Appunti di Statistica Descrittiva
|
|
- Aniello Buono
- 8 anni fa
- Visualizzazioni
Transcript
1 Appunti di Statistica Descrittiva 30 dicembre La tabella a doppia entrata Per studiare dei fenomeni con caratteristiche statistiche si utilizza l espediente della tabella a doppia entrata Per esempio si vuole studiare se le persone con una certa età prediligono se andare al mare o in montagna Se X è l età e Y il luogo di villeggiatura, la tabella a doppia entrata è un modo per descrivere la frequenza del numero di persone che, nel campione considerato, preferiscono andare in montagna o al mare a partità di età Generalmente la tabella a doppia entrata date le caratteristiche statistiche X e Y e le modalità x 1,, x h e y 1,, y k si presenta in questa maniera: X/Y y 1 y y j y k n i x 1 n 11 n 1 n 1j n 1k n 1 x n 1 n n j n k n x i n i1 n i n ij n ik n i x h n h1 n h n hj n hk n h n j n 1 n n j n k n dove n ij viene chiamata genericamente la frequenza congiunta, ovvero la frequenza dell evento che contemporaneamente possiede l attributo della modalità x i e l attributo della modalità y j, mentre n i e n j sono le frequenze marginali rispettivamente di X e di Y La tabella delle frequenze assolute ha queste proprietà: n i = n ij n j = Questa dispensa è frutto della mente malata di Federico Carlini Quindi, se trovaste errori, mandate una mail a questo losco individuo a federimi@hotmailcom, così potrò sistemare il tutto Vi ringrazio per la collaborazione! n ij 1
2 n = n ij = La tabella con le frequenze relative invece si ottiene sostituendo le frequenze assolute n ij con le frequenze relative f ij calcolate in questa maniera: f ij = n ij n n j = e avremo anzichè le marginali assolute n i o n j, le marginali relative f i o f j, f i = f j = f ij f ij n i e si può dimostrare che: f ij = f i = f j = 1 Proviamo a vedere questi concetti in un esempio numerico Si considerino tutti gli studenti del dipartimento di Economia che in estate sono andati al mare o in montagna Chiamiamo X la caratteristica che distingue il luogo di villeggiatura (ovvero montagna/mare) e chiamiamo Y la caratteristica che distingue le classi di età (vale la regola che coloro che vanno in montagna non possono andare al mare) Proviamo ora a scrivere la tabella a doppia entrata con le frequenze assolute: X/Y n i montagna = 10 mare = 330 n j = = = = = 450 Se dovessimo riscrivere la tabella con le frequenze relative, si trova che X/Y f i montagna 40/450 = 0, /450 = /450 = mare 100/450 = 0 150/450 = /450 = f j E si può notare come tutte le proprietà descritte precedentemente siano vere
3 11 La distribuzione marginale La distribuzione marginale vorrebbe riassumere nient altro che la distribuzione di X e la distribuzione di Y, senza che si osservino i legami tra le due varabili (per essere veri statistici si direbbere unconditionally o non condizionatamente) Quindi se dovessimo rappresentare la marginale assoluta di Y date le modalità y 1,, y k, e la marginale relativa di X date le modalità x 1,, x h, esse si possono rappresentare tramite tabelle come: Y n ij X f ij y 1 n 1 y n x 1 f 1 x f y k 1 n (k 1) x h 1 f (h 1) y k n k n x h f h 1 Oppure si può ricorrere a quest altra notazione: n Y = (n 1, n,, n k ) f X = (f 1, f,, f k ) Quindi, per essere più intuitivi, se volessimo calcolare la distribuzioni marginale di Y dobbiamo fregarcene di quello che succede alla caratteristica X Inoltre è bene ricordarsi che dalle distribuzioni congiunte si possono ottenere le distribuzioni marginali univocamente, ma non è possibile il viceversa Nell esempio precedente avremo che la distribuzione marginale assoluta di Y e la distribuzione marginale relativa di X sono: Y n ij X f ij montagna 067 mare La distribuzione condizionata La distribuzione condizionata è un altro concetto importante e più sofisticato della marginale, in cui cerchiamo di capire le distribuzioni di una caratteristica (ad esempio la Y ) rispetto ad una modalità dell altra caratteristica (ad esempio x i ) La distribuzione condizionata viene descritta dalle tabelle seguenti, la prima per la distribuzione assoluta, mentre la seconda per la distribuzione relativa 3
