## Wine..kcal.day. ## ## ## ## ## ## ## ## ## Clustering vector: ## [1] ## [36] ## [71] ## ## Within cluster sum of squares by cluster: ## [1] ## (between_ss / total_ss = 45.9 %) ## ## Available components: ## ## [1] "cluster" "centers" "totss" "withinss" ## [5] "tot.withinss" "betweenss" "size" "iter" ## [9] "ifault" file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 12/47
13 Commenti In cluster means troviamo le coordinate dei centrodi per gruppo. I centroidi sono in uno spazio a 38 dimensioni. I valori sono standardizzati e quindi le coordinate dei centroidi sono espresse in deviazioni standard. Ad esempio il primo gruppo ha un consumo sopra le media di Carne Bovina (0.32 DS), Burro (0.97 DS), Formaggio (1.33 DS) rispetto a tutti gli altri gruppi I valori da analizzare sono troppi, vale la pena effettuare un analisi esplorativa dei risultati file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 13/47
14 3 EDA dei risultati ( ) k = 7 Per poter effettuare una EDA mettiamo i valori dei centroidi in un data.frame, che chiameremo dt. dt=data.frame(km$centers) dt ## Bovine.Meat..kcal.day. Butter..Ghee..kcal.day. Cheese..kcal.day. ## ## ## ## ## ## ## ## Eggs..kcal.day. Fats..Animals..Raw..kcal.day. Fish..Seafood..kcal.day. ## ## ## ## ## ## ## ## Freshwater.Fish..kcal.day. Honey..kcal.day. ## ## ## ## ## ## ## ## Milk...Excluding.Butter..kcal.day. Milk..Whole..kcal.day. ## ## ## ## ## ## ## ## Mutton...Goat.Meat..kcal.day. Offals..Edible..kcal.day. ## ## ## ## ## ## ## ## Pelagic.Fish..kcal.day. Pigmeat..kcal.day. Poultry.Meat..kcal.day. ## ## ## ## ## ## ## file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 14/47
15 ## Vegetal.Products...kcal.day. Alcoholic.Beverages..kcal.day. ## ## ## ## ## ## ## ## Apples..kcal.day. Bananas..kcal.day. Beans..kcal.day. ## ## ## ## ## ## ## ## Cereals...Excluding.Beer..kcal.day. Coconut.Oil..kcal.day. ## ## ## ## ## ## ## ## Coffee..kcal.day. Fruits...Excluding.Wine..kcal.day. Nuts..kcal.day. ## ## ## ## ## ## ## ## Olive.Oil..kcal.day. Palm.Oil..kcal.day. Potatoes..kcal.day. ## ## ## ## ## ## ## ## Pulses..kcal.day. Rice..Paddy.Equivalent...kcal.day. ## ## ## ## ## ## ## ## Roots...Tuber.Dry.Equiv..kcal.day. Soyabean.Oil..kcal.day. ## ## ## ## ## ## ## ## Starchy.Roots..kcal.day. Sugar...Sweeteners..kcal.day. ## ## ## ## ## ## ## ## Vegetable.Oils..kcal.day. Vegetables..kcal.day. Wheat..kcal.day. file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 15/47
16 ## ## ## ## ## ## ## ## Wine..kcal.day. ## ## ## ## ## ## ## file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 16/47
17 EDA - continua Per avere una visione migliore, si transponga il data.frame appena creato. tdt=t(dt) tdt ## ## Bovine.Meat..kcal.day ## Butter..Ghee..kcal.day ## Cheese..kcal.day ## Eggs..kcal.day ## Fats..Animals..Raw..kcal.day ## Fish..Seafood..kcal.day ## Freshwater.Fish..kcal.day ## Honey..kcal.day ## Milk...Excluding.Butter..kcal.day ## Milk..Whole..kcal.day ## Mutton...Goat.Meat..kcal.day ## Offals..Edible..kcal.day ## Pelagic.Fish..kcal.day ## Pigmeat..kcal.day ## Poultry.Meat..kcal.day ## Vegetal.Products...kcal.day ## Alcoholic.Beverages..kcal.day ## Apples..kcal.day ## Bananas..kcal.day ## Beans..kcal.day ## Cereals...Excluding.Beer..kcal.day ## Coconut.Oil..kcal.day ## Coffee..kcal.day ## Fruits...Excluding.Wine..kcal.day ## Nuts..kcal.day ## Olive.Oil..kcal.day ## Palm.Oil..kcal.day ## Potatoes..kcal.day ## Pulses..kcal.day ## Rice..Paddy.Equivalent...kcal.day ## Roots...Tuber.Dry.Equiv..kcal.day ## Soyabean.Oil..kcal.day ## Starchy.Roots..kcal.day ## Sugar...Sweeteners..kcal.day ## Vegetable.Oils..kcal.day ## Vegetables..kcal.day ## Wheat..kcal.day ## Wine..kcal.day ## ## Bovine.Meat..kcal.day ## Butter..Ghee..kcal.day ## Cheese..kcal.day ## Eggs..kcal.day ## Fats..Animals..Raw..kcal.day ## Fish..Seafood..kcal.day ## Freshwater.Fish..kcal.day ## Honey..kcal.day ## Milk...Excluding.Butter..kcal.day file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 17/47
18 ## Milk..Whole..kcal.day ## Mutton...Goat.Meat..kcal.day ## Offals..Edible..kcal.day ## Pelagic.Fish..kcal.day ## Pigmeat..kcal.day ## Poultry.Meat..kcal.day ## Vegetal.Products...kcal.day ## Alcoholic.Beverages..kcal.day ## Apples..kcal.day ## Bananas..kcal.day ## Beans..kcal.day ## Cereals...Excluding.Beer..kcal.day ## Coconut.Oil..kcal.day ## Coffee..kcal.day ## Fruits...Excluding.Wine..kcal.day ## Nuts..kcal.day ## Olive.Oil..kcal.day ## Palm.Oil..kcal.day ## Potatoes..kcal.day ## Pulses..kcal.day ## Rice..Paddy.Equivalent...kcal.day ## Roots...Tuber.Dry.Equiv..kcal.day ## Soyabean.Oil..kcal.day ## Starchy.Roots..kcal.day ## Sugar...Sweeteners..kcal.day ## Vegetable.Oils..kcal.day ## Vegetables..kcal.day ## Wheat..kcal.day ## Wine..kcal.day ## 7 ## Bovine.Meat..kcal.day ## Butter..Ghee..kcal.day ## Cheese..kcal.day ## Eggs..kcal.day ## Fats..Animals..Raw..kcal.day ## Fish..Seafood..kcal.day ## Freshwater.Fish..kcal.day ## Honey..kcal.day ## Milk...Excluding.Butter..kcal.day ## Milk..Whole..kcal.day ## Mutton...Goat.Meat..kcal.day ## Offals..Edible..kcal.day ## Pelagic.Fish..kcal.day ## Pigmeat..kcal.day ## Poultry.Meat..kcal.day ## Vegetal.Products...kcal.day ## Alcoholic.Beverages..kcal.day ## Apples..kcal.day ## Bananas..kcal.day ## Beans..kcal.day ## Cereals...Excluding.Beer..kcal.day ## Coconut.Oil..kcal.day ## Coffee..kcal.day ## Fruits...Excluding.Wine..kcal.day ## Nuts..kcal.day ## Olive.Oil..kcal.day ## Palm.Oil..kcal.day ## Potatoes..kcal.day ## Pulses..kcal.day ## Rice..Paddy.Equivalent...kcal.day ## Roots...Tuber.Dry.Equiv..kcal.day ## Soyabean.Oil..kcal.day ## Starchy.Roots..kcal.day ## Sugar...Sweeteners..kcal.day ## Vegetable.Oils..kcal.day file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 18/47
19 ## Vegetables..kcal.day ## Wheat..kcal.day ## Wine..kcal.day file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 19/47
20 EDA - continua Notiamo che il Gruppo 1 ha un consumo decisamente sopra le media per molti alimenti. L analisi dei valori nel data.frame tdt non è agevole e vale utilizzare strumenti grafici. Può essere inoltre interessante individuare, per ciascun alimento, qual è il gruppo che ne consuma di più. A tal fine si utilizzi il codice sotto maxims=vector() for (i in 1:nrow(tdt)){maxims[i]=which.max(tdt[i,])} # per ogni riga di tdt, il codice sopra indica il numero della colonna # (cioè il gruppo) con il valore più alto file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 20/47
