##################################################### # Normale Multivariata ##################################################
|
|
- Amedeo Bettini
- 4 anni fa
- Visualizzazioni
Transcript
1 # Normale Multivariata ################################################## # Pacchetto MASS installato di default library(mass) help(mvrnorm) # Normale trivariata mu = c(-1, 3, 0) # Definisco il vettore delle medie Sigma = matrix(c(1, 0.5, 0, 0.5, 1.3, -0.8, 0, -0.8, 3), nrow = 3, ncol = 3) # Matrice di varianze e covarianze Sigma n = 100 = mvrnorm(n, mu, Sigma) # Generazione di n numeri casuali dalla normale trivariata # Normale bivariata mu = c(0,1) Sigma = matrix(c(1, -0.3, -0.3, 1), nrow = 2, ncol = 2) Sigma = mvrnorm(10000, mu, Sigma) plot(, pch = 20, cex = 0.5) # oppure: plot([,2], [,1], pch = 20, cex = 0.5) abline(h = 0, col = "red") abline(v = 0, col = "red") # oppure pacchetto "mvtnorm" che deve essere installato library(mvtnorm) # Carico il pacchetto (che ho precedentemente installato) help(dmvnorm) help(pmvnorm) help(rmvnorm) x = c(1.5, 0.8) dmvnorm(x, mu, Sigma) # Calcolo della densità della Normale multiv. pmvnorm(x, mean = mu, sigma = Sigma) # Calcolo della probabilità cumulata della normale mult. = rmvnorm(10000, mu, Sigma) plot(, pch = 20, cex = 0.5) abline(h = 0, col = "red") abline(v = 0, col = "red") # Lettura di file dati in R help(read.table)?read.table dati = read.table(file.choose(), header = TRUE) # vendite_vino.txt head(dati) vendite_vino # errore! attach(dati) vendite_vino
2 # test per confronti tra campioni help(t.test) dati = read.table(file.choose(), header = TRUE) # regr_multivariata.txt attach(dati) x1 = dati$reddito[sesso=="m"] x2 = dati$reddito[sesso=="f"] m1 = mean(x1) m2 = mean(x2) sigma2.1 = 150 sigma2.2 = 175 n1 = length(x1) n2 = length(x2) s2.1 = var(x1) s2.2 = var(x2) s2 = ( (n1-1)*s2.1 + (n2-1)*s2.2) / (n1+n2-2) H0 = 0 # mu1 - mu2 # i) varianze note z = ( m1 - m2 - H0 )/sqrt( sigma2.1/n1 + sigma2.2/n2 ) pnorm(z, lower.tail = TRUE) # se H1 è mu1 < mu2 # Accetto H0 pnorm(z, lower.tail = FALSE) # se H1 è mu1 > mu2 2*(pnorm(abs(z), lower.tail = FALSE)) # se H1 è mu1 =! mu2 # ii) varianze non note uguali t = ( m1 - m2 - H0 )/sqrt( s2 * (1/n1 + 1/n2) ) pt(t, n1+n2-2, lower.tail = TRUE) # se H1 è mu1 < mu2 # Accetto H0 2*(pt(abs(t), n1+n2-2, lower.tail = FALSE)) # se H1 è mu1 =! mu2 pt(t, n1+n2-2, lower.tail = FALSE) # se H1 è mu1 > mu2 # oppure t.test(x1, x2, var.equal = TRUE) # dà il p-value per H1: mu1 =! mu2 # iii) grandi campioni (varianze diverse) z = ( m1 - m2 - H0 )/sqrt( s2.1/n1 + s2.2/n2 ) pnorm(z, lower.tail = TRUE) # se H1 è mu1 < mu2 2*(pnorm(abs(z), lower.tail = FALSE)) # se H1 è mu1 =! mu2 pnorm(z, lower.tail = FALSE) # se H1 è mu1 > mu2 # se n1+n2 suff. grande, allora equivale approx a t.test(x1, x2, var.equal = FALSE) # modello di regressione lineare semplice dati = read.table(file.choose(), header = TRUE) # regular.txt dati = read.table(file.choose(), header = TRUE) # SP_MIB.txt head(dati) #x = dati$reddito #y = dati$spesa x= dati$sp0809 y = dati$mib0809 summary(x) summary(y) plot(x, y)