4 Y x i n Y x i f y 1 x i y x i n i1 n i y 1 x i n i1 /n i = f i1 /f i y x i n i /n i = f i /f i y k 1 x i y k x i n i(k 1) n ik n i y k 1 x i n i(k 1) /n i = f i(k 1) /f i y k x i n ik /n i = f ik /f i 1 Ogni distribuzione relativa, come al solito, ha la caratteristica che le frequenze relative sommano ad 1 Ma intuitivamente cosa significa calcolare la distribuzione condizionale? In prima analisi significa vedere qual è la distribuzione delle frequenze di una caratteristica statistica (in questo caso la Y ) rispetto ad una sola modalità della caratteristica statistica X In generale, per ogni x i x j, si avranno le distribuzioni condizionate Y x i e Y x j diverse Ovviamente nulla ci vieta di trovare le condizionali X y j,che avranno anch esse certe caratteristiche distributive Per ultimo si ricordi che con qualche condizione sulle distribuzioni condizionate ed alcune condizioni sulle distribuzioni marginali si possono trovare le congiunte Se vogliamo calcolare le distribuzioni condizionate assoluta di Y x e la distribuzione condizionata relativa di X y 1 nell esempio numerico otteniamo Y x n y 1 x 100 y x 150 y 3 x X y 1 f x 1 y 1 40/140 = 086 x y 100/140 = Indipendenza stocastica Si dice che i fenomeni X ed Y sono detti stocasticamente indipendenti se: 1 Le distribuzioni condizionali relative di Y x i sono uguali per ogni i = 1,, h Le distribuzioni condizionali relative di X y j sono uguali per ogni j = 1,, k 3 Le distribuzioni condizionali relative di Y x i sono uguali alla distribuzione marginale relativa di Y 4 Le distribuzioni condizionali relative di X y j sono uguali alle distribuzioni marginali relativa di X Per capire meglio cosa sia l indipendenza stocastica facciamo un esempio numerico Abbiamo una tabella a doppia entrata così fatta: X/Y 3 5 n i n j
5 Innanzitutto si osservi come le righe (e le colonne) siano proporzionali l una con l altra (ovvero ogni riga (colonna) è combinazione lineare delle altre righe (colonne)) Ora proviamo a calcolare le distribuzioni delle frequenze relative condizionate e otteniamo che: f Y x1 = ( 5 35, 10 35, 0 ) 35 f Y x = ( 10 70, 0 70, 40 ) 70 f X y1 = ( 5 15, 10 ) 15 f X y = ( 10 30, 0 ) 30 f X y3 = ( 0 60, 40 ) 60 Ora calcoliamo le distribuzioni delle frequenze relative marginali per ottenere che: f Y = f X = ( , , 60 ) 105 ( , 70 ) 105 A questo punto si nota facendo i calcoli che f Y x1 = f Y x = f Y e che f X y1 = f X y = f X y3 = f X e questa è la proprietà per la quale si definisce l indipendenza stocastica Quindi: Definizione 1: Parliamo di indipendenza stocastica tra X ed Y se e solo se le distribuzioni condizionate relative ad una variabile (Y e X) sono uguali alle distribuzioni delle frequenze marginali relative della stessa variabile, cioè in una tabella a doppia entrata in generale vale che: f Y x1 = f Y x = = f Y xh = f Y f X y1 = f X y = = f X yk = f X 1 Frequenze teoriche Ora proviamo a calcolare le frequenze teoriche dell esercizio del paragrafo precedente, definite come: con n, ovvero il numero totale di osservazioni ˆn ij = n i n j n Se si provano a calcolare quindi le frequenze teoriche nell esercizio del paragrafo precedente si ottiene che: ˆn ij 3 5 ˆn i ˆn j e si nota come esse siano identiche a quelle di partenza Pertanto un altra condizione che può essere utile per parlare di indipendenza stocastica è la seguente 5
6 Definizione 1(bis): Parliamo di indipendenza stocastica tra Y ed X se e solo se le frequenze teoriche sono uguali alle frequenze osservate, ovvero n ij = ˆn ij che implica, tramite la definizione 1, che: con H i e K j fissati n ij n i = n j n = K j n ij n j = n i n = H i i = 1, h j = 1, k Indici di connessione: χ di Pearson Prima di definire questo indice bisogna parlare della tabella delle contingenze, dove ogni elemento della stessa è definito come c ij = (n ij ˆn ij ) Questa matrice ha le seguenti proprietà: c ij = 0 c ij = 0 c ij = 0 L indice di Pearson assoluto è un indice che serve a quantificare la dipendenza funzionale tra due variabili X ed Y Esso viene definito in questo modo: χ = (c ij ) = ˆn ij (n ij ˆn ij ) Intuitivamente esso mi dice quanto dista, pesando opportunamente coi diversi valori delle frequenze teoriche, la frequenza osservata da quella teorica Tale indice se è pari a χ = 0 allora vi è indipendenza stocastica mentre se tale indice è pari a χ = n min{(h 1), (k 1)} allora vi è massima dipendenza funzionale tra i fenomeni X ed Y A questo punto si preferisce avere un indice standard che permette comparazioni tra diverse tabelle, e si costruisce il χ N normalizzato come χ χ N = n min{(h 1), (k 1)} che ha la caratteristica per cui 0 χ N 1 ˆn ij 6
7 dove per 0 si intende che vi sia indipendenza stocastica mentre per 1 si intende che esista massima dipendenza Esso inoltre ha la caratteristica di essere simmetrico ovvero: χ N (Y X) = χ N (X Y ) (Bonus question : provare a ragionare perchè χ è simmetrico) 3 Indice χ e indipendenza stocastica Per capire come sono correlati l indice χ e l indipendenza stocastica, calcoliamo prima nell esempio la tabella delle contingenze e otteniamo: c ij 3 5 c i c j Dato che l indice χ è definito come: χ = (c ij ) ˆn ij allora si nota come nel nostro esempio, dacchè la matrice dei c ij è coperta di zeri, χ = 0 Quindi si può interpretare questo fatto, secondo la seguente definizione: Definizione 1(ter): Si dice che X ed Y siano indipendenti stocasticamente se e solo se la tabella delle contingenze è coperta da zeri il che implica, per la definizione stessa di χ, che l indice stesso sia pari a χ = 0 3 Regressione in media Per andare ad analizzare se esiste una dipendenza tra i dati e descrivere quale sia l andamento al variare di Y ad X utilizziamo modelli teorici del tipo y = g(x) che approssimino al meglio le diverse osservazioni (x i, y i ) Il modello sicuramente non rappresenterà la realtà (le frequenze osservate), quindi esso avrà un termine di errore che lo definiamo come la differenza tra valore osservato y e il valore teorico del modello y ovvero e i = y i y i = y i g(x i ) i Questo errore di misura bisognerà minimizzarlo per ottenere la migliore interpolante tra modello teorico e dati osservati, minimizzando una funzione L(y y ) Come funzione, in particolare, si prende la media quadratica e quindi il problema diventa min M(e) = min M[(y g(x)) ] 7
8 ovvero si cerca di minimizzare la distanza quadratica (sempre positiva) tra i dati osservati e il modello condizionato sulle x Prima di partire a descrivere il modello definiamo gli ingredienti che si utilizzano per calcolare questa funzione 31 Media marginale La media marginale è relativa sia ad X sia ad Y e vengono definite come: M(X) = µ X = x i n i /n = x i f i M(Y ) = µ Y = y j n j /n = y j f j 3 Varianza marginale La varianza marginale anch essa e relativa sia ad X sia ad Y ed essendo il momento centrale secondo vengono definite come: Var(X) = σx = Var(Y ) = σy = (x i µ X ) n i /n = (x i µ X ) f i (y j µ Y ) n j /n = (y j µ Y ) f j 33 Medie condizionate Le medie condizionate sono le medie delle distribuzioni Y x i o X y j e vengono definite come M(Y x i ) = µ Y (x i ) = M(X y j ) = µ X (y j ) = y j n ij /n i x i n ij /n j 34 Varianze condizionate Le varianze condizionate sono le varianze delle distribuzioni Y x i o X y j e vengono definite come: Var(Y x i ) = σy (x i ) = Var(X y j ) = σx(y j ) = (y j µ Y ) n ij /n i (x i µ X ) n ij /n j 8
9 35 La scomposizione della varianza Esiste un teorema che recita così: la varianza totale di una certa variabile aleatoria si può suddividere in addendi: la varianza residua e la varianza spiegata Ovvero: in cui σ Y = Var(µ Y (X)) = σ Y = σ Y + σ Y (µ Y (x i ) µ Y ) f i è la varianza delle medie condizionate (o varianza spiegata o betweeness), mentre σ Y = Var(Y x i ) = è la media delle varianze condizionate (o varianza residua o within) (y j µ Y (x i )) f ij La dimostrazione sta nel fatto di aggiungere e togliere dalla varianza totale la media condizionale delle x i e poi svolgendo i calcoli si scopre che il doppio prodotto è nullo! Dimostrazione: Partiamo dalla varianza totale per capire poi quali sono le componenti: (y j µ Y ) f j = (y j µ Y (x i ) + µ Y (x i ) µ Y ) f j = = (y j µ Y (x i )) f j + } {{ } I Primo addendo: I) (y j µ Y (x i )) f j = Secondo addendo: II) (µ Y (x i ) µ Y ) f j = Terzo addendo: (µ Y (x i ) µ Y ) f j + } {{ } II (y j µ Y (x i )) f ij = (y j µ Y (x i ))(µ Y (x i ) µ Y )f j (µ Y (x i ) µ Y ) f ij = } {{ } III (y j µ Y (x i )) f ij = σ (µ Y (x i ) µ Y ) f i = σ Y III) Si può dimostrare che è pari a 0, moltiplicando e dividendo per f i, e utilizzando le proprietà della media Y 36 L indice di adattamento Esso viene indicato con ηy ed esso indica la percentuale di variabilità spiegata dal modello delle medie condizionali Esso è pari a ed è normalizzato nel senso che vale η Y = σ Y σ Y = 1 σ Y σy 0 η Y 1 9
10 in cui se l indice è pari a 0 indica indipendenza in MEDIA e mentre se l indice è pari 1 vi è dipendenza FUNZIONALE La differenza tra indipendenza stocastica e in media è la seguente: 1 Indipendenza stocastica : esiste se vi è uguaglianza di frequenza relativa delle variabili condizionate (quindi conserva proprietà simmetriche) Indipendenza in media : esiste se vi è uguaglianza tra le medie delle variabili condizionate Y X o X Y (quindi non è simmetrica) Inoltre vale che: Indipendenza stocastica Indipendenza in media ma NON è VERO il viceversa!!!!! Quindi, in generale vale che η X η Y tranne se vi sia: 1 indipendenza stocastica perfetta dipendenza funzionale biunivoca 3 uguaglianza tra la distribuzione delle medie condizionate di Y X, la distribuzione delle medie condizionate di X Y e uguaglianza tra le varianze marginali σx e σ Y 4 Indipendenza in media Ora proviamo a ragionare su un altro concetto che è quello relativo alll indipendenza in media Partiamo da una tabella a doppia entrata per capire tramite un esempio: X/Y n i n j Si può dimostrare che in questa tabella non vi sia indipendenza stocastica (dimostrarlo!) Ora calcoliamo, anzichè le distribuzioni, le medie condizionate rispetto alla Y e poi rispetto alla X e otteniamo : µ Y (x 1 ) = = 14 µ Y (x ) = = 14 µ X (y 1 ) = 3 = 3 µ X(y ) = = 1 µ X(y 3 ) = = 11 5 Ora calcoliamo le medie marginali rispetto alla Y e poi rispetto alla X: µ Y = = 14 10
11 5 µ X = = Da qui si può notare come per la variabile Y si trovi che µ Y (x 1 ) = µ Y (x ) = µ Y mentre per la variabile X abbiamo che le medie sono tutte diverse Infatti µ X (y 1 ) µ X (y ) µ X (y 3 ) µ X Ora definiamo che cosa intendiamo per indipendenza in media: Definizione : Si dice che la variabile Y (X) ha indipendenza in media se sono tutte uguali le medie condizionali di Y (X) e tutte queste sono pari alla media marginale di Y (X) Quindi deve valere in generale che: µ Y (x 1 ) = µ Y (x ) = = µ Y (x h ) = µ Y per l indipendenza in media della Y oppure µ X (y 1 ) = µ X (y ) = = µ X (y k ) = µ X per l indipendenza in media della X Da questa definizione si puo capire che l indipendenza in media non è simmetrica, infatti si parla di indipendenza in media per la Y (o per la X) 41 La scomposizione della varianza La varianza della variabile Y si può scomporre in componenti, cioè: dove σ Y la media delle varianze condizionate σ Y = σ Y + σ Y è la varianza spiegata, ovvero la varianza delle medie condizionate, mentre σ Y è la varianza residua, ovvero Ora soffermiamoci sulla varianza residua, e proviamo a calcolarla Per calcolarla ci servono innanzitutto le varianze condizionate di Y e otteniamo σ Y (x 1) = M(Y x 1 ) µ Y (x 1) = = 4 σ Y (x ) = M(Y x ) µ Y (x ) = = 54 E ne calcoliamo la media ovvero Poi calcoliamo la varianza di Y come σy = M(σY 5 (x i ) = = 39 σ Y = M(Y ) µ Y = = 39 Si noti come in questo caso abbiamo che M(σY (x i)) = σy Questa è la seconda caratteristica che ci permette di dire che Y ha indipendenza in media Si può dimostrare che in questo esempio che la variabile X ha la proprietà che σx < σ X Quindi una seconda definizione di indipendenza in media sarà: 11
12 Definizione (bis): Si dice che la caratteristica Y ha indipendenza in media se e solo se σ Y = σ Y 4 Indice di adattamento L indice di adattamento per la Y (analogamente viene definito per la X cambiando i pedici) viene definito in questo modo: Dalla definizione (bis) abbiamo che se σ Y = σ Y quindi: Perciò si può scrivere che in generale vale che: η Y = σ Y σ Y = 1 σ Y σy σ Y allora vale che σy ηy = 1 σ Y σy = 1 1 = 0 Definizione (ter): Si dice che la caratteristica Y ha indipendenza in media se e solo se = 1 se vi è indipendenza in media per la Y, η Y = 0 5 Relazione tra indipendenza stocastica e indipendenza in media Esiste una relazione tra indipendenza stocastica e indipendenza in media Teorema 3: L indipendenza stocastica implica l indipendenza in media, ma non il viceversa Questo lo si può dimostrare nel primo esercizio, come? Ad esempio dimostrando che esiste indipendenza in media per l esercizio del paragrafo 1! Invece si può dimostrare facilmente che nell esercizio del paragrafo, esiste indipendenza in media per la Y, ma non è vero che vi è indipendenza stocastica Il teorema 3 può essere riscritto anche attraverso gli indici χ e η Y cioè Teorema 3(bis): Per l indipendenza stocastica e l indipendenza in media valgono le seguenti relazioni: χ = 0 η Y = 0 e η X = 0 contemporaneamente mentre η Y = 0 oppure η X = 0 χ = 0 6 La regressione lineare Osserviamo le variabili (x i, y i ) per i = 1,, n ponendo il caso che la frequenza delle osservazioni sia pari ad 1 (questo per farci sveltire i calcoli) Il modello di regressione lineare parte con l idea che ciò che possa descrivere meglio la dipendenza funzionale dei due fenomeni sia una retta Quindi ora costruiamo il modello ŷ i = a + bx i 1
13 che descrive la media condizionale di Y X Come in tutti i modelli, la media condizionale, espressa dalla retta, ha un errore che, se y i sono i valori osservati, viene espresso da e i = y i ŷ i = y i a bx i che viene chiamato residuo Per stimare poi i parametri del modello si procede come nella regressione in media ovvero si minimizza la media quadratica dei residui, ovvero min e e = min(y a bx) a,b e sta a significare che si risolve il problema di massimizzazione 61 La covarianza Ci serve ancora un ingrediente per capire come si stimino i parametri, ovvero il concetto di covarianza che, in questo caso con frequenza pari ad 1, lo si può scrivere come Cov(X, Y ) = n n mentre se le frequenze non fossero pari ad 1 si avrà Cov(X, Y ) = [(x i µ X )(y i µ Y )] n [(x i µ X )(y i µ Y )] f ij = = i x iy i µ X µ Y n x i y i f ij µ X µ Y e ricordiamo anche che Var(X ± Y ) = Var(X) + Var(Y ) ± Cov(X, Y ) Si può dimostrare infatti, grazie a questa condizione (facendo prima il modulo e poi la radice quadrata di tutto) che: Cov(X, Y ) σ X σ Y 6 La correlazione lineare E un indice che serve ad identificare qual è la correlazione lineare tra due variabili X ed Y, cercandola di normalizzare Essa viene espressa con ed ha la proprietà di essere compresa nell intervallo ρ = Cov(X, Y ) σ X σ Y 1 ρ 1 ed essa assume valore pari a 0 se vi è incorrelazione, pari ad 1 se la correlazione è perfettamente lineare e diretta (il coefficiente angolare della retta è positivo) ed è pari a -1 se la correlazione è perfettamente lineare ma inversa (il coefficiente angolare della retta è negativo) 13
14 63 Stima dei parametri Per stimare i parametri bisogna minimizzare lo squarto quadratico medio, ovvero min e = min (y i a bx i ) = min f(x e i) a,b a,b si ottiene che le condizioni di minimizzazione, per una singola osservazione saranno date da f a = (y i a bx i ) = 0 f b = (y i a bx i )x i = 0 da cui sommando i termini si ottiene che n y i n a n bx i = 0 n x iy i n ax i n bx i = 0 che mi danno le soluzioni ˆb = Cov(X, Y ) σ X â = M(Y ) ˆbM(X) = µ Y ˆbµ X È bene ricordarsi che X può essere qualsiasi funzione degli x quindi se dovessimo studiare per esempio la retta di regressione 1 y = a + b log x basta sostituire ad x la trasformazione logaritmica log x e si completano così i calcoli 64 L indice ρ Questo è un indice di bontà di adattamento della regressione lineare ovvero quanto il mio modello (la retta) descrive bene il comportamento dei dati Quindi diciamo che si può vedere come un indice ηy particolare, ovvero l interpolante qua è per forza di cose lineare Anche in questo caso, prima di parlare dell indice ρ dobbiamo parlare di varianza totale, varianza residua e varianza totale Esse seguono, tramite un teorema, questa relazione: σ Y = σ SP + σ Y R dove la prima è la varianza totale la seconda è la varianza spiegata e la terza è la varianza totale Ne segue qui che l indice di bontà di adattamento lineare è descritto da ρ = σ SP σ Y = 1 σ Y R σ Y 1 Una particolare trasformazione è e y = ab x che può diventare attraverso una trasformazione logaritmica una regressione lineare del tipo y = log a + (log b)x e chiamando α = log a e β = log b si ottiene y = α + βx 14
15 e vale che 0 ρ 1 a stare a dire che se ρ = 0 allora vi è incorrelazione tra i dati mentre se ρ = 1 la dipendenza lineare è massima (ovvero che i dati osservati stanno effettivamente su una retta) 7 Per ricapitolare Si NOTI bene: 1 L indice η si riferisce a qualsiasi funzione di regressione (ciò implica che può anche non essere una retta) L indice ρ si riferisce solo ad una retta di regressione!!! 15
Analisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri
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,
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
DettagliCorrezione dell Esame di Statistica Descrittiva (Mod. B) 1 Appello - 28 Marzo 2007 Facoltà di Astronomia
Correzione dell Esame di Statistica Descrittiva (Mod. B) 1 Appello - 8 Marzo 007 Facoltà di Astronomia ESERCIZIO 1 La seguente tabella riporta la distribuzione congiunta della situazione lavorativa e dello
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.
DettagliEQUAZIONI DIFFERENZIALI. 1. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x 2 log t (d) x = e t x log x (e) y = y2 5y+6
EQUAZIONI DIFFERENZIALI.. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x log t (d) x = e t x log x (e) y = y 5y+6 (f) y = ty +t t +y (g) y = y (h) xy = y (i) y y y = 0 (j) x = x (k)
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
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
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
DettagliApplicazioni lineari
Applicazioni lineari Esempi di applicazioni lineari Definizione. Se V e W sono spazi vettoriali, una applicazione lineare è una funzione f: V W tale che, per ogni v, w V e per ogni a, b R si abbia f(av
DettagliEQUAZIONI DIFFERENZIALI Esercizi svolti. y = xy. y(2) = 1.
EQUAZIONI DIFFERENZIALI Esercizi svolti 1. Determinare la soluzione dell equazione differenziale (x 2 + 1)y + y 2 =. y + x tan y = 2. Risolvere il problema di Cauchy y() = 1 2 π. 3. Risolvere il problema
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.
DettagliInferenza statistica I Alcuni esercizi. Stefano Tonellato
Inferenza statistica I Alcuni esercizi Stefano Tonellato Anno Accademico 2006-2007 Avvertenza Una parte del materiale è stato tratto da Grigoletto M. e Ventura L. (1998). Statistica per le scienze economiche,
DettagliVARIANZA CAMPIONARIA E DEVIAZIONE STANDARD. Si definisce scarto quadratico medio o deviazione standard la radice quadrata della varianza.
VARIANZA CAMPIONARIA E DEVIAZIONE STANDARD Si definisce varianza campionaria l indice s 2 = 1 (x i x) 2 = 1 ( xi 2 n x 2) Si definisce scarto quadratico medio o deviazione standard la radice quadrata della
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
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
DettagliAppunti sul corso di Complementi di Matematica - prof. B.Bacchelli. 03 - Equazioni differenziali lineari omogenee a coefficienti costanti.
Appunti sul corso di Complementi di Matematica - prof. B.Bacchelli 03 - Equazioni differenziali lineari omogenee a coefficienti costanti. Def. Si dice equazione differenziale lineare del secondo ordine
DettagliVARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che
VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile
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
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
Dettagli4. Operazioni elementari per righe e colonne
4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:
DettagliL espressione torna invece sempre vera (quindi la soluzione originale) se cambiamo contemporaneamente il verso: 1 < 0.
EQUAZIONI E DISEQUAZIONI Le uguaglianze fra espressioni numeriche si chiamano equazioni. Cercare le soluzioni dell equazione vuol dire cercare quelle combinazioni delle lettere che vi compaiono che la
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
DettagliLa Programmazione Lineare
4 La Programmazione Lineare 4.1 INTERPRETAZIONE GEOMETRICA DI UN PROBLEMA DI PROGRAMMAZIONE LINEARE Esercizio 4.1.1 Fornire una rappresentazione geometrica e risolvere graficamente i seguenti problemi
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
DettagliStatistica. Alfonso Iodice D Enza iodicede@unicas.it
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 2 Outline 1 2 3 4 () Statistica 2 / 2 Misura del legame Data una variabile doppia (X, Y ), la misura
DettagliIl modello media-varianza con N titoli rischiosi. Una derivazione formale. Enrico Saltari
Il modello media-varianza con N titoli rischiosi. Una derivazione formale Enrico Saltari La frontiera efficiente con N titoli rischiosi Nel caso esistano N titoli rischiosi, con N 2, il problema della
DettagliLimiti e continuità delle funzioni reali a variabile reale
Limiti e continuità delle funzioni reali a variabile reale Roberto Boggiani Versione 4.0 9 dicembre 2003 1 Esempi che inducono al concetto di ite Per introdurre il concetto di ite consideriamo i seguenti
DettagliFUNZIONI ELEMENTARI - ESERCIZI SVOLTI
FUNZIONI ELEMENTARI - ESERCIZI SVOLTI 1) Determinare il dominio delle seguenti funzioni di variabile reale: (a) f(x) = x 4 (c) f(x) = 4 x x + (b) f(x) = log( x + x) (d) f(x) = 1 4 x 5 x + 6 ) Data la funzione
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
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
DettagliCAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI
CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI Abbiamo studiato successioni e serie numeriche, ora vogliamo studiare successioni e serie di funzioni. Dato un insieme A R, chiamiamo successione di funzioni
DettagliDott.ssa Caterina Gurrieri
Dott.ssa Caterina Gurrieri Le relazioni tra caratteri Data una tabella a doppia entrata, grande importanza riveste il misurare se e in che misura le variabili in essa riportata sono in qualche modo
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
Dettagli1. PRIME PROPRIETÀ 2
RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,
Dettagli11) convenzioni sulla rappresentazione grafica delle soluzioni
2 PARAGRAFI TRATTATI 1)La funzione esponenziale 2) grafici della funzione esponenziale 3) proprietá delle potenze 4) i logaritmi 5) grafici della funzione logaritmica 6) principali proprietá dei logaritmi
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliCRITERI DI CONVERGENZA PER LE SERIE. lim a n = 0. (1) s n+1 = s n + a n+1. (2) CRITERI PER LE SERIE A TERMINI NON NEGATIVI
Il criterio più semplice è il seguente. CRITERI DI CONVERGENZA PER LE SERIE Teorema(condizione necessaria per la convergenza). Sia a 0, a 1, a 2,... una successione di numeri reali. Se la serie a k è convergente,
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
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
DettagliUn modello matematico di investimento ottimale
Un modello matematico di investimento ottimale Tiziano Vargiolu 1 1 Università degli Studi di Padova Liceo Scientifico Benedetti Venezia, giovedì 30 marzo 2011 Outline 1 Investimento per un singolo agente
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
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
Dettagli2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale
BIOSTATISTICA 2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk
Dettagli2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione
Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza
Dettagli1 Serie di Taylor di una funzione
Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita
DettagliEsercizi su lineare indipendenza e generatori
Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v
DettagliT DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente:
T DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente: t = X i X j s 2 i (n i 1) + s 2 j (n j 1) n i + n j - 2 1
DettagliESERCIZI APPLICAZIONI LINEARI
ESERCIZI APPLICAZIONI LINEARI PAOLO FACCIN 1. Esercizi sulle applicazioni lineari 1.1. Definizioni sulle applicazioni lineari. Siano V, e W spazi vettoriali, con rispettive basi B V := (v 1 v n) e B W
DettagliLogica Numerica Approfondimento 1. Minimo Comune Multiplo e Massimo Comun Divisore. Il concetto di multiplo e di divisore. Il Minimo Comune Multiplo
Logica Numerica Approfondimento E. Barbuto Minimo Comune Multiplo e Massimo Comun Divisore Il concetto di multiplo e di divisore Considerato un numero intero n, se esso viene moltiplicato per un numero
Dettagli1 Associazione tra variabili quantitative COVARIANZA E CORRELAZIONE
1 Associazione tra variabili quantitative ASSOCIAZIONE FRA CARATTERI QUANTITATIVI: COVARIANZA E CORRELAZIONE 2 Associazione tra variabili quantitative Un esempio Prezzo medio per Nr. Albergo cliente (Euro)
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
Dettaglil insieme Y è detto codominio (è l insieme di tutti i valori che la funzione può assumere)
Che cos è una funzione? Assegnati due insiemi X e Y si ha una funzione elemento di X uno e un solo elemento di Y. f : X Y se esiste una corrispondenza che associa ad ogni Osservazioni: l insieme X è detto
DettagliLe equazioni. Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete.
Le equazioni Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete. Definizione e caratteristiche Chiamiamo equazione l uguaglianza tra due espressioni algebriche,
Dettagli( x) ( x) 0. Equazioni irrazionali
Equazioni irrazionali Definizione: si definisce equazione irrazionale un equazione in cui compaiono uno o più radicali contenenti l incognita. Esempio 7 Ricordiamo quanto visto sulle condizioni di esistenza
DettagliESERCIZI DI ALGEBRA LINEARE E GEOMETRIA
ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
DettagliIniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:
Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione
DettagliIndice. 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo... 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità...
Indice 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo............................. 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità.............. 5 i Capitolo 1 Introduzione
DettagliProbabilità II Variabili casuali discrete
Probabilità II Variabili casuali discrete Definizioni principali. Valore atteso e Varianza. Teorema di Bienaymé - Čebičev. V.C. Notevoli: Bernoulli e Binomiale. Concetto di variabile casuale Cos'è una
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,
DettagliEsempi di funzione. Scheda Tre
Scheda Tre Funzioni Consideriamo una legge f che associa ad un elemento di un insieme X al più un elemento di un insieme Y; diciamo che f è una funzione, X è l insieme di partenza e X l insieme di arrivo.
DettagliAPPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI
APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................
DettagliMINIMI QUADRATI. REGRESSIONE LINEARE
MINIMI QUADRATI. REGRESSIONE LINEARE Se il coefficiente di correlazione r è prossimo a 1 o a -1 e se il diagramma di dispersione suggerisce una relazione di tipo lineare, ha senso determinare l equazione
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
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
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
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,
DettagliSUCCESSIONI NUMERICHE
SUCCESSIONI NUMERICHE Una funzione reale di una variabile reale f di dominio A è una legge che ad ogni x A associa un numero reale che denotiamo con f(x). Se A = N, la f è detta successione di numeri reali.
DettagliEsame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova).
Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione: si consegnano
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
DettagliOttimizazione vincolata
Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l
DettagliIdentificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete Neuronale
Identificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete euronale Descrizione Il presente lavoro, facente segiuto a quanto descritto precedentemente, ha il fine di: 1) introdurre
DettagliParte 3. Rango e teorema di Rouché-Capelli
Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici
Dettagli~ Copyright Ripetizionando - All rights reserved ~ http://ripetizionando.wordpress.com STUDIO DI FUNZIONE
STUDIO DI FUNZIONE Passaggi fondamentali Per effettuare uno studio di funzione completo, che non lascia quindi margine a una quasi sicuramente errata inventiva, sono necessari i seguenti 7 passaggi: 1.
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
DettagliLa variabile casuale Binomiale
La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola
DettagliSTRUTTURE ALGEBRICHE
STRUTTURE ALGEBRICHE Operazioni in un insieme Sia A un insieme non vuoto; una funzione f : A A A si dice operazione binaria (o semplicemente operazione), oppure legge di composizione interna. Per definizione
DettagliForze come grandezze vettoriali
Forze come grandezze vettoriali L. Paolucci 23 novembre 2010 Sommario Esercizi e problemi risolti. Per la classe prima. Anno Scolastico 2010/11 Parte 1 / versione 2 Si ricordi che la risultante di due
DettagliFUNZIONE REALE DI UNA VARIABILE
FUNZIONE REALE DI UNA VARIABILE Funzione: legge che ad ogni elemento di un insieme D (Dominio) tale che D R, fa corrispondere un elemento y R ( R = Codominio ). f : D R : f () = y ; La funzione f(): A
DettagliLezione 6: Forma di distribuzione Corso di Statistica Facoltà di Economia Università della Basilicata. Prof. Massimo Aria
Lezione 6: Forma di distribuzione Corso di Statistica Facoltà di Economia Università della Basilicata Prof. Massimo Aria aria@unina.it Standardizzazione di una variabile Standardizzare una variabile statistica
DettagliIl test del Chi-quadrato
Il test del Chi-quadrato Prof.ssa Montomoli- Univ. di Pavia Prof.ssa Zanolin Univ. di Verona Il rischio di contrarre epatite C è associato all avere un tatuaggio? Cosa vuol dire ASSOCIAZIONE tra due variabili?
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)
DettagliAPPUNTI SU PROBLEMI CON CALCOLO PERCENTUALE
APPUNTI SU PROBLEMI CON CALCOLO PERCENTUALE 1. Proporzionalità diretta e proporzionalità inversa Analizziamo le seguenti formule Peso Lordo = Peso Netto + Tara Ricavo = Utile + Costo Rata = Importo + Interesse
Dettagli4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI
119 4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI Indice degli Argomenti: TEMA N. 1 : INSIEMI NUMERICI E CALCOLO
DettagliCapitolo 4 Probabilità
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 4 Probabilità Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.
DettagliCorrispondenze e funzioni
Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
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
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
DettagliFunzioni. Funzioni /2
Funzioni Una funzione f è una corrispondenza tra due insiemi A e B che a ciascun elemento di A associa un unico elemento di B. Si scrive: f : A B l'insieme A si chiama il dominio della funzione f, l'insieme
DettagliRaccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata, Matematica
DIPARTIMENTO DI MATEMATICA Università degli Studi di Trento Via Sommarive - Povo (TRENTO) Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata,
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
DettagliFunzioni. Parte prima. Daniele Serra
Funzioni Parte prima Daniele Serra Nota: questi appunti non sostituiscono in alcun modo le lezioni del prof. Favilli, né alcun libro di testo. Sono piuttosto da intendersi a integrazione di entrambi. 1
DettagliCAPITOLO I. Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Programmazione Dinamica
CAPITOLO I. - PROGRAMMAZIONE DINAMICA La programmazione dinamica è una parte della programmazione matematica che si occupa della soluzione di problemi di ottimizzazione di tipo particolare, mediante una
DettagliIntroduzione al MATLAB c Parte 2
Introduzione al MATLAB c Parte 2 Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 18 gennaio 2008 Outline 1 M-file di tipo Script e Function Script Function 2 Costrutti di programmazione
Dettagli(a cura di Francesca Godioli)
lezione n. 12 (a cura di Francesca Godioli) Ad ogni categoria della variabile qualitativa si può assegnare un valore numerico che viene chiamato SCORE. Passare dalla variabile qualitativa X2 a dei valori
DettagliLezione 6 (16/10/2014)
Lezione 6 (16/10/2014) Esercizi svolti a lezione Esercizio 1. La funzione f : R R data da f(x) = 10x 5 x è crescente? Perché? Soluzione Se f fosse crescente avrebbe derivata prima (strettamente) positiva.
DettagliEsercizio 1 Dato il gioco ({1, 2, 3}, v) con v funzione caratteristica tale che:
Teoria dei Giochi, Trento, 2004/05 c Fioravante Patrone 1 Teoria dei Giochi Corso di laurea specialistica: Decisioni economiche, impresa e responsabilità sociale, A.A. 2004/05 Soluzioni degli esercizi
Dettagli