FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Prova Parziale - Marzo 2015

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Prova Parziale - Marzo 2015"

Transcript

1 FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Prova Parziale - Marzo 2015 Tempo a disposizione: 60 Minuti Cognome Nome Matricola Rispondete a tutte le domande. Nel caso delle domanda a risposta multipla, ci potrebbeesserepiù di una risposta corretta per ogni domanda. Sarà attribuito un punto per ogni risposta corretta, le risposte sbagliate verranno penalizzate con meno mezzo punto. Saranno considerate SOLO le risposte esplicitamente indicate nell apposita casella. Nel caso delle domande aperte, si forniscano adeguate spiegazioni e si riporti ogni passaggio algebrico necessario. Sololospazioassegnato(cheésufficiente) deve essere utilizzato. Sezione 1 (peso: 52%) Domanda 1.1 Si consideri un generico modello VAR( ) per variabili: X y = μ+ A y + u u IID (0 Σ) =1 dove le matrici dei coefficienti autoregressivi (A 1 A 2..., A ) sono matrici piene (ovvero nessun termine è stato posto uguale a zero). Quale/i delle seguenti affermazioni è/sono corretta/e? (A) Questo modello VAR( ) è scritto in forma strutturale. (B) Se tutte le matrici dei coefficienti autoregressivi (A 1 A 2..., A ) sono matrici diagonali e Σ è una matrice diagonale, il modello VAR( ) saràformatoda modelli AR( ) indipendenti. (C) Data la sua natura non ristretta, questo VAR( ) può essere stimato attraverso OLS, equazione per equazione. (D) Se tutte le matrici dei coefficienti autoregregressivi (A 1 A 2..., A ) sono matrici triangolari superiori e Σ è una matrice triangolare superiore, il modello VAR( ) saràfromatoda modelli AR( ) indipendenti. (E) La sua media non condizionale è [y ]=(I A 2 1 ) 1 μ (F) Nessuna delle precedenti. 1

2 Domanda 1.2 Si consideri il seguente processo autoregressivo del primo ordine (AR(1)): = IID 0 2 Quale/i delle seguenti affermazioni sono/è corrette/a: (A) [ 1 ]= (B) [ ]=5 2 (C) [ 1 ]= 2 (D) [ ]=1 (E) [ 2 ]= (F) Nessuna delle precedenti. Domanda 1.3 La scomposizione di Wold afferma che: (A) Qualsiasi processo stocastico può essere espresso come la somma di una componente deterministica e di una componente stocastica rappresentata da un MA di ordine infinito. (B) Qualsiasi processo stocastico stazionario può essere espresso come il prodotto di una componente deterministica e una componente stocastica rappresentata da un MA di ordine infinito. (C) Qualsiasi MA invertibile può essere espresso come la somma di una componente deterministica e di un processo stocastico stazionario. (D) Qualsiasi processo stocastico stazionario può essere espresso come la somma di un processo mean-reverting e di una componente stocastica autoregressiva. (E) Nessuna delle precedenti. Domanda 1.4 Si consideri un processo non stazionario che contiene un trend deterministico: = + + IID 0 2 Quali/e delle seguenti affermazioni sono/è corretta/e: (A) Il processo è reso stazionario regredendo su e poi sostituendo con ˆ ˆ =ˆ che rappresenta un processo white noise sotto l ipotesi che il modello originale fosse correttamente specificato. (B) Il processo è reso stazionario prendendo la sua differenza prima. (C) Dato che non èstazionario, segue una random walk. (D) Se si prende la differenza prima di, si ottiene un MA(1) non invertibile che quindi non può essere rappresentato come un processo autoregressivo stazionario. (E) Nessuna delle precedenti. 2

3 Domanda 1.5 Si consideri il seguente processo ARMA(2,1), con shocks distribuiti normalmente, per i rendimenti del mercato statunitense: +1 = IID (0 2 ). Quali/e delle seguenti affermazioni sono/è corrette/a: (A) Il modello può esserestimatotramiteolsseesolosesiconosceex-anteche =0; questo caso il metodo OLS èequivalenteamleequindilestimedi 0, 1, 2 e 2 saranno le più efficienti tra tutti gli stimatori non distorti; quando 6= 0 il modello deve essere stimato tramite MLE. (B) Il modello può essere stimato tramite OLS se e solo se si conosce ex-ante che 1 = 2 =0; in questo caso OLS èequivalenteamle equindilestimedi 0, e 2 saranno le più efficienti tra tutti gli stimatori non distorti; quando 1 6=0e/o 2 6=0 il modello deve essere stimato tramite MLE. (C) Il modello può essere stimato tramite MLE se e solo se si conosce ex-ante che =0; questo caso MLE èequivalenteaolsequindilestimedi 0, 1, 2 e 2 saranno le più efficienti tra tutti gli stimatori non distorti; quando 6= 0 il modello deve essere stimato tramite OLS. (D) Il modello può essere stimato tramite OLS se e solo se si conosce ex-ante che la componente MA è invertibile; in questo caso OLS è equivalente a GLS e quindi le stime di 0, 1, 2 e 2 soddisferannno le condizioni del lemma di Neyman-Pearson; quando 1 il modello deve essere stimato tramite GLS. (E) Nessuna delle precendenti. in in Domanda 1.6 Gli stimatori delle variabili strumentali: (A) Sostituiscono le variabili endogene sul lato destro di un sistema di equazioni stocastiche in forma strutturale con valori OLS fittati provenienti dalla stima della forma ridotta del sistema. (B) Sostituiscono le variabili endogene sul lato destro di un sistema di equazioni stocastiche in forma strutturale con altre variabili che non sono correlate con le variabili esogene ma sono altamente correlate con gli errori. (C) Sostituiscono le variabili endogene sul lato destro di un sistema di equazioni stocastiche in forma strutturale con altre variabili che sono altamente correlate con le variabili esogene ma non sono correlate con gli errori. (D) Risolvono i problemi di endogeneità nei sistemi di equazioni stocastiche simultanee fornendo stimatori consistenti. (E) Risolvono i problemi di integrabilità neivar( ) fornendo stimatori che sono convergenti in termini di errore quadratico medio. (F) Nessuna delle precedenti. 3

4 Domanda 1.7 Si è applicato un test di Dickey-Fuller aumentato (ADF) X = esiètrovatoche (ˆ 1) (ˆ ) =2 1 Di conseguenza (A) Dal momento che supera la classica, approssimativa soglia di 2, si rigetterà l ipotesi nulla di stazionarietà in favore dell ipotesi che segua un processo I(1). (B) Dal momento che supera la classica, approssimativa soglia di 2, si rigetterà l ipotesi nulla di non stazionarietà in favore dell ipotesi che segua un processo I(0). (C) Dal momento che supera la classica, approssimativa soglia di 2, non si potrà rigettare l ipotesi nulla di stazionarietà in favore dell ipotesi che segua un processo I(1). (D) Dal momento che supera la classica, approssimativa soglia di 2, non si potrà rigettare l ipotesi nulla di non stazionarietà in favore dell ipotesi che segua un processo I(0). (E) Nessuna delle precedenti. =0 Sezione 2 (peso: 26%) Domanda 2.1 Si consideri il seguente processo AR(1) con errori distribuiti normalmente per i rendimenti del mercato statunitense: +1 = IID (0 2 ). Sapete che 0 =1, [ +1 ]=2eche [ +1 ]=1 3 Si indichi quali/e delle seguenti affermazioni sono/è corrette/. (A) 1 =0 5 e 2 =2 3 (B) 1 =0 5 e 2 =1 4 (C) 1 =2e 2 =1 4 (D) 1 = 0 5 e 2 =5 12 (E) Nessuna delle precedenti. 4

5 Question 2.2 (7 punti) Si consideri il seguente modello VAR(1) : " #" 1 2 # = " #" # " # " # Ã" # " #! IID a (0.5 punti) Questo modello è in forma strutturale o ridotta? Si giustifichi attentamente la risposta. 2.2b (1.5 punti) Questo modello è sotto-, esattamente, or sovra-identificato? Che tipo di schema di identificazione si è applicato? Che tipo di gerarchia tra le due variabili endogene implica questo schema? Si giustifichino attentamente le risposte. 5

6 2.2c (2 punti) Si risolva il modello e, se possibile, lo si scriva i forma ridotta. Si calcolino medie, varianze e la covarianza degli shocks della forma ridotta, chiamati [ 1 2 ] 0. Si giustifichi attentamente la risposta e si mostrino i passaggi. 2.2d (2 punti) In riferimento a questo modello, si spieghi cosa sia una impulse response function. Quante funzioni di risposta d impulso si potranno calcolare in questo caso e perchè? Qual è il numero totale di impulse response function che si potrebbero calcolare se si dovesse cambiare lo schema di identificazione? A quale valore di lungo periodo convergeranno le funzioni di risposta d impulso in questo caso specifico e perchè? Sotto quali condizioni sul VAR(1), le impulse response function di tipo standard descriveranno la reazione delle variabili endogene a shocks puri che colpiscono il sistema? 6

7 2.2e (1 punto) Questo modello VAR(1) implica due autovalori, entrambi con modulo di circa 0.831; che cosa implica questo fatto per la stazionarietà del processo? Si spieghi come siano stati calcolati questi autovalori. Si giustifichi attentamente la risposta. Sezione 3 (peso: 22%) Domanda 3.1 (5 punti) Nella seguente tabella avete i risultati di due esercizi di stima di un modello ARMA(1,1) implementati in EViews R.Ilprimoèottenuto eseguendo i comandi: smpl 1980:1 2012:12 equation ar1.ls ger stock ret 2ycar(1) ma(1) mentre il secondo è ottenuto con i comandi: smpl 1980:1 2012:12 equation ar1.ls ger stock ret 2ycgerstock ret 2y(-1) ma(1) 7

8 3.1a (1 punto) Si spieghino le differenze negli output delle due differenti regressioni a da dove esse derivino, nonstante i due modelli possano sembrare identici. Si giusitifichino attentamente le risposte fornite. 3.1b (2 punti) Dopo aver posto = 2, sicalcolino 1 ( ) ( 1 ) 1 ( ) ( 1 ) 2 ( ) ( 2 ) 2 ( ) ( 2 ) ( ) ( ) Si giusitifichino attentamente le risposte e si mostrino i passaggi di calcolo. 8

9 3.1c (2 punti) Si derivi un test per l ipotesi che la costante nella prima regressione è uguale a ( ) e si discuta l evidenza statistica ottenuta dal test. Domanda 3.2 In riferimento all esempio di un VAR(1) in forma strutturale con = 2 mostrato in classe, si consideri la relazione funzionale tra i residui della forma ridotta [ ] 0 e i residui strutturali [ ] 0 Si indichi quali/e delle seguenti affermazioni sono/è corrette/a: (A) Mentre la condizione che i coefficienti della matrice contemporanea siano entrambi uguali a zero, 12 = 21 =0,è necessaria affinchè i residui della forma ridotta siano non correlati, essa non è sufficiente. (B)Mentrelacondizionecheicoefficienti della matrice contemporanea siano entrambi uguali a zero, 12 = 21 =0,èsufficiente affinchè i residui della forma ridotta siano gli stessi dei residui strutturali, essa non è necessaria. (C) Mentre la condizione che i coefficienti della matrice contemporanea siano entrambi uguali a zero, 12 = 21 =0,è necessaria affinchè i residui della forma ridotta siano gli stessi dei residui strutturali, essa non èsufficiente. (D) Mentre la condizione che i coefficienti della matrice contemporanea siano entrambi uguali a zero, 12 = 21 =0,èsufficiente affinchè i residui della forma ridotta siano non correlati, essa non è necessaria. (E) Nessuna delle precedenti. 9

10 Financial Econometrics Regole di condotta durante gli esami o altri test. Durante l esame gli studenti devono rimanere in silenzio e non posso utilizzare alcun aiuto o supporto esterno, sia cartaceo che digitale (es. manuali, appunti, libri, pubblicazioni, cellulari, computer o altri apparecchi elettronici) se non espressamente autorizzati dal docente. Inoltre, gli studenti non possono copiare o guardare gli esami di altri studenti o comunicare o cercare di comunicare con nessun altro in alcun modo. Gli studenti devono rimanere in classe per tutto e solo il tempo necessario a finire il proprio esame a meno che il docente in classe dia disponga altrimenti. Gli studenti che avessero domande da fare al docente devono alzare la mano e aspettare che l esaminatore venga da loro. Alla fine dell esame, gli studenti devono restituire il foglio dell esame ai membri della facoltà e abbandonare l aula. Qualsiasi infrangimento delle regole date dai membri della facoltà durante l esame comporterà la cancellazione dell esame e un report ufficiale sarà inviato alla Commissione Disciplinare in ogni caso. Tutte le sanzioni disciplinari saranno registrate sul percorso di carriera dello studente. Le sanzioni più gravi di avvisi comporteranno il forfeit al diritto allo studio (borse di studio, alloggi ecc). Il Codice d Onore e le regole dettagliate su come affrontare gli esami e altri test sono pubblicate sul sito dell Università Nome e Cognome (IN MAIUSCOLO) Matricola Firma: sottoscrivo il rispetto delle regole sopra descritte e confermo la mia presenza all esame. 10

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Esame Generale - Ottobre 2015

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Esame Generale - Ottobre 2015 FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Esame Generale - Ottobre 2015 Tempo Previsto: 105 minuti Cognome Nome Matricola Rispondete a tutte le domande scrivendo negli spazi appositi. Nel caso

Dettagli

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Midterm Exam - Aprile 2012

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Midterm Exam - Aprile 2012 FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Midterm Exam - Aprile 2012 Tempo a Disposizione: 75 Minuti Cognome. Nome. Matricola. Rispondete a tutte le domande. Nel caso delle domanda a risposta

Dettagli

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Esame Generale - Giugno 2015

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Esame Generale - Giugno 2015 FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Esame Generale - Giugno 2015 Tempo Previsto: 110 minuti Cognome Nome Matricola Rispondete a tutte le domande scrivendo negli spazi appositi. Nel caso

Dettagli

ECONOMETRIA APPLICATA PER L IMPRESA. Test di Radici Unitarie - Esercizio 5

ECONOMETRIA APPLICATA PER L IMPRESA. Test di Radici Unitarie - Esercizio 5 Modelli Dinamici - Esercizio 5 1 ECONOMETRIA APPLICATA PER L IMPRESA Test di Radici Unitarie - Esercizio 5 Davide Raggi davide.raggi@unibo.it 16 marzo 2010 Modelli Dinamici - Esercizio 5 2 Introduzione

Dettagli

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2 Esame Parziale - Aprile 2013

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2 Esame Parziale - Aprile 2013 FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2 Esame Parziale - Aprile 2013 TempoConcesso:75minuti Cognome. Nome. Numero di Matricola Rispondete a tutte le domande scrivendo negli spazi appositi.

Dettagli

Università di Pavia Econometria Esercizi 4 Soluzioni

Università di Pavia Econometria Esercizi 4 Soluzioni Università di Pavia Econometria 2008-2009 Esercizi 4 Soluzioni Maggio, 2009 Istruzioni: I commenti devono essere concisi! 1. Dato il modello di regressione lineare, con K regressori con E(ɛ) = 0 e E(ɛɛ

Dettagli

Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 27 Giugno 2016

Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 27 Giugno 2016 Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 205/206 Appello 27 Giugno 206 Per lo svolgimento della prova completa si ha un massimo di due ore. Invece

Dettagli

MODELLO DI REGRESSIONE LINEARE. le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza,

MODELLO DI REGRESSIONE LINEARE. le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza, MODELLO DI REGRESSIONE LINEARE le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza, teorema di Gauss-Markov, verifica di ipotesi e test di

Dettagli

Una Breve Introduzione a E-views

Una Breve Introduzione a E-views 1 Dipartimento di Economia Politica e Metodi Quantitativi Università di Pavia 25 Febbraio 2008 Outline Specificazione ARIMA 1 Specificazione ARIMA 2 3 Per specificare una modello ARIMA è necessario differenziare

Dettagli

1 Modelli per serie storiche univariate

1 Modelli per serie storiche univariate 1 Modelli per serie storiche univariate Caratteristiche delle serie storiche: fy t g l ordine t non puo essere variato; v.c. non indipendenti; non replicabili (i dati si ottengono da una sola realizzazione)

Dettagli

Stima dei sistemi di equazioni simultanee

Stima dei sistemi di equazioni simultanee Università di Pavia Stima dei sistemi di equazioni simultanee Eduardo Rossi University of Pavia Stima dei SES Limited Information OLS 2STLS K CLASS H CLASS Full Information FIMLE 3STLS FIIV Eduardo Rossi

Dettagli

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2. (8448) 70 minuti. Cognome Nome Matricola

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2. (8448) 70 minuti. Cognome Nome Matricola FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2 (8448) 70 minuti Cognome Nome Matricola Rispondi alle seguenti domande scegliendo la/e risposta/e che ritieni più appropriata/e. Per ogni domanda

Dettagli

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2. (8448) 70 minuti. Cognome Nome Matricola

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2. (8448) 70 minuti. Cognome Nome Matricola FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2 (8448) 7 minuti Cognome Nome Matricola Rispondete alle seguenti domande scegliendo la/e risposta/e che ritenete più appropriata/e. Per ogni domanda

Dettagli

ESAME. 9 Gennaio 2017 COMPITO B

ESAME. 9 Gennaio 2017 COMPITO B ESAME 9 Gennaio 2017 COMPITO B Cognome Nome Numero di matricola 1) Approssimare tutti i calcoli alla quarta cifra decimale. 2) Ai fini della valutazione si terrà conto solo ed esclusivamente di quanto

Dettagli

Analisi della varianza

Analisi della varianza Analisi della varianza Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona ANALISI DELLA VARIANZA - 1 Abbiamo k gruppi, con un numero variabile di unità statistiche.

Dettagli

Cognome e Nome:... Matricola e corso di laurea:...

Cognome e Nome:... Matricola e corso di laurea:... Statistica - corso base Prof. B. Liseo Prova di esame dell 8 gennaio 2014 Cognome e Nome:................................................................... Matricola e corso di laurea:...................................................

Dettagli

Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1

Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,

Dettagli

Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1

Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,

Dettagli

Maria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano

Maria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento

Dettagli

Corso di Laurea: Numero di Matricola: Esame del 31 maggio 2018 Tempo consentito: 120 minuti

Corso di Laurea: Numero di Matricola: Esame del 31 maggio 2018 Tempo consentito: 120 minuti Corso di Laurea: Numero di Matricola: Esame del 31 maggio 2018 Tempo consentito: 120 minuti Professor Paolo Vitale Anno Accademico 2017-8 UdA, Scuola d Economia Domanda 1 [6 punti]. (a) La multi-collineartità

Dettagli

Contenuto del capitolo

Contenuto del capitolo Capitolo 8 Stima 1 Contenuto del capitolo Proprietà degli stimatori Correttezza: E(Stimatore) = parametro da stimare Efficienza Consistenza Intervalli di confidenza Per la media - per una proporzione Come

Dettagli

IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 23 Luglio 2014 Cognome Nome Matricola

IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 23 Luglio 2014 Cognome Nome Matricola IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 23 Luglio 201 Cognome Nome Matricola............ Verificare che il fascicolo sia costituito da

Dettagli

Politecnico di Milano - Scuola di Ingegneria Industriale. II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011

Politecnico di Milano - Scuola di Ingegneria Industriale. II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011 Politecnico di Milano - Scuola di Ingegneria Industriale II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011 c I diritti d autore sono riservati. Ogni sfruttamento commerciale non

Dettagli

Esercizi di statistica

Esercizi di statistica Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..

Dettagli

Minimi quadrati ordinari Interpretazione geometrica. Eduardo Rossi

Minimi quadrati ordinari Interpretazione geometrica. Eduardo Rossi Minimi quadrati ordinari Interpretazione geometrica Eduardo Rossi Il MRLM Il modello di regressione lineare multipla è usato per studiare le relazioni tra la variabile dipendente e diverse variabili indipendenti

Dettagli

Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1

Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1 Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1 Lezione 1 - Mercoledì 27 Settembre 2017 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,

Dettagli

Esercitazione 1. 6 Marzo 2019

Esercitazione 1. 6 Marzo 2019 Esercitazione 1 6 Marzo 019 Esercizio 1 Su un collettivo di 100 appartamenti ubicati nella stessa zona della città vengono rilevati i seguenti caratteri: X 1 affitto mensile pagato dal locatario (in Euro)

Dettagli

ESERCIZIO 1. a) Calcolare il rendimento atteso del portafoglio:

ESERCIZIO 1. a) Calcolare il rendimento atteso del portafoglio: ESERCIZIO 1 Gastone investe i suoi risparmi in tre titoli (A: Paperone & Co; B: Rockerduck & Co; C: Bassotti & Co) quotati sul mercato di Paperopoli. La composizione percentuale del portafoglio di Gastone

Dettagli

Statistica Applicata all edilizia: il modello di regressione

Statistica Applicata all edilizia: il modello di regressione Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione

Dettagli

Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 8 Aprile 2016

Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 8 Aprile 2016 Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 5/6 Appello 8 Aprile 6 Chi fa il compito relativo alla prima parte di corso (Esercizio e Esercizio )

Dettagli

UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. II Esonero - 10 Gennaio 2014

UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. II Esonero - 10 Gennaio 2014 UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 II Esonero - 10 Gennaio 2014 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,

Dettagli

Proprietà asintotiche dello stimatore OLS

Proprietà asintotiche dello stimatore OLS Università di Pavia Proprietà asintotiche dello stimatore OLS Eduardo Rossi Sequenze Consideriamo un infinita sequenza di variabili indicizzate con i numeri naturali: X 1, X 2, X 3,...,X N,... = {X N }

Dettagli

Probabilità e Statistica

Probabilità e Statistica Probabilità e Statistica - 10.12.2008 Cognome e Nome............................................................................... C. d. L.: AMBL CIVL CIVLS GESL INFL PPING Anno di Corso: 1 2 3 altro

Dettagli

CONFRONTO TRA LA MEDIE DI DUE CAMPIONI INDIPENDENTI

CONFRONTO TRA LA MEDIE DI DUE CAMPIONI INDIPENDENTI CONFRONTO TRA LA MEDIE DI DUE CAMPIONI INDIPENDENTI ipotesi sul confronto tra le medie di due campioni indipendenti Obiettivo: decidere, attraverso il confronto tra le medie dei due campioni indipendenti,

Dettagli

lezione 4 AA Paolo Brunori

lezione 4 AA Paolo Brunori AA 2016-2017 Paolo Brunori dove eravamo arrivati - abbiamo individuato la regressione lineare semplice (OLS) come modo immediato per sintetizzare una relazione fra una variabile dipendente (Y) e una indipendente

Dettagli

Esercitazione del

Esercitazione del Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36

Dettagli

Old Faithful, Yellowstone Park. Statistica e biometria. D. Bertacchi. Dati congiunti. Tabella. Scatterplot. Covarianza. Correlazione.

Old Faithful, Yellowstone Park. Statistica e biometria. D. Bertacchi. Dati congiunti. Tabella. Scatterplot. Covarianza. Correlazione. Coppie o vettori di dati Spesso i dati osservati sono di tipo vettoriale. Ad esempio studiamo 222 osservazioni relative alle eruzioni del geyser Old Faithful. Old Faithful, Yellowstone Park. Old Faithful

Dettagli

ANALISI DELLE SERIE STORICHE

ANALISI DELLE SERIE STORICHE ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di

Dettagli

Cognome e Nome:... Corso di laurea:...

Cognome e Nome:... Corso di laurea:... Statistica - corso base Prof. B. Liseo Prova di esame dell 8 gennaio 201 Cognome e Nome:................................................................... Corso di laurea:.......................................................................

Dettagli

lezione 9 AA Paolo Brunori

lezione 9 AA Paolo Brunori AA 2016-2017 Paolo Brunori Dove siamo arrivati? - la regressione lineare multipla ci permette di stimare l effetto della variabile X sulla Y tenendo ferme tutte le altre variabili osservabili che hanno

Dettagli

Regressione multipla

Regressione multipla Regressione multipla L obiettivo è costruire un modello probabilistico per spiegare la variabile y tramite più di una variabile indipendente x 1, x 2,..., x k. Esempio: Per un efficiente progettazione

Dettagli

9.3 Il metodo dei minimi quadrati in formalismo matriciale

9.3 Il metodo dei minimi quadrati in formalismo matriciale 8 CAPIOLO 9. IMA DEI PARAMERI MEODO DEI MINIMI QADRAI 9.3 Il metodo dei minimi quadrati in formalismo matriciale Nel caso si debba applicare il metodo minimi quadrati con molti parametri risulta vantaggioso

Dettagli

Tecniche di sondaggio

Tecniche di sondaggio SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con

Dettagli

Esercitazioni di Statistica Dott.ssa Cristina Mollica

Esercitazioni di Statistica Dott.ssa Cristina Mollica Esercitazioni di Statistica Dott.ssa Cristina Mollica cristina.mollica@uniroma.it Regressione Esercizio. Siano dati i seguenti valori per le due variabili X ed Y: 4 5 3 5 3 3 Con riferimento al modello

Dettagli

UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 II Esonero - 15 Gennaio 2015

UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 II Esonero - 15 Gennaio 2015 UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 014/015 II Esonero - 15 Gennaio 015 1 3 4 5 6 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,

Dettagli

COGNOME.NOME...MATR..

COGNOME.NOME...MATR.. STATISTICA 29.01.15 - PROVA GENERALE (CHALLENGE) Modalità A (A) ai fini della valutazione verranno considerate solo le risposte riportate dallo studente negli appositi riquadri bianchi: in caso di necessità

Dettagli

Metodi statistici per la ricerca sociale Capitolo 13. Combinare regressione e ANOVA: predittori categoriali e quantitativi Esercitazione

Metodi statistici per la ricerca sociale Capitolo 13. Combinare regressione e ANOVA: predittori categoriali e quantitativi Esercitazione Metodi statistici per la ricerca sociale Capitolo 13. Combinare regressione e ANOVA: predittori categoriali e quantitativi Esercitazione Alessandra Mattei Dipartimento di Statistica, Informatica, Applicazioni

Dettagli

Facoltà di Scienze Statistiche Corso di Laurea in Statistica ed Informatica per l Azienda ESERCIZI DI ALLENAMENTO a.a.

Facoltà di Scienze Statistiche Corso di Laurea in Statistica ed Informatica per l Azienda ESERCIZI DI ALLENAMENTO a.a. Facoltà di Scienze Statistiche Corso di Laurea in Statistica ed Informatica per l Azienda ESERCIZI DI ALLENAMENTO a.a. 2008 PARTE I 1. Si consideri il seguente modello di regressione lineare su dati cross

Dettagli

UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015

UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015 UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015 1 2 3 4 5 6 7 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,

Dettagli

STATISTICA. Esercitazione 5

STATISTICA. Esercitazione 5 STATISTICA Esercitazione 5 Esercizio 1 Ad un esame universitario sono stati assegnati in modo casuale due compiti diversi con i seguenti risultati: Compito A Compito B Numero studenti 102 105 Media dei

Dettagli

1 Serie temporali. 1.1 Processi MA

1 Serie temporali. 1.1 Processi MA 1 Serie temporali Un processo stocastico 1 {X t, t T }, dove T = N o T = Z, si dice stazionario se (X 1,..., X n ) e (X k+1,...,x k+n ) hanno la stessa distribuzione per ogni n 1 e per ogni k T. Un processo

Dettagli

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2. Esame Generale - Luglio 2014

FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2. Esame Generale - Luglio 2014 FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Esame Generale - Luglio 2014 Tempo Concesso: 105 minuti (1 ora e 45 min.) Cognome Nome Numero di Matricola Rispondete a tutte le domande scrivendo

Dettagli

Il modello di regressione lineare multipla. Il modello di regressione lineare multipla

Il modello di regressione lineare multipla. Il modello di regressione lineare multipla Introduzione E la generalizzazione del modello di regressione lineare semplice: per spiegare il fenomeno d interesse Y vengono introdotte p, con p > 1, variabili esplicative. Tale generalizzazione diventa

Dettagli

Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2016/2017 Appello 15 Settembre 2017

Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2016/2017 Appello 15 Settembre 2017 Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 206/207 Appello 5 Settembre 207. Sia r t il log-return di un asset e r m t il log-retun del mercato.

Dettagli

Esercitazione su Filtraggio Adattativo (17 Giugno 2008)

Esercitazione su Filtraggio Adattativo (17 Giugno 2008) Esercitazione su Filtraggio Adattativo 17 Giugno 008) D. Donno Esercizio 1: Stima adattativa in rumore colorato Una sequenza disturbante x n è ottenuta filtrando un processo bianco u n con un filtro FIR

Dettagli

Probabilità e Statistica

Probabilità e Statistica Probabilità e Statistica Stima puntuale di parametri Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 018/019 Marco Pietro Longhi Prob. e Stat.

Dettagli

Stima puntuale di parametri

Stima puntuale di parametri Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Stima puntuale di parametri Ines Campa Probabilità e Statistica -

Dettagli

L'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile. Corso di Metodologia della ricerca sociale

L'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile. Corso di Metodologia della ricerca sociale L'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile Corso di Metodologia della ricerca sociale L analisi della varianza (ANOVA) La tecnica con cui si esplorano le relazioni

Dettagli

Destagionalizzazione, detrendizzazione delle serie storiche

Destagionalizzazione, detrendizzazione delle serie storiche DATA MINING PER IL MARKETING (63 ore) Marco Riani mriani@unipr.it Sito web del corso http://www.riani.it/dmm Destagionalizzazione, detrendizzazione delle serie storiche 1 Serie storica della vendita di

Dettagli

1 Endogeneità, variabili strumentali

1 Endogeneità, variabili strumentali 1 Endogeneità, variabili strumentali 1.1 Proprieta dello stimatore OLS Modello statistico y t = β 1 +β 2 x t2 +...+β k x tk +ε t y t = x tβ+ε t, Brevesommario: y t ex t sonovariabiliosservablimentre ε

Dettagli

Facoltà di ECONOMIA Università di Pavia 26 Aprile 2006 Prova scritta di Analisi dei dati

Facoltà di ECONOMIA Università di Pavia 26 Aprile 2006 Prova scritta di Analisi dei dati Facoltà di ECONOMIA Università di Pavia 26 Aprile 2006 Prova scritta di Analisi dei dati MODALITÀ A Riportare sul foglio nome, cognome, numero di matricola e modalità del testo d esame. Problema 1 (8 PUNTI)

Dettagli

1. variabili dicotomiche: 2 sole categorie A e B

1. variabili dicotomiche: 2 sole categorie A e B Variabile X su scala qualitativa (due categorie) modello di regressione: variabili quantitative misurate almeno su scala intervallo (meglio se Y è di questo tipo e preferibilmente anche le X i ) variabili

Dettagli

ECONOMETRIA: Laboratorio I

ECONOMETRIA: Laboratorio I ECONOMETRIA: Laboratorio I Luca De Angelis CLASS - Università di Bologna Programma Laboratorio I Valori attesi e varianze Test di ipotesi Stima di un modello lineare attraverso OLS Valore atteso Data una

Dettagli

Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità B

Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità B Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità B Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato

Dettagli

Elementi di statistica per l econometria

Elementi di statistica per l econometria Indice Prefazione i 1 Teoria della probabilità 1 1.1 Definizioni di base............................. 2 1.2 Probabilità................................. 7 1.2.1 Teoria classica...........................

Dettagli

Corso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio Esercizio 1

Corso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio Esercizio 1 Corso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio 2015 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994

Dettagli

Regressione & Correlazione

Regressione & Correlazione Regressione & Correlazione Monia Ranalli Ranalli M. Dipendenza Settimana # 4 1 / 20 Sommario Regressione Modello di regressione lineare senplice Stima dei parametri Adattamento del modello ai dati Correlazione

Dettagli

ISTRUZIONI PER LA CONSEGNA DEI FILE MATLAB

ISTRUZIONI PER LA CONSEGNA DEI FILE MATLAB Calcolo Numerico ed Elementi di Analisi - Allievi AEROSPAZIALI Proff. S. Micheletti, S. Perotto A.A. 20/202, Appello 28 Gennaio 203 NOME... COGNOME... MATRICOLA... DOCENTE... AULA... PC... Ver.A I seguenti

Dettagli

Economia Pubblica e Storia Economica Fausto Pacicco

Economia Pubblica e Storia Economica Fausto Pacicco Economia Pubblica e Storia Economica Fausto Pacicco fpacicco@liuc.it 1 Possiamo estendere il modello di regressione lineare includendo più di una xx, ottenendo un modello di regressione lineare multipla

Dettagli

Esercizi di Econometria nanziaria c.a. parte I (2012/2013) Work in Progress 1. Si consideri il modello ARCH(1) r t = t " t (1)

Esercizi di Econometria nanziaria c.a. parte I (2012/2013) Work in Progress 1. Si consideri il modello ARCH(1) r t = t  t (1) Esercizi di Econometria nanziaria c.a. parte I (01/013) Work in Progress 1. Si consideri il modello ARCH(1) r t = t " t (1) t = 0 + 1 r t 1: () Assumendo le condizioni di stazionarietà, si derivino E(r

Dettagli

Parametri statistici

Parametri statistici SMID a.a. 2004/2005 Corso di Metodi Statistici in Biomedicina Parametri statistici 24/1/2005 Deviazione standard della media La variabilità di una distribuzione può quindi essere espressa da un indice

Dettagli

Statistica 1 A.A. 2015/2016

Statistica 1 A.A. 2015/2016 Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 35 Il modello di regressione

Dettagli

Corso di Laurea in Ingegneria Informatica Prova di Analisi Matematica 1

Corso di Laurea in Ingegneria Informatica Prova di Analisi Matematica 1 Corso di Laurea in Ingegneria Informatica Prova di Analisi Matematica 1 30 Gennaio 2018 Scrivere subito nome e cognome e matricola sul foglio risposte e preparare il libretto sul banco per il controllo.

Dettagli

Università di Pavia Econometria. Minimi quadrati ordinari Interpretazione geometrica. Eduardo Rossi

Università di Pavia Econometria. Minimi quadrati ordinari Interpretazione geometrica. Eduardo Rossi Università di Pavia Econometria Minimi quadrati ordinari Interpretazione geometrica Eduardo Rossi Università di Pavia Introduzione L econometria si interessa all analisi dei dati economici. I dati economici

Dettagli

Psicometria con Laboratorio di SPSS 2

Psicometria con Laboratorio di SPSS 2 Psicometria con Laboratorio di SPSS 2 Regressione lineare semplice (vers. 1.2, 20 marzo 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2017-18

Dettagli

Analisi della regressione multipla

Analisi della regressione multipla Analisi della regressione multipla y = β 0 + β 1 x 1 + β 2 x 2 +... β k x k + u 2. Inferenza Assunzione del Modello Classico di Regressione Lineare (CLM) Sappiamo che, date le assunzioni Gauss- Markov,

Dettagli

Probabilità e Statistica

Probabilità e Statistica Probabilità e Statistica - 05.12.2006 Cognome e Nome............................................................................... C. d. L.: AMBL CIVL CIVLS GESL INFL Anno di Corso: 1 2 3 altro Matricola...................................Firma...................................

Dettagli

Correlazione e regressione

Correlazione e regressione Correlazione e regressione Correlazione 1 Come posso determinare il legame tra due o più variabili? Correlazione COEFFICIENTE DI CORRELAZIONE (r di Pearson) massimo consumo di ossigeno e prestazione nelle

Dettagli

La regressione lineare semplice

La regressione lineare semplice La regressione lineare semplice Il modello di regressione lineare semplice - 1 y = β 0 + βx + ε 10 8 Una retta nel piano Variabile Y 6 4 2 0 0 1 2 3 4 Variabile X 1 Il modello di regressione lineare semplice

Dettagli

STATISTICA A K (60 ore)

STATISTICA A K (60 ore) STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta

Dettagli

Computazione per l interazione naturale: Regressione probabilistica

Computazione per l interazione naturale: Regressione probabilistica Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html

Dettagli

Algebra lineare con R

Algebra lineare con R Università di Napoli Federico II cristina.tortora@unina.it Standardizzare una variabile Standardizzazione Data una variabile X distribuita secondo una media µ e una varianza σ 2 la standardizzazione permette

Dettagli

24 luglio Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI

24 luglio Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi

Dettagli

5 dicembre Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI

5 dicembre Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi

Dettagli

()Probablità, Statistica e Processi Stocastici

()Probablità, Statistica e Processi Stocastici Probablità, Statistica e Processi Stocastici Esempio di serie storica Esportazioni italiane di pezzi di accessori auto (trend accentuato, poca stagionalità) Esempio di serie storica Esportazioni italiane

Dettagli

Il confronto fra medie

Il confronto fra medie L. Boni Obiettivo Verificare l'ipotesi che regimi alimentari differenti non producano mediamente lo stesso effetto sulla gittata cardiaca Ipotesi nulla IPOTESI NULLA La dieta non dovrebbe modificare in

Dettagli

LABORATORIO DI INFORMATICA ESERCITAZIONE VIII

LABORATORIO DI INFORMATICA ESERCITAZIONE VIII LABORATORIO DI INFORMATICA ESERCITAZIONE VIII Cercate di eseguire gli esercizi da soli. Se non ci riuscite, cercate di capire i messaggi di errore. Se non ci riuscite, provateci di nuovo. Poi chiamate

Dettagli

LEZIONE N.8 (a cura di Teresa Fanelli) Questa forma risulta importante nel modello di regressione con più variabili.

LEZIONE N.8 (a cura di Teresa Fanelli) Questa forma risulta importante nel modello di regressione con più variabili. LEZIONE N.8 (a cura di Teresa Fanelli) Forma matriciale del Modello di Regressione Semplice L assunzione di base del modello è: Y i =β 0 +x i β 1 +ε i i=1,2,..n. Lo stesso modello può essere scritto attraverso

Dettagli

REGISTRO DELLE LEZIONI*

REGISTRO DELLE LEZIONI* UNIVERSITÀ DEGLI STUDI DI GENOVA Dipartimento di Matematica Corso di laurea in Statistica matematica e trattamento informatico dei dati Nome: Statistica Inferenziale codice: 483847 codice padre (se ins.

Dettagli

IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI (Prof. S. Bittanti) Ingegneria Informatica 10 CFU. Appello 07 Luglio 2014 Cognome Nome Matricola

IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI (Prof. S. Bittanti) Ingegneria Informatica 10 CFU. Appello 07 Luglio 2014 Cognome Nome Matricola IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI (Prof. S. Bittanti) Ingegneria Informatica 10 CFU. Appello 07 Luglio 2014 Cognome Nome Matricola............ Verificare che il fascicolo sia costituito da

Dettagli

22 marzo Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI

22 marzo Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi

Dettagli

10 luglio Soluzione esame di geometria - Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...

10 luglio Soluzione esame di geometria - Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA... 10 luglio 014 - Soluzione esame di geometria - Ingegneria gestionale - a.a. 01-014 COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI

Dettagli

La multicollinearità sorge quando c è un elevata correlazione tra due o più variabili esplicative.

La multicollinearità sorge quando c è un elevata correlazione tra due o più variabili esplicative. Lezione 14 (a cura di Ludovica Peccia) MULTICOLLINEARITA La multicollinearità sorge quando c è un elevata correlazione tra due o più variabili esplicative. In un modello di regressione Y= X 1, X 2, X 3

Dettagli

Stima del valore di una costante in presenza di rumore esponenzialmente correlato. Carlo Fisicaro

Stima del valore di una costante in presenza di rumore esponenzialmente correlato. Carlo Fisicaro Stima del valore di una costante in presenza di rumore esponenzialmente correlato Carlo Fisicaro OBIETTIVO Stimare il valore della costante β adimensionale per mezzo di misurazioni soggette a rumore stocastico

Dettagli

Microeconometria Day # 3 L. Cembalo. Regressione con due variabili e metodo dei minimi quadrati

Microeconometria Day # 3 L. Cembalo. Regressione con due variabili e metodo dei minimi quadrati Microeconometria Day # 3 L. Cembalo Regressione con due variabili e metodo dei minimi quadrati SRF: sample regression function Il passaggio dalla regressione sulla popolazione a quella sul campione è cruciale

Dettagli

Esercizi di riepilogo Lezioni

Esercizi di riepilogo Lezioni Esercizi di riepilogo Lezioni 16-17-18 1 Es1: Statistiche del secondo ordine [Pap, 9-2] Si ha un processo X con Determinare media, varianza, e covarianza delle v.a. Z=X(5) e W=X(8) Il processo X è stazionario?

Dettagli

Test delle Ipotesi Parte I

Test delle Ipotesi Parte I Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test

Dettagli