21 Mettiamo tutte le variabili create in data.frame per analizzarle con gli strumenti grafici tdt=as.data.frame(tdt,keep.rownames = TRUE) tdt$aliments<-row.names(tdt) colnames(tdt)<-c("g1","g2","g3","g4","g5","g6","g7","aliments") world=as.data.frame(world) world$cluster=km$cluster Nota che la colonna che contiene i nomi degli alimenti nel data.frame tdt è la numero 8 Nota che la colonna che contiene i nomi dei Paesi nel data.frame world è la numero 1 file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 21/47
22 Analisi del gruppo 1 Alimenti con consumo più elevato rispetto agli altri gruppi tdt[maxims==1,8] ## [1] "Butter..Ghee..kcal.day." ## [2] "Cheese..kcal.day." ## [3] "Eggs..kcal.day." ## [4] "Fats..Animals..Raw..kcal.day." ## [5] "Milk...Excluding.Butter..kcal.day." ## [6] "Pigmeat..kcal.day." ## [7] "Alcoholic.Beverages..kcal.day." ## [8] "Apples..kcal.day." ## [9] "Olive.Oil..kcal.day." ## [10] "Sugar...Sweeteners..kcal.day." ## [11] "Vegetable.Oils..kcal.day." ## [12] "Wine..kcal.day." Nazioni del gruppo world[km$cluster==1,1] ## [1] Australia Austria ## [3] Belgium Canada ## [5] Cyprus Czech Republic ## [7] Denmark Estonia ## [9] Finland France ## [11] Germany Greece ## [13] Hungary Iceland ## [15] Italy Malta ## [17] Netherlands New Zealand ## [19] Poland Portugal ## [21] Spain Sweden ## [23] Switzerland United Kingdom ## [25] United States of America ## 86 Levels: Albania Argentina Australia Austria Bangladesh... Uzbekistan file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 22/47
23 Plot degli alimenti a più alto consumo ## ordina gli alimenti in base ai valori del centroide nel gruppo e plotta tdt$aliments <- with(tdt, factor(tdt$aliments, levels=tdt[order(-tdt$g1), ]$Aliments)) ggplot(tdt[tdt$g1>0,],aes(aliments,g1,fill=aliments))+geom_bar(stat="identity")+ggtitle("cluster 1: Alimenti file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 23/47
24 Analisi del gruppo 2 Alimenti con consumo più elevato rispetto agli altri gruppi tdt[maxims==2,8] ## [1] Beans..kcal.day. Pulses..kcal.day. ## 38 Levels: Cheese..kcal.day.... Cereals...Excluding.Beer..kcal.day. Nazioni del gruppo world[km$cluster==2,1] ## [1] Bolivia Brazil Colombia ## [4] Costa Rica Dominican Republic Ecuador ## [7] Fiji Guatemala Haiti ## [10] India Jamaica Kenya ## [13] Lesotho Mauritius Mexico ## [16] Pakistan Paraguay Peru ## [19] South Africa Trinidad and Tobago ## 86 Levels: Albania Argentina Australia Austria Bangladesh... Uzbekistan file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 24/47
25 Plot degli alimenti a più alto consumo ## ordina gli alimenti in base ai valori del centroide nel gruppo e plotta tdt$aliments <- with(tdt, factor(tdt$aliments, levels=tdt[order(-tdt$g2), ]$Aliments)) ggplot(tdt[tdt$g1>0,],aes(aliments,g2,fill=aliments))+geom_bar(stat="identity")+ggtitle("cluster 2: Alimenti file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 25/47
26 Analisi del gruppo 3 Alimenti con consumo più elevato rispetto agli altri gruppi tdt[maxims==3,8] ## [1] Vegetal.Products...kcal.day. Cereals...Excluding.Beer..kcal.day. ## [3] Nuts..kcal.day. Soyabean.Oil..kcal.day. ## [5] Vegetables..kcal.day. Wheat..kcal.day. ## 38 Levels: Beans..kcal.day. Pulses..kcal.day.... Vegetables..kcal.day. Nazioni del gruppo world[km$cluster==3,1] ## [1] Egypt Iran, Islamic Republic of ## [3] Israel Morocco ## [5] Saudi Arabia Tunisia ## [7] Turkey United Arab Emirates ## 86 Levels: Albania Argentina Australia Austria Bangladesh... Uzbekistan file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 26/47
27 Plot degli alimenti a più alto consumo tdt$aliments <- with(tdt, factor(tdt$aliments, levels=tdt[order(-tdt$g3), ]$Aliments)) ggplot(tdt[tdt$g1>0,],aes(aliments,g3,fill=aliments))+geom_bar(stat="identity")+ggtitle("cluster 3: Alimenti file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 27/47
28 Analisi del gruppo 4 Alimenti con consumo più elevato rispetto agli altri gruppi tdt[maxims==4,8] ## [1] Freshwater.Fish..kcal.day. Rice..Paddy.Equivalent...kcal.day. ## 38 Levels: Vegetal.Products...kcal.day.... Alcoholic.Beverages..kcal.day. Nazioni del gruppo world[km$cluster==4,1] ## [1] Bangladesh China Gambia Indonesia Japan ## [6] Malaysia Philippines Senegal Sri Lanka Thailand ## 86 Levels: Albania Argentina Australia Austria Bangladesh... Uzbekistan file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 28/47
29 Plot degli alimenti a più alto consumo ## ordina gli alimenti in base ai valori del centroide nel gruppo e plotta tdt$aliments <- with(tdt, factor(tdt$aliments, levels=tdt[order(-tdt$g4), ]$Aliments)) ggplot(tdt[tdt$g4>0,],aes(aliments,g4,fill=aliments))+geom_bar(stat="identity")+ggtitle("cluster 4: Alimenti file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 29/47
30 Analisi del gruppo 5 Alimenti con consumo più elevato rispetto agli altri gruppi tdt[maxims==5,8] ## [1] Bovine.Meat..kcal.day. Milk..Whole..kcal.day. Potatoes..kcal.day. ## 38 Levels: Rice..Paddy.Equivalent...kcal.day.... Nazioni del gruppo world[km$cluster==5,1] ## [1] Albania Argentina Belarus ## [4] Bosnia and Herzegovina Bulgaria Chile ## [7] Georgia Mongolia Romania ## [10] Russian Federation Ukraine Uzbekistan ## 86 Levels: Albania Argentina Australia Austria Bangladesh... Uzbekistan file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 30/47
31 Plot degli alimenti a più alto consumo ## ordina gli alimenti in base ai valori del centroide nel gruppo e plotta tdt$aliments <- with(tdt, factor(tdt$aliments, levels=tdt[order(-tdt$g5), ]$Aliments)) ggplot(tdt[tdt$g5>0,],aes(aliments,g5,fill=aliments))+geom_bar(stat="identity")+ggtitle("cluster 5: Alimenti file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 31/47
32 Analisi del gruppo 6 Alimenti con consumo più elevato rispetto agli altri gruppi tdt[maxims==6,8] ## [1] Palm.Oil..kcal.day. Roots...Tuber.Dry.Equiv..kcal.day. ## [3] Starchy.Roots..kcal.day. ## 38 Levels: Milk..Whole..kcal.day.... Pulses..kcal.day. Nazioni del gruppo world[km$cluster==6,1] ## [1] Cameroon Ethiopia Ghana Liberia Madagascar ## [6] Malawi Nigeria Sierra Leone Tanzania ## 86 Levels: Albania Argentina Australia Austria Bangladesh... Uzbekistan file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 32/47
33 Plot degli alimenti a più alto consumo ## ordina gli alimenti in base ai valori del centroide nel gruppo e plotta tdt$aliments <- with(tdt, factor(tdt$aliments, levels=tdt[order(-tdt$g6), ]$Aliments)) ggplot(tdt[tdt$g6>0,],aes(aliments,g6,fill=aliments))+geom_bar(stat="identity")+ggtitle("cluster 6: Alimenti file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 33/47
34 Analisi del gruppo 7 Alimenti con consumo più elevato rispetto agli altri gruppi tdt[maxims==7,8] ## [1] Fish..Seafood..kcal.day. Honey..kcal.day. ## [3] Mutton...Goat.Meat..kcal.day. Offals..Edible..kcal.day. ## [5] Pelagic.Fish..kcal.day. Poultry.Meat..kcal.day. ## [7] Bananas..kcal.day. Coconut.Oil..kcal.day. ## [9] Coffee..kcal.day. Fruits...Excluding.Wine..kcal.day. ## 38 Levels: Roots...Tuber.Dry.Equiv..kcal.day.... Sugar...Sweeteners..kcal.day. Nazioni del gruppo world[km$cluster==7,1] ## [1] Saint Lucia Samoa ## 86 Levels: Albania Argentina Australia Austria Bangladesh... Uzbekistan file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 34/47
35 Plot degli alimenti a più alto consumo ## ordina gli alimenti in base ai valori del centroide nel gruppo e plotta tdt$aliments <- with(tdt, factor(tdt$aliments, levels=tdt[order(-tdt$g7), ]$Aliments)) ggplot(tdt[tdt$g7>0,],aes(aliments,g7,fill=aliments))+geom_bar(stat="identity")+ggtitle("cluster 7: Alimenti file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 35/47
36 World map library(rworldmap) jd=joincountrydata2map(world,joincode="name",namejoincolumn = "Countries") FALSE 86 codes from your data successfully matched countries in the map FALSE 0 codes from your data failed to match with a country code in the map FALSE 157 codes from the map weren't represented in your data mapcountrydata(jd, namecolumntoplot="cluster", catmethod="categorical",colourpalette = "rainbow",addlegend = file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 36/47
37 Commenti La mappa individua correttamente, sembra, diverse aree mondiali a dieta simile. Si potrebbe provare a ripetere l analisi con un numero maggiore di gruppi per vedere se aumenta la precisione della rappresentazione delle diverse diete nel mondo (ad esempio, in questa soluzione, non si nota la presenza di una dieta mediterranea ) Se questa soluzione è ritenuta soddisfacente, si potrebbe analizzare ulteriormente i gruppi attraverso le CP e provare ad individuare caratteristiche generali delle diete (in relazione ad esempio, all apporto calorico, i grassi etc.) file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 37/47
38 4 Clustering gerarchico: legame singolo (min) Proviamo ad utilizzare un clustering gerarchico, confrontandolo con l algoritmo k-means, e confrontando tra loro diversi metodi di aggregazione. rownames(st.food)<-world$countries distance=dist(st.food) hc=hclust(distance,method="single") file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 38/47
39 Dendrogramma plot(hc) rect.hclust(hc, k = 8) file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 39/47
40 Ottenere i gruppi # get cluster IDs groups <- cutree(hc, k = 8) Groups=as.data.table(groups,keep.rownames = TRUE) setnames(groups,"rn","counties") Groups[groups==1,] ## Counties groups ## 1: Albania 1 ## 2: Australia 1 ## 3: Austria 1 ## 4: Bangladesh 1 ## 5: Belarus 1 ## 6: Belgium 1 ## 7: Bolivia 1 ## 8: Bosnia and Herzegovina 1 ## 9: Brazil 1 ## 10: Bulgaria 1 ## 11: Cameroon 1 ## 12: Canada 1 ## 13: Chile 1 ## 14: Colombia 1 ## 15: Costa Rica 1 ## 16: Cyprus 1 ## 17: Czech Republic 1 ## 18: Denmark 1 ## 19: Dominican Republic 1 ## 20: Ecuador 1 ## 21: Egypt 1 ## 22: Estonia 1 ## 23: Ethiopia 1 ## 24: Fiji 1 ## 25: Finland 1 ## 26: France 1 ## 27: Gambia 1 ## 28: Georgia 1 ## 29: Germany 1 ## 30: Greece 1 ## 31: Guatemala 1 ## 32: Haiti 1 ## 33: Hungary 1 ## 34: Iceland 1 ## 35: India 1 ## 36: Indonesia 1 ## 37: Iran, Islamic Republic of 1 ## 38: Israel 1 ## 39: Italy 1 ## 40: Jamaica 1 ## 41: Japan 1 ## 42: Kenya 1 ## 43: Lesotho 1 ## 44: Liberia 1 ## 45: Madagascar 1 ## 46: Malawi 1 ## 47: Malaysia 1 ## 48: Malta 1 ## 49: Mauritius 1 ## 50: Mexico 1 file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 40/47
41 ## 51: Morocco 1 ## 52: Netherlands 1 ## 53: Nigeria 1 ## 54: Pakistan 1 ## 55: Paraguay 1 ## 56: Peru 1 ## 57: Philippines 1 ## 58: Poland 1 ## 59: Portugal 1 ## 60: Romania 1 ## 61: Russian Federation 1 ## 62: Saudi Arabia 1 ## 63: Senegal 1 ## 64: Sierra Leone 1 ## 65: South Africa 1 ## 66: Spain 1 ## 67: Sri Lanka 1 ## 68: Sweden 1 ## 69: Switzerland 1 ## 70: Tanzania 1 ## 71: Thailand 1 ## 72: Trinidad and Tobago 1 ## 73: Tunisia 1 ## 74: Turkey 1 ## 75: Ukraine 1 ## 76: United Arab Emirates 1 ## 77: United Kingdom 1 ## 78: United States of America 1 ## 79: Uzbekistan 1 ## Counties groups file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 41/47
42 Clustering gerarchico: metodo di Ward rownames(st.food)<-world$countries distance=dist(st.food) hc=hclust(distance,method="ward.d2") file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 42/47
43 Dendrogramma plot(hc) rect.hclust(hc, k = 8) file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 43/47
44 Ottenere i gruppi # get cluster IDs groups <- cutree(hc, k = 8) Groups=as.data.table(groups,keep.rownames = TRUE) setnames(groups,"rn","country") Groups[groups==1,] ## Country groups ## 1: Albania 1 ## 2: Argentina 1 ## 3: Bolivia 1 ## 4: Bosnia and Herzegovina 1 ## 5: Brazil 1 ## 6: Bulgaria 1 ## 7: Chile 1 ## 8: Colombia 1 ## 9: Costa Rica 1 ## 10: Dominican Republic 1 ## 11: Ecuador 1 ## 12: Fiji 1 ## 13: Georgia 1 ## 14: India 1 ## 15: Jamaica 1 ## 16: Mauritius 1 ## 17: Mexico 1 ## 18: Mongolia 1 ## 19: Pakistan 1 ## 20: Paraguay 1 ## 21: Saudi Arabia 1 ## 22: South Africa 1 ## 23: Trinidad and Tobago 1 ## 24: Uzbekistan 1 ## Country groups file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 44/47
45 Gruppo 2 Groups[groups==2,] ## Country groups ## 1: Australia 2 ## 2: Belarus 2 ## 3: Canada 2 ## 4: Cyprus 2 ## 5: Czech Republic 2 ## 6: Estonia 2 ## 7: Finland 2 ## 8: Iceland 2 ## 9: Israel 2 ## 10: Malta 2 ## 11: New Zealand 2 ## 12: Poland 2 ## 13: Romania 2 ## 14: Russian Federation 2 ## 15: Sweden 2 ## 16: Ukraine 2 ## 17: United Arab Emirates 2 ## 18: United Kingdom 2 ## 19: United States of America 2 file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 45/47
46 World map world=data.frame(world,"cluster.ward"=groups) jd=joincountrydata2map(world,joincode="name",namejoincolumn = "Countries") FALSE 86 codes from your data successfully matched countries in the map FALSE 0 codes from your data failed to match with a country code in the map FALSE 157 codes from the map weren't represented in your data mapcountrydata(jd, namecolumntoplot="cluster.ward", catmethod="categorical",colourpalette = "rainbow",addleg file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 46/47
47 Commenti L utilizzo del legame singolo non sembra appropriato per il problema in esame. Il metodo di Ward fornisce una risposta molto simile a k-means. A differenza di k-means, sembra individuare una dieta mediterranea. Se vogliamo utilizzare k-means vale la pena utilizzare più di 7 gruppi. Il clustering gerarchico ci permette di variare il numero di gruppi individuati tagliando (con linee orizzontali) opportunamente il dendrogramma L algortmo k-means, fornendo i centroidi dei gruppi permette un analisi più approfondita delle loro caratteristiche file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_analysis_food-df.html#(1) 47/47
Prestazioni previste dal congedo di maternità nel 1998* Ente che fornisce la prestazione
Prestazioni previste dal congedo di maternità nel 1998* Paese o area Durata del congedo di maternità Percentuale dello stipendio percepita nel periodo in questione Ente che fornisce la prestazione Africa
DettagliIL MINISTRO DEL LAVORO, DELLA SALUTE E DELLE POLITICHE SOCIALI. di concerto con IL MINISTRO DELL'ECONOMIA E DELLE FINANZE
D.M. 28 gennaio 2009 Attuazione disposizioni di cui al comma 9, dell'art. 38, della legge n. 289/2002, concernente la determinazione del livello di reddito equivalente per ciascun Paese straniero, al reddito
DettagliInvenium - Global connection, credit solutions 2017 Invenium - All Rights Reserved. Non performing loans
Non performing loans La nostra strategia e la nostra cultura aziendale I VOSTRI CREDITI INSOLUTI SONO IL NOSTRO PATRIMONIO Dalla fine degli anni 90 Invenium è una delle maggiori organizzazioni specializzate
DettagliRichieste di chiarimenti ed esiti
Richieste di chiarimenti ed esiti Nel caso sia necessaria la traduzione in italiano del bilancio, è possibile tradurre alcuni estratti rilevanti ai fini della partecipazione alla gara, e se si quali? È
DettagliUna pressione migratoria fortissima e crescente 1. Abbiamo già analizzato i fattori demografici Fattori di push e pull 2. Fattori economici La
Una pressione migratoria fortissima e crescente 1. Abbiamo già analizzato i fattori demografici Fattori di push e pull 2. Fattori economici La struttura della occupazione Offerta e domanda di lavoro nei
DettagliPREFAZIONE ALLO STATUTO
Argentina Armenia Australia Austria Bangladesh Belarus Belgium Benin Bolivia Bosnia Herzegovina Botswana Brazil Bulgaria Burkina Faso Cameroon Canada Catalonia Chad Colombia Comoros Congo Cote d lvoire
DettagliSezione Regionale Abruzzo e Molise
Sezione Regionale Abruzzo e Molise www.sitiabruzzomolise.it Riepilogo mensile Anno Gen Feb Mar Apr Mag Giu Lug Ago Set Ott Nov Dic Mese Visitatori diversi Numero di visite Pagine Accessi Banda usata Gen
DettagliDifferenze incolmabili nelle strutture per età agiranno come fattori push nei paesi di emigrazione e fattori pull nei paesi di immigrazione
Anni Variazioni More developed Less developed Least developed Europa Nord- Africa Africa subsahariana Popolazione di età 15-64 anni 2010 838 3706 467 505 127 445 2050 757 5270 1141 409 207 1 275 Variaz.
DettagliPROCEDURA REGISTRAZIONE SUL PORTALE THINGS MOBILE
Gentile cliente la ringraziamo per l acquisto della SIM Card Things Mobile. La seguente guida spiega come attivare un nuovo profilo personale e come registrare la vostra SIM Card sul Portale THINGS Mobile.
DettagliAVVISO PRESENTAZIONE PROPOSTE INIZIATIVE DIRETTE REGIONALI DI COOPERAZIONE DECENTRATA ALLO SVILUPPO PER L ANNO 2013
AVVISO PRESENTAZIONE PROPOSTE INIZIATIVE DIRETTE REGIONALI DI COOPERAZIONE DECENTRATA ALLO SVILUPPO PER L ANNO 2013 Al fine di agevolare gli Enti Pubblici del territorio della Regione del Veneto (Enti
DettagliCorruzione, l Italia migliora ma è comunque terzultima in Europa
Corruzione, l Italia migliora ma è comunque terzultima in Europa - Il Sole... 1 TRANSPARENCY INTERNATIONAL Corruzione, l Italia migliora ma è comunque terzultima in Europa di Serena Uccello 25 gennaio
DettagliRigiTel.ch - Preisliste 2016
1 RigiTel.ch - Preisliste 2016 FESTNETZ MOBILE Destination Fr./Min. Fr./Min. Afghanistan 0.96 Afghanistan Mobile 0.69 Albania 0.46 Albania Mobile 0.53 Albania OLO 4.11 Algeria 0.23 Algeria Mobile 0.59
DettagliIndicatore di business attractiveness IBA 2013 (Alessia Amighini, Riccardo Bramante, Federica Poli) Università Cattolica del S.
Indicatore di business attractiveness IBA 2013 (Alessia Amighini, Riccardo Bramante, Federica Poli) Università Cattolica del S. Cuore Ricerca finanziata da: 1. L INDICATORE DI BUSINESS ATTRACTIVENESS (IBA)
DettagliInvestitori (ir)razionali: La finanza comportamentale e lo studio dei mercati finanziari
Investitori (ir)razionali: La finanza comportamentale e lo studio dei mercati finanziari Matteo Ploner matteo.ploner@unitn.it World Investor Week 2017 IIS Martino Martini, Mezzolombardo (TN) 4 ottobre
DettagliPage 1/6
SOLUZIONI TECNOLOGICHE Internet alla conquista del mondo di Teamsystem.com Uno studio condotto dalla parla chiaro: il 40% della popolazione mondiale è già online. Si parla di cifre importanti che dai 2,3
DettagliCome fare per. avere successo nei mercati internazionali. 27 Giugno 2018
Come fare per avere successo nei mercati internazionali 27 Giugno 2018 PARTIAMO DA QUALCHE DATO L Italia è un paese che esporta tanto e l export è in crescita, con un balzo nel 2017 del 7,4% rispetto all
DettagliACCADEMIA NAZIONALE DI DANZA I ROMA IT02 KA China (People's Republic of) 89.5
Accademia Albertina delle Belle Arti I TORINO04 2019 1 IT02 KA107 062043 Montenegro 86.5 71.306,00 Accademia di Belle Arti di Napoli I NAPOLI06 2019 1 IT02 KA107 061595 Cambodia 60.5 15.720,00 Nepal 62.5
DettagliInvenium - Global connection, credit solutions 2017 Invenium - All Rights Reserved
Strumenti finanziari per supportare le vendite di ICT e soluzioni verso la Pubblica Amministrazione: cessione crediti/anticipazione fatture e locazioni operative verso la P.A Gli obiettivi di questo documento
DettagliDOC CIMEA 129 CREDENTIAL EVALUATION SINCE Analisi dei flussi degli studenti internazionali in Italia. Luca Lantero.
DOC CIMEA 129 CREDENTIAL EVALUATION SINCE 1984 Analisi dei flussi degli studenti internazionali in Italia Luca Lantero Dicembre 2016 Tutti i diritti sui contenuti dei DOC CIMEA sono di proprietà di Associazione
Dettagli3.7% 3.2% 3.2% 2.6% 1 febbraio 2019
3.7% 3.2% 3.2% 2.6% Italia 2.0% La percentuale degli investimenti sul Pil si è mantenuta bassa, nonostante la caduta del Pil rispetto agli altri paesi Bassa crescita Minori entrate pubbliche Tagli
DettagliKNX: Lo standard mondiale per il controllo di case ed edifici
KNX: Lo standard mondiale per il controllo di case ed edifici KNX: lo Standard CENELEC EN 50090 è l unico European Standard for Home and Building Electronic Systems (HBES) basato su KNX. CEN EN 13321-1
DettagliUno scenario frammentato
SICUREZZA ALIMENTARE Uno scenario frammentato Legenda situazione ATTUALE (ultimi dati disponibili) migliore Al di sopra della media Al di sotto della media peggiore PROGRESSO (variazione registratasi tra
DettagliAlcuni dati economici
Alcuni dati economici OCSE (OECD) Organizzazione per la Cooperazione e lo Sviluppo Economico Rapporto sull Educazione Settembre 2008 L OCSE raggruppa 30 paesi membri che condividono l impegno per l esistenza
Dettaglinew wall concept Listino prezzi Giugno 2015 elementi e sistemi decorativi
new wall concept Listino prezzi Giugno 2015 elementi e sistemi decorativi new wall concept CONDIZIONI GENERALI DI VENDITA Nel presente listino sono indicati i prezzi al netto di iva e di eventuali tasse
Dettagli1-Stranieri residenti a Torino per cittadinanza e genere
1-Stranieri residenti a Torino per cittadinanza e genere CITTADINANZA Maschi Femmine Totale UNIONE EUROPEA UNIONE EUROPEA- Allargamento 2004 ALTRI PAESI EUROPEI ASIA Austria 23 37 60 Belgio 46 63 109 Danimarca
DettagliPISA 2015: l Italia a confronto
PISA 2015: l Italia a confronto Martedì 6 dicembre 2016 Roma Francesco Avvisati PISA il test PISA in breve - 2015 Nel 2015, 540 000 studenti - Scelti tra i 28 millioni di studenti 15enni nei 72 paesi/economie
DettagliSpecialisti della gestione crediti del Fintech PROGETTO FINTECH. Invenium - Global connection, credit solutions 2017 Invenium - All Rights Reserved
Specialisti della gestione crediti del Fintech PROGETTO FINTECH Indice COMPANY PROFILE RECUPERO CREDITI STRAGIUDIZIALE APPROCCIO ADR E PRE CONTENZIOSO ACQUISIZIONE DI PORTAFOGLI CREDITI RECUPERO CREDITI
Dettagli1. Stranieri residenti a Torino per cittadinanza e genere
1. Stranieri residenti a Torino per cittadinanza e genere Maschi Femmmine Totale Austria 13 33 46 Belgio 44 63 107 Danimarca 12 11 23 Finlandia 3 18 21 Francia 466 561 1.027 Germania 173 208 381 UNIONE
DettagliKIT DI PRECARICA tipo PC 11.1 I 01-12
KIT DI PRECARICA tipo PC 11.1 I 01-12 11.1.1 DATI TECNICI PRESSIONE MASSIMA DI ESERCIZIO (PS): 600 BAR PRESSIONE DI COLLAUDO (PT): 1.43 PS FONDO SCALA MANOMETRO: 4-10 - 16-25 - 60-100 - 250 (std.) - 400-600
Dettagli1.Stranieri residenti a Torino per cittadinanza e genere
1.Stranieri residenti a Torino per cittadinanza e genere Unione Europea Altri Paesi Europei Ex U.R.S.S. Asia CITTADINANZA Maschi Femmine Austria 16 34 50 Belgio 41 67 108 Danimarca 11 12 23 Finlandia 2
DettagliEffetti individuali ed effetti di contesto
Effetti individuali ed effetti di contesto Susanna Zaccarin VENEZIA, 19 febbraio 2008 Dipartimento di Scienze Economiche e Statistiche Università di Trieste 1 Gli obiettivi di PISA mettere a punto indicatori
DettagliK-means clustering con R
K-means clustering con R Emanuele Taufer file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_k-means.html#(1) 1/10 Introduzione K-means è un approccio semplice ed elegante
DettagliIT02 KA Senegal IT02 KA Armenia IT02 KA Australia 88
ALMA MATER STUDIORUM UNIVERSITA DI BOLOGNA I BOLOGNA01 2017 1 IT02 KA107 036226 Albania 87.5 147.190,10 2017 1 IT02 KA107 036226 Angola 94.5 29.019,65 2017 1 IT02 KA107 036226 Armenia 85 100.096,83 2017
DettagliI numeri del commercio internazionale
Università di Teramo Aprile, 2008 Giovanni Di Bartolomeo gdibartolomeo@unite.it I numeri del commercio internazionale Big traders Netherlands 4% United Kingdom 4% France 5% China 6% Italy 4% Japan 7% Korea,
DettagliKRESTON GV Italy Audit Srl The new brand, the new vision
KRESTON GV Italy Audit Srl The new brand, the new vision Chi siamo Kreston GV Italy Audit Srl è il membro italiano di Kreston International, network internazionale di servizi di revisione, di corporate
Dettagli1-Stranieri residenti a Torino per cittadinanza e genere
1-Stranieri residenti a Torino per cittadinanza e genere CITTADINANZA Maschi Femmine Austria 22 33 55 Belgio 46 65 111 Danimarca 11 14 25 Finlandia 1 18 19 Francia 488 550 1.038 Germania 172 215 387 Unione
DettagliTIM - Lista dei Paesi a cui si applicano le tariffe di terminazione e Date di decorrenza
0093 Afghanistan Dal 1 settembre 2015 00355 Albania (Republic of) 00213 Algeria (People's Democratic Republic of) 001684 American Samoa 00376 Andorra (Principality of) Dal 1 settembre 2015 00244 Angola
Dettagli2011/ / / / /16 Post laurea. Primo e secondo. Totale secondo. Post laurea. Post laurea. Post laurea. Post laurea.
Storico studenti stranieri per paese di cittadinanza e per livello di studi elaborato Venerdì 5 Agosto 2016 Pag. 1 di 5 AFRICA EGITTO MAROCCO CAMERUN GHANA TUNISIA CONGO COSTA D'AVORIO NIGERIA TOGO ETIOPIA
Dettagliobbligazioni corporate e semi-government (tenute presso il corrispondente estero) emesse prima del 01/01/1999;
SPAGNA: guida operativa di assistenza fiscale su strumenti finanziari obbligazionari corporate e semi-government (sub depositati presso il depositario del corrispondente estero) di diritto spagnolo non
DettagliInvenium - Global connection, credit solutions 2017 Invenium - All Rights Reserved
Index COMPANY PROFILE FOCUS: IL SETTORE MARINE CONSULTING SERVICES ON CREDIT PORTFOLIOS CREDIT LIFE CYCLE (CREDITI VERSO LA PUBBLICA AMMINISTRAZIONE) NOTES ON INVENIUM: SPECIFICITA, STRONG POINTS NOTES
DettagliSCHEDA DI APPROFONDIMENTO
SCHEDA DI APPROFONDIMENTO Origini e finalità: La Community of Democracies è un esercizio che muove i suoi primi passi nel 1999, sotto l impulso dell Amministrazione Clinton, e trova consacrazione ufficiale
DettagliLista dei paesi terzi
DOGANA : ACCORDI DI ORIGINE PREFERENZIALE Lista dei paesi terzi PAESE ACCORDO AFGHANISTAN ALBANIA ALGERIA PAN EURO MED - AMERICAN SAMOA ANDORRA CUSTOMS UNIONS ANGOLA ANGUILLA OCT - ANTARCTICA OCT - ANTIGUA
DettagliVoIP Super - Standard
VoIP Super - Standard,15,139 2,139,139 & OUT 3 5,9,139 & OUT 1 13,9 4, & OUT 3 Portato 6,9 & OUT 1 Portato 1 VoIP Super - Mobile,18,119 2,119,119 & OUT 3 5,9,119 & OUT 1 13,9 4, & OUT 3 Portato 6,9 & OUT
DettagliConvenzione dell 11 ottobre 1985 istitutiva dell Agenzia multilaterale per la garanzia degli investimenti
Convenzione dell 11 ottobre 1985 istitutiva dell Agenzia multilaterale per la garanzia degli investimenti RS 0.975.1; RU 1989 641 Campo d applicazione l 8 ottobre 2004, complemento 1 Afghanistan 16 giugno
DettagliLa necessità di investire nelle persone
SPESA La necessità di investire nelle persone Tabella completa: www.socialwatch.org/statistics2008 Legenda (ultimi dati disponibili) migliore Al di sopra della media Al di sotto della media peggiore Dati
DettagliMODULAR DOOR SYSTEM. ISO Classe 1 MDS1.
MODULAR DOOR SYSTEM ISO 4190-1 Classe 1 MDS1 www.wittur.com MODULAR DOOR SYSTEM ISO 4190-1 Classe 1 MDS1 Porta automatica per nuove installazioni di impianti ascensore in edifici residenziali conformemente
DettagliOCSE-PISA Il Veneto nel quadro nazionale e internazionale
OCSE-PISA 2006. Il Veneto nel quadro nazionale e internazionale Angela Martini VENEZIA, 19 febbraio 2008 Agenzia Nazionale per lo Sviluppo dell Autonomia Scolastica a.martini@irre.veneto.it Il campione
DettagliOmbre e luci. Commento a Rapporto ICE su Italia e commercio internazionale Roma, 7 novembre Tito Boeri
Ombre e luci Commento a Rapporto ICE su Italia e commercio internazionale Roma, 7 novembre 2006 Tito Boeri Università Bocconi e Fondazione Rodolfo Debenedetti Ombre e luci Il declino delle quote di mercato
DettagliConvenzione di Berna per la protezione delle opere letterarie e artistiche riveduta a Parigi il 24 luglio 1971 (con annesso)
Convenzione di Berna per la protezione delle opere letterarie e artistiche riveduta a Parigi il 24 luglio 1971 (con annesso) RS 0.231.15; RU 1993 2659 Campo di applicazione della convenzione il 5 gennaio
Dettagli2007/ / / / /12 Post laurea. Primo e secondo. Totale secondo. Post laurea. Post laurea. Post laurea. Post laurea.
Storico studenti stranieri per paese di cittadinanza e per livello di studi elaborato Martedì 2 Ottobre 2012 Pag. 1 di 5 AFRICA MAROCCO EGITTO CAMERUN TUNISIA CONGO ETIOPIA GHANA REP. DEMOCRATICA DEL CONGO
DettagliAL TOTAL INDICATO, DA AGGIUNGERE : 15 Euro: Competenze INIT srl. Ed eventuali altri servizi utilizzati.
AL TOTAL INDICATO, DA AGGIUNGERE : 15 Euro: Competenze INIT srl Ed eventuali altri servizi utilizzati. Nationality Visa Service Duration Entries Currency Fee IC Amo WF unt Total UNITED KINGDOM UNITED KINGDOM
Dettagli2005/ / / / /10 Post laurea. Primo e secondo. Totale secondo. Post laurea. Post laurea. Post laurea. Post laurea.
Storico studenti stranieri per paese di cittadinanza e per livello di studi elaborato Lunedì 8 Novembre 2010 Pag. 1 di 5 AFRICA MAROCCO EGITTO CAMERUN TUNISIA CONGO ETIOPIA ALGERIA GHANA LIBIA NIGERIA
DettagliH3G : liste dei Paesi a cui si applicano le tariffe di terminazione e data di decorrenza
H3G : liste dei Paesi a cui si applicano le tariffe di terminazione e data di decorrenza Area B Prefisso Paese Data di decorrenza 0061 Australia Dal 1 ottobre 2015 00880 Bangladesh (People's Republic of)
DettagliInvenium - Global connection, credit solutions 2017 Invenium - All Rights Reserved
Index COMPANY PROFILE FOCUS: IL SETTORE AEREOSPACE CONSULTING SERVICES ON CREDIT PORTFOLIOS CREDIT LIFE CYCLE (CREDITI VERSO LA PUBBLICA AMMINISTRAZIONE) NOTES ON INVENIUM: SPECIFICITA, STRONG POINTS NOTES
Dettagli2008/ / / / /13 Post laurea. Primo e secondo. Totale secondo. Post laurea. Post laurea. Post laurea. Post laurea.
Storico studenti stranieri per paese di cittadinanza e per livello di studi elaborato Giovedì 16 Gennaio 2014 Pag. 1 di 5 AFRICA MAROCCO EGITTO CAMERUN TUNISIA CONGO GHANA ETIOPIA REP. DEMOCRATICA DEL
DettagliVoIP Super - Standard
VoIP Super - Standard,15,139 2,139,139 & OUT 3 5,9,139 & OUT 1 13,9 4, & OUT 3 Portato 6,9 & OUT 1 Portato 1 VoIP Super - Mobile,18,119 2,119,119 & OUT 3 5,9,119 & OUT 1 13,9 4, & OUT 3 Portato 6,9 & OUT
DettagliReport di osservazione
Report di osservazione RIFERIMENTI DELLA RICERCA Marchio osservato: Periodo Dal 15 al 21 Agosto 2016 Pagina 1 di 5 Sommario Report di osservazione del marchio Sommario Metodologia di ricerca Analisi dei
DettagliAIPCR/PIARC. COMITATO INTERNAZIONALE C4 Interurban Roads and Integrated Transport
AIPCR/PIARC COMITATO INTERNAZIONALE C4 Interurban Roads and Integrated Transport SOTTOCOMITATO WG1 Multimodal Organization and Global Impacts of the Transport System Relations between transport/network
DettagliUna Malattia dei Bronchi e dei Polmoni Cronica Ostruttiva SCUOLA BPCO 2012 A.C.O. S. FILIPPO NERI ROMA
Una Malattia dei Bronchi e dei Polmoni Cronica Ostruttiva SCUOLA BPCO 2012 A.C.O. S. FILIPPO NERI ROMA 1 DEFINIZIONE 2011 La BPCO, malattia frequente, prevenibile e trattabile, è caratterizzata da una
DettagliL alto costo dei diritti fondamentali
SICUREZZA ALIMENTARE L alto costo dei diritti fondamentali Tabella completa: www.socialwatch.org/statistics2008 Legenda (ultimi dati disponibili) migliore Al di sopra della media Al di sotto della media
DettagliPOPOLAZIONE STRANIERA RESIDENTE ASL NAPOLI 2 NORD
REGIONE CAMPANIA AZIENDA SANITARIA LOCALE NA2 NORD UOC Flussi Informativi - Controllo di Gestione Via C. Alvaro, 8 Monteruscello Tel. 0813050420-21-18-16 - 44 tel/fax 0813050419 POPOLAZIONE STRANIERA RESIDENTE
DettagliPERCORSI FORMATIVI E DISUGUAGLIANZE DI GENERE
PERCORSI FORMATIVI E DISUGUAGLIANZE DI GENERE 23 gennaio 2017 Biblioteca dell Assemblea Legislativa Regione Emilia-Romagna Mariagiulia Matteucci e Stefania Mignani Dipartimento di Scienze Statistiche Università
DettagliVariazioni Tariffarie con decorrenza 1 marzo
Afghanistan 34 20 35 42 Afghanistan, mobile 40 20 41 42 Alaska 258 35 260 150 Albania 90 30 100 100 Albania OLO 90 25 100 100 Albania, mobile 60 20 64 45 Albania, Tirana 80 30 64 100 Algeria 140 34 160
DettagliEmerging markets: thrills and spills Bond Paesi Emergenti: potenzialità di rendimento ma a quale prezzo?
Emerging markets: thrills and spills Bond Paesi Emergenti: potenzialità di rendimento ma a quale prezzo? 1 I PAESI EMERGENTI: COMPOSIZIONE INDICE TURKEY 10,1% MEXICO 9,4% RUSSIAN FEDERATION 8,2% INDONESIA
DettagliOTS. FEEL GOODS. COMPANY PROFILE
OTS. FEEL GOODS. COMPANY PROFILE INDICE 4 CHI SIAMO 6 IL TRASPORTO 8 MISSION 10 VISION 12 SERVIZI 14 SALES E CUSTOMER SERVICE 16 IMPORT / EXPORT E CROSSTRADE 18 LOGISTICA 20 DOGANA 22 PROJECT DIVISION
DettagliLa mia guida all estero
La mia guida all estero Mi trovo all estero e voglio chiamare, usare gli e navigare in UE. Sono in Unione Europea Austria, Azzorre, Belgio, Bulgaria, Cipro, Croazia, Danimarca, Estonia, Finlandia, Francia,
DettagliListino PhoneAll. Mobile fisso e mobile DIGITALK Zone Tutti (tranne Fastweb) Telefonica Fisso TIM Vodafone Wind H3G. Fisso
DIGITALK Zone Tutti (tranne Fastweb) Telefonica TIM Vodafone Wind H3G AFGHANISTAN 40 38 19 36 23 22 25 25 AFGHANISTAN 36 34 18 32 21 20 23 23 ALBANIA 55 52 23 47 27 26 30 31 ALBANIA AMC 48 45 21 42 25
DettagliDestination Cost Per Minute Column1
*0.005p connection fee applies to international destinations (half a pence) No Per Minute Billing to International Destinations (only to the nearest 10 seconds) No Connection Fees to UK Local & National
DettagliIl divario si allarga sempre più
Tecnologie per l informazione e le comunicazioni Il divario si allarga sempre più Legenda situazione (ultimi dati disponibili) Situazione migliore Al di sopra della media Al di sotto della media Situazione
DettagliStranieri e italiani per acquisizione della cittadinanza a Palermo anno 2017
Ufficio Statistica Report statistico (12/03//2018) Stranieri e italiani per della cittadinanza a Palermo anno 2017 Il presente report vuole offrire un analisi per cittadinanza e area geografica dei cittadini
DettagliElenco Bandiere del Mondo
Divisione Comunicazione Visiva www.pubblicarb.it/pennoni-bandiere/ Tel. 080 534 4812 Elenco Bandiere del Mondo Bandiere Africa Produzione e vendita di bandiere in poliestere nautico bandiere africane da
DettagliIl Sistema Bus KNX. Standard mondiale ISO/IEC Milano, 14 dicembre Renato Ricci Diego Pastore
Il Sistema Bus KNX Standard mondiale ISO/IEC 14543-3 Renato Ricci Diego Pastore Milano, 14 dicembre 2012 KNX: I pilastri Certificazione la Certificazione KNX garantisce un alto livello di qualità ai prodotti
DettagliLe novità sui materiali specifici a rischio
IZSTO Istituto Zooprofilattico Sperimentale del Piemonte, Liguria e Valle d Aosta Le novità sui materiali specifici a rischio Daniela Meloni Centro di riferimento Nazionale Encefalopatie Animali daniela.meloni@izsto.it
DettagliCALL 2016 ERASMUS+ ISTRUZIONE SUPERIORE KA 1 INTERNATIONAL CREDIT MOBILITY ESITI A.A. 2016/2017
CALL 2016 ERASMUS+ ISTRUZIONE SUPERIORE KA 1 INTERNATIONAL CREDIT MOBILITY ESITI A.A. 2016/2017 Istituto Numero Progetto Paese Punteggio Contributo Assegnato ACCADEMIA DI BELLE ARTI MACERATA 2016 1 IT02
DettagliListino (euro/min) IVA inclusa
Destinazione Nazionali verso numerazioni Clouditalia gratis Nazionali 0,0183 Mobili Tim 0,1464 Mobili Vodafone 0,1464 Mobili Wind 0,1464 Mobili H3G 0,1464 Mobile 310 Elsacom 0,6100 Mobile 313 RFI 0,3050
Dettagli2006/ / / / /11 Post laurea. Primo e secondo. Totale secondo. Post laurea. Post laurea. Post laurea. Post laurea.
Storico studenti stranieri per paese di cittadinanza e per livello di studi elaborato Lunedì 12 Settembre 2011 Pag. 1 di 5 AFRICA MAROCCO EGITTO CAMERUN TUNISIA CONGO ETIOPIA GHANA ALGERIA SENEGAL ERITREA
DettagliMuseo Internazionale della Croce Rossa. Mariagrazia Baccolo Croce Rossa Italiana _ Castiglione delle Stiviere
Museo Internazionale della Croce Rossa Mariagrazia Baccolo Croce Rossa Italiana _ Castiglione delle Stiviere Museo Internazionale Croce Rossa Castiglione delle Stiviere 1 Il Palazzo Longhi Triulzi è della
DettagliCAMERA DI COMMERCIO DI TORINO Settore INNOVAZIONE TECNOLOGICA
CAMERA DI COMMERCIO DI TORINO Settore INNOVAZIONE TECNOLOGICA Settore Innovazione: chi siamo, cosa facciamo PRESENTAZIONE ATTIVITA Le aziende Innovative torinesi Portale ito Innovazione & Ricerca Servizi
DettagliDIAGNOSTICA DEI RESIDUI
DIAGNOSTICA DEI RESIDUI Per valutare la bontà dei residui in un modello di regressione lineare esistono diverse possibilità, alcune di tipo esplorativo basate sulla costruzione di opportuni grafici ed
DettagliCorso di Economia dello Sviluppo a.a Prof.ssa Azzurra Rinaldi Prof.ssa Irene Salerno
Corso di Economia dello Sviluppo a.a. 2017-18 Prof.ssa Azzurra Rinaldi Prof.ssa Irene Salerno PIL a prezzi correnti o costanti PIL a prezzi correnti PIL nominale Soggetto alla struttura corrente dei prezzi
DettagliClassificazione Istat degli Stati esteri al 31 dicembre 2014 Code of Foreign Countries on 31 December 2014
Classificazione Istat degli Stati esteri al 31 dicembre 2014 Code of Foreign Countries on 31 December 2014 Cod. Cod. Cod. EUROPA Continente Area Stato Unione Europea EUROPE European Union 1 11 203 Austria
DettagliASCOSIM 3 Forum Nazionale sulla Consulenza Finanziaria 20 Marzo 2013 VOLATILITÀ, CORRELAZIONI E LIQUIDITÀ NEI MERCATI EMERGENTI E FRONTIER
ASCOSIM 3 Forum Nazionale sulla Consulenza Finanziaria 20 Marzo 2013 Tabella 1. Classificazioni PAESI FTSE MSCI STANDARD & POOR GALILEO INVESTABLE FTSE MSCI STANDARD & POOR LATIN AMERICA 1 3 6 3 AFRICA
DettagliConvenzione internazionale del 6 dicembre 1951 per la protezione dei vegetali
Convenzione internazionale del 6 dicembre 1951 per la protezione dei vegetali RS 0.916.20; RU 1997 1515 Campo d applicazione il 24 agosto 2006 1 Albania 29 luglio 1999 A 29 luglio 1999 Algeria 1 ottobre
DettagliTavola Stima (a) dei nati per area geografica e singolo paese di cittadinanza - Anni di iscrizione
Tavola 1.12 - Stima (a) dei nati per area geografica e singolo paese di cittadinanza EUROPA 19.591 22.114 25.695 29.834 31.236 32.635 34.279 35.223 34.029 33.017 Unione Europea (b) 7.344 8.634 11.408 14.260
DettagliA QUANTI ANNI SI VOTA
A QUANTI ANNI SI VOTA IN TUTTI GLI STATI DEL MONDO? STATO Età del voto Note Afghanistan Albania Algeria American Samoa Andorra Angola Anguilla Antigua and Barbuda 18-70 anni e obbligatorio 16-17 e >70
DettagliStrategie integrate di miglioramento
Milano, 14 febbraio 2008 Strategie integrate di miglioramento Mario Giacomo Dutto L insegnamento della matematica Scenario Strategie Azioni Debiti a scuola scuola secondaria di II grado 2006-2007 debiti
DettagliEpidemiologia della tubercolosi
Sorveglianza della tubercolosi nelle strutture sanitarie e socio-assistenziali Parma, 19 maggio 26 Epidemiologia della tubercolosi Bianca Maria Borrini Dipartimento Sanità Pubblica AUSL di Parma La tubercolosi
DettagliGli stratagemmi della disuguaglianza: dal divario digitale al divario cognitivo
INFORMATIZZAZIONE, SCIENZA E Gli stratagemmi della disuguaglianza: dal divario digitale al divario cognitivo Tabella completa: www.socialwatch.org/statistics2008 Legenda (ultimi dati disponibili) migliore
DettagliOsservatorio Nazionale sulla Ricerca Scientifica nel campo delle Energie Rinnovabili
Osservatorio Nazionale sulla Ricerca Scientifica nel campo delle Energie Rinnovabili Con la collaborazione di IGP Index 2015 Index- 2015 2 Rapporto sulla produzione scientifica in tema di energie rinnovabili
DettagliSUMMIT INTERNAZIONALE ACQUA E CLIMA
35 ORGANISMI DI BACINO 34 BACINI IDRO GRAFICI 3MD CIRCA 5 CONTINENTI POPOLAZIONE RAPPRESENTATA 435.256 PORTATA MEDIA TOTALE IN MC/S DATI RELATIVI AI BACINI IDRICI RAPPRESENTATI AL SUMMIT INTERNAZIONALE
DettagliBNP Paribas, il vostro partner in Francia
BNL Gruppo BNP Paribas Divisione Corporate Banking BNP Paribas, il vostro partner in Francia MONIKA BANCZYK Udine, 26/10/2018 Responsabile Business Internazionale BNL BNP Paribas: un gruppo bancario solido,
Dettagli(il totale deve corrispondere a quanto indicato al punto stranieri - della sezione Bilancio) (2) :
AFGHANISTAN() ALBANIA() ALGERIA() ANDORRA() ANGOLA() ANTIGUA E BARBUDA() APOLIDE(99) ARABIA SAUDITA() ARGENTINA() ARMENIA() AUSTRALIA() AUSTRIA() AZERBAIGIAN() BAHAMA() BAHREIN() BANGLADESH() BARBADOS()
Dettagli(il totale deve corrispondere a quanto indicato al punto stranieri - della sezione Bilancio) (2) :
AFGHANISTAN(301) ALBANIA(201) ALGERIA(401) ANDORRA(202) ANGOLA(402) ANTIGUA E BARBUDA(503) APOLIDE(997) ARABIA SAUDITA(302) ARGENTINA(602) ARMENIA(358) AUSTRALIA(701) AUSTRIA(203) AZERBAIGIAN(255) BAHAMA(505)
DettagliProcedura per presentazione domande di brevetto nazionale ed estensione in Europa e/o internazionale: costi e valutazioni
Modiano & Partners per CAMERA DI COMMERCIO - Procedura per presentazione domande di brevetto nazionale ed estensione in Europa 13 novembre 2013 Ing. Stefano Gaggia Ing. Domenico Signori Cos è il diritto
DettagliFinanziamento pubblico e spesa privata: quali trend per la sanità? Nino Cartabellotta Fondazione GIMBE
Finanziamento pubblico e spesa privata: quali trend per la sanità? Nino Cartabellotta Fondazione GIMBE Disclosure La Fondazione GIMBE, di cui sono Presidente, eroga attività di formazione e coaching su
DettagliTABELLA 3 - CLASSIFICAZIONE PER AREE PAESI ESTERI
esterno equiparato A Afghanistan 120,00 120,00 A Iran 120,00 120,00 A Bulgaria 120,00 120,00 A Australia 120,00 120,00 A Malta 120,00 120,00 A Nauru Rep. 120,00 120,00 A Papua Nuova Guinea 120,00 120,00
DettagliL'integrazione dei criteri. ESG nell'investimento sul Debito Sovrano
L'integrazione dei criteri ESG nell'investimento sul Debito Sovrano Investire in strumenti obbligazionari comporta principalmente nell analisi di 3 fattori: RISCHIO DI CREDITO RISCHIO DI TASSO RISCHIO
Dettaglicosto al minuto IVA esc.
Direttrice listino in vigore dal 15 ottobre 2005 costo al minuto IVA esc. costo al minuto IVA comp. Italy Fixed 0,014313 0,017175 H3G 0,251880 0,302256 Omnitel 0,196800 0,236160 TIM 0,196800 0,236160 Wind
DettagliOCSE PISA 2009 Programme for International Student Assessment
7 dicembre 2010 INVALSI OCSE PISA 2009 Programme for International Student Assessment Risultati nazionali La rilevazione OCSE PISA 2009 Quarta edizione del programma PISA (rilevazioni triennali). Obiettivo
DettagliIncidenza globale del sovrappeso e dell'obesità negli adulti per regione
Incidenza globale del sovrappeso e dell'obesità negli adulti per regione Regione Europea Albania 2008-9 Nazionale 10302 15-49 44.8 8.5 29.6 9.7 DHS Armenia 2005 Nazionale 6016 15-49 26.9 15.5 DHS Austria
Dettagli