3 # stima del modello mod = lm(y ~ x) summary(mod) # rappresentazione grafica plot(x, y) abline(mod) # estraggo le informazioni dall'oggetto coefficients(mod) # oppure: mod$coefficients fitted(mod) # oppure: mod$fitted.values residuals(mod) # oppure: mod$residuals # intervalli di confidenza per i parametri confint(mod, level = 0.95) # Grafici per diagnostica # valori stimati verso valori osservati plot(mod$fitted.values, y) # valori stimati verso residui plot(mod$fitted.values, mod$residuals, xlab = 'Fitted values', ylab = 'Residuals') # Normal Probability Plot qqnorm(mod$residuals, ylab = 'Residuals') qqline(mod$residuals) # Oppure: plot(mod) # Previsione del valore medio e del valore puntuale help(predict.lm) predict(mod, se.fit = TRUE) x.new = data.frame(x = 1000) predict(mod, newdata = x.new, se.fit = TRUE) predict(mod, newdata = x.new, level = 0.95, interval = "confidence") predict(mod, newdata = x.new, level = 0.95, interval = "prediction") x.new = data.frame(x = seq(min(x), max(x), length = 50)) Ey = predict(mod, newdata = x.new, level = 0.95, interval = "confidence") Py = predict(mod, newdata = x.new, level = 0.95, interval = "prediction") plot(x, y, xlim = c(600,1500), ylim = c(10000,38000)) abline(mod) lines(cbind(x.new, Ey[,2]), lty=2, lwd=2, col=2) lines(cbind(x.new, Ey[,3]), lty=2, lwd=2, col=2) lines(cbind(x.new, Py[,2]), lty=3, lwd=2, col=3) lines(cbind(x.new, Py[,3]), lty=3, lwd=2, col=3) # Richiami di calcolo vettoriale e matriciale # definizione di vettori (colonna) a = c(-2, 3, 1, 0) # vettore di dimensione 4 b = c(1, 3, 5, 2) # vettore di dimensione 4 t(b) # trasposto (vettore riga) # richiamo di alcuni elementi del vettore a[2] a[1:2] a[c(1,3)]
4 # sostituzione di alcuni valori = a [1] = 0 [2:4] = 1 # operazioni sugli elementi vettoriali a-1 1-a 2*a a^2 log(b)?log # operazioni tra vettori a+b a-b a*b # moltiplico ogni elemento di a per il corrispondente elemento di b; ottengo un vettore di dimensione 4 a/b a %*% b # moltiplico ogni elemento di a per il corrispondente di b e sommo; ottengo uno scalare a %*% t(b) # moltiplico ogni elemento di a per tutti gli elementi di t(b); ottengo una matrice 4x4 # Crezione di matrici = matrix(1:12, nrow = 4, ncol = 3) = matrix(1:12, nrow = 4, ncol = 3, byrow = TRUE) = cbind(a, b) = rbind(a, b) = matrix(rnorm(12), nrow = 4, ncol = 3) dim() [1,] # estrazione della riga 1 [,2] # estrazione della colonna 2 [3,3] # estrazione dell'elemento sulla riga 3 e colonna 3 # Operazioni con le matrici * /10 %*% a # Errore! Attenzione alla dimensione di e di a a %*% # Ok t() %*% a # Ok Y = cbind(a, b) = matrix(rchisq(10, 2), nrow = 2, ncol = 5) dim(y) dim() Y = Y %*% dim(y) diag(5) # Matrice diagonale 3*diag(5) = matrix(rnorm(16), nrow = 4, ncol = 4) diag()
5 det() # Calcolare il determinante di una matrice inv = solve() # Calcolare l'inversa di una matrice inv %*% round(inv %*%, digits = 2)
STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7:
esercitazione 7 p. 1/13 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7: 20-05-2004 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
Dettagli#################################################### # ESERCITAZIONE 1 ####################################################
#################################################### # ESERCITAZIONE 1 #################################################### # ESERCIZIO 1 # Calcolo di quantili help(qnorm) qnorm(0.95, mean = 0, sd = 1)
DettagliR - Esercitazione 2. Andrea Fasulo 20 Ottobre Università Roma Tre
R - Esercitazione 2 Andrea Fasulo fasulo.andrea@yahoo.it Università Roma Tre 20 Ottobre 2017 det(), solve() : calcolano determinante e inverso di una matrice quadrata. t() genera la matrice trasposta.
DettagliLaboratorio di R - 1 a lezione Prof. Mauro Gasparini
Laboratorio di R - 1 a lezione Prof. Mauro Gasparini Lunedì 02 ottobre 2006 Brunella Caroleo 0. Preliminari # in R il simbolo "#" indica l'inizio di una linea di commento Uscire da R q() Chiedere aiuto
DettagliUso elementare di R in Statistica G. Marchetti
Uso elementare di R in Statistica G. Marchetti Lezione 1 Introduzione R è un ambiente statistico di pubblico dominio. Il software è libero e può essere scaricato dal sito https: //cran.r-project.org/.
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 6:
esercitazione 6 p. 1/14 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 6: 06-05-2005 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliLaboratorio di R - 1 a lezione Prof. Mauro Gasparini
Laboratorio di R - 1 a lezione Prof. Mauro Gasparini 0. Preliminari # in R il simbolo "#" indica l'inizio di una linea di commento Uscire da R q() Chiedere aiuto ad R help() help(mean)?mean help.start()
DettagliInformazione, devianza e verosimiglianza con il linguaggio R
Informazione, devianza e verosimiglianza con il linguaggio R Partiamo dal dataset studenti: www = "https://goo.gl/rdrnff" Carichiamolo in R: studenti = read.table( www, header = TRUE ) attach(studenti)
DettagliINTRODUZIONE A R Lezione 3
INTRODUZIONE A R Lezione 3 Silvia Bacci e Silvia Pandolfi 1 Creare grafici in R R consente di realizzare, con semplicità, grafici di qualità professionale. Questi sono poi esportabili come file in numerosi
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 5:
STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 5: 19-04-2004 Andrea Tancredi Università di Roma La Sapienza, Rome, Italy andrea.tancredi@uniroma1.it http://3w.eco.uniroma1.it/utenti/tancredi
DettagliSTATISTICA LAB. Analisi dei dati con R - Ex 2. Marta Nai Ruscone. LIUC - Università Carlo Cattaneo, Castellanza STATISTICA LAB
Analisi dei dati con R - Ex 2 Marta Nai Ruscone LIUC - Università Carlo Cattaneo, Castellanza Funzioni Una funzione è un insieme di comandi elementari. In R sono disponibili un gran numero di funzioni
DettagliLaboratorio di Statistica e Analisi Dati: Lezione 2
Laboratorio di Statistica e Analisi Dati: Lezione 2 Tommaso C. & Marco G. 2-4 Novembre 2016 Matrici In R è possibile rappresentare estensioni bidimensionali di vettori (matrici) L accesso ad una componente
DettagliFile: /home/bartolucci/didattica/ /metodi/lezione_r5.r Pagina 1 di 5
File: /home/bartolucci/didattica/2011-12/metodi/lezione_r5.r Pagina 1 di 5 # Model selection: metodi Backward e Forward data = read.table(file.choose(), header = TRUE) head(data) # covariates_useless2.txt
Dettaglistatistica descrittiva bivariata
statistica descrittiva bivariata descrivere la distribuzione bivariata due variabili categoriali due variabili numeriche una categoriale e una numerica due maniere di descriverla con grafici o tabelle
Dettagli1 Richiami di algebra lineare
1 Richiami di algebra lineare Definizione 11 (matrici e vettori) Una matrice A e un insieme di numeri A hk, h = 1,, m, k = 1,, n, ordinati in base alla coppia di indici h e k nel modo seguente A 1 A n
DettagliCOGNOME.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
DettagliIntroduzione a R. 0.1 Iniziare e chiudere una sessione di R. 0.2 Semplice aritmetica. 0.3 Assegnazioni di valori > 3/2 + 1 [1] 2.5
Sommario INTRODUZIONE AL LINGUAGGIO R Materiale integrativo relativo al corso di Statistica 0.1 Iniziare e chiudere una sessione di R......................... 3 0.2 Semplice aritmetica...................................
Dettagliprevedere y in funzione di x, per variabili linearmente associate
prevedere y in funzione di x, per variabili linearmente associate concetto di regressione idea di base se x e y sono associate, posso usare x per prevedere y (con una certa approssimazione) per farlo
DettagliLaboratorio di R - 3 a lezione Prof. Mauro Gasparini
Laboratorio di R - 3 a lezione Prof. Mauro Gasparini 1. Verifica di ipotesi: il test t di Student In R è disponibile la funzione t.test che effettua il test t di Student ad un campione, a due campioni
DettagliLaboratorio 1 Strumenti quantitativi per la gestione
Laboratorio 1 Strumenti quantitativi per la gestione Emanuele taufer Lab: Introduzione a R Comandi di base Lab: Introduzione a R Comandi di base R utilizza funzioni per eseguire le operazioni. Per eseguire
DettagliFac-simile prova di esame
UNIVERSITÀ CA FOSCARI DI VENEZIA FACOLTÀ DI ECONOMIA Statistica Computazionale I Prof. Stefano Tonellato COGNOME.................................... NOME.................................... MATRICOLA....................................
Dettaglidistribuzioni campionarie
distribuzioni campionarie cosa sono sampling distribution la distribuzione teorica di una statistica campionaria, supponendo di estrarre ripetuti campioni p.e., la distribuzione di tutte le medie di campioni
DettagliUniversità degli Studi di Milano. Laurea Specialistica in Genomica Funzionale e Bioinformatica. Array e matrici. Giorgio Valentini
Università degli Studi di Milano Laurea Specialistica in Genomica Funzionale e Bioinformatica Array e matrici Giorgio Valentini e mail: valentini@dsi.unimi.it DSI Dipartimento di Scienze dell Informazione
DettagliLaboratorio di Calcolo Numerico Laboratorio 8: Vettori e Matrici
Laboratorio di Calcolo Numerico Laboratorio 8: Vettori e Matrici Claudia Zoccarato E-mail: claudia.zoccarato@unipd.it Dispense: Moodle Dipartimento ICEA 03 Maggio 2017 Richiami In MATLAB, ogni variabile
DettagliArray e matrici. Università degli Studi di Milano. Laurea Specialistica in Genomica Funzionale e Bioinformatica. Giorgio Valentini
Università degli Studi di Milano Laurea Specialistica in Genomica Funzionale e Bioinformatica Array e matrici Giorgio Valentini e mail: valentini@dsi.unimi.it DSI Dipartimento di Scienze dell Informazione
DettagliCorso di Analisi dei Dati Esercitazione R n. 1
Corso di Analisi dei Dati Esercitazione R n. 1 30 marzo 2006 Il pacchetto R è un programma statistico liberamente scaricabile dal CRAN (http//www.r-preject.org) che fornisce un ambiente integrato che permette
DettagliVettore (o matrice) casuale (o aleatorio): vettore (o matrice) i cui elementi sono variabili aleatorie
Variabili (vettori e matrici) casuali Variabile casuale (o aleatoria): Variabile che può assumere un insieme di valori ognuno con una certa probabilità La variabile aleatoria rappresenta la popolazione
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliVettori e Matrici. Corso di Calcolo Numerico. 24 Aprile 2018
Vettori e Matrici 24 Aprile 2018 Richiami In MATLAB, ogni variabile ha una struttura di tipo vettoriale o array. Un array è un insieme di valori ordinati, cioè memorizza più dati all interno di una struttura
DettagliGeneralizzazioni di vettori
Generalizzazioni di vettori I vettori sono sequenze ordinate di elementi omogenei. Un vettore v è rappresentabile tramite una struttura Unidimensionale: v Essendo strutture unidimensionali è possibile
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 Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliMetodi statistici per la ricerca sociale Confronto tra Due Gruppi in
Metodi statistici per la ricerca sociale Confronto tra Due Gruppi in Alessandra Mattei Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) Università degli Studi di Firenze mattei@disia.unifi.it
DettagliNote sull uso di R per l Algebra Lineare
Note sull uso di R per l Algebra Lineare Sommario Introduzione Alcuni comandi elementari di R Creazione di matrici e vettori e accesso ai loro elementi Alcuni particolari tipi di matrice Operazioni con
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliLaboratorio di ST1 - Lezione 2. Antonietta di Salvatore. Dipartimento di Matematica Universitá degli Studi Roma Tre
Laboratorio di ST1 - Lezione 2 Antonietta di Salvatore Dipartimento di Matematica Universitá degli Studi Roma Tre Outline variabili discrete Binomiale Poisson variabili continue Normale Esponenziale Gamma
DettagliParametri grafici in R
Parametri grafici in R Corso di Bioinformatica Nicola Vitacolonna Corso di Laurea in Biotecnologie Grafici esplorativi vs grafici finali Durante l'esplorazione dei dati non è necessario preoccuparsi troppo
DettagliStatistica 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
Dettagli1.1 Iniziare e chiudere una sessione di R
Laboratorio 1 Introduzione a R 1.1 Iniziare e chiudere una sessione di R Per iniziare una sessione R fare un doppio click di mouse sulla icona di R. Per uscire da R, usa q(). Per salvare i dati rispondere
DettagliCorso di STATISTICA EGA - Classe 1 aa Docenti: Luca Frigau, Claudio Conversano
Corso di STATISTICA EGA - Classe 1 aa 2017-2018 Docenti: Luca Frigau, Claudio Conversano Il corso è organizzato in 36 incontri, per un totale di 72 ore di lezione. Sono previste 18 ore di esercitazione
Dettagli0.1 Percorrenza e Cilindrata
0.1 Percorrenza e Cilindrata Iniziamo ora un analisi leggermente più complessa basata sempre sui concetti appena introdotti. Innanzi tutto possiamo osservare, dal grafico ottenuto con il comando pairs,
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza di Variabili Aleatorie Sistema di Variabili
DettagliINTRODUZIONE A R Lezione 1
INTRODUZIONE A R Lezione 1 Silvia Bacci e Silvia Pandolfi 1 Introduzione R è un ambiente di elaborazione che consente di manipolare dati, eseguire calcoli e procedure complesse nonché rappresentare graficamente
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione3:
esercitazione 3 p. 1/16 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione3: 18-03-2005 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliAnalisi di Regressione Multivariata. β matrice incognita dei coeff. di regressione (regr. lineare in β)
Analisi di Regressione Multivariata Regressione: metodologia per dedurre info e per anticipare risposte di una variabile dip. Modello classico di regressione lineare: Y {z} n k = {z} X β + ρ {z} {z} n
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliSi assuma di avere portato a termine le seguenti rilevazioni di produzione e di alimento somministrato
Regressione Lineare Semplice Si assuma di avere portato a termine le seguenti rilevazioni di produzione e di alimento somministrato QUANTITA' DI ALIMENTO PRODUZIONE 2 10 2 9 1.5 5 1 2 1 3 1.5 4 2 7 2 9
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
Dettagli= elemento che compare nella seconda riga e quinta colonna = -4 In generale una matrice A di m righe e n colonne si denota con
Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti su m righe e n colonne. I numeri che compaiono nella tabella si dicono elementi della matrice. La loro individuazione
DettagliTest d ipotesi sulla media
Test d ipotesi sulla media Monica Marabelli 4 Dicembre 2015 Riassumendo l esercitazione precedente Nella lezione precedente abbiamo visto che la media campionaria puó essere un buon stimatore del valore
DettagliLe matrici. Sia K un campo con elemento neutro dell addizione 0 ed elemento neutro della moltiplicazione 1.
Le matrici Sia K un campo con elemento neutro dell addizione 0 ed elemento neutro della moltiplicazione 1. Siano m, n N\{0}. Una matrice m n a coefficienti in K è una tabella di m n elementi di K disposti
DettagliEsercitazione ENS su processi casuali (13 e 14 Maggio 2008)
Esercitazione ES su processi casuali ( e 4 Maggio 2008) D. Donno Esercizio : Calcolo di autovalori e autovettori Si consideri un processo x n somma di un segnale e un disturbo: x n = Ae π 2 n + w n, n
Dettaglistima per intervallo
stima per intervallo intervalli di fiducia confidence interval una affermazione come questa: CI(95%): lim inf < µ < lim sup p = 0.95 che la media della popolazione sia compresa nell intervallo fra lim
DettagliSTATISTICA LAB. Analisi dei dati con R - Ex 1. Marta Nai Ruscone. LIUC - Università Carlo Cattaneo, Castellanza STATISTICA LAB
Analisi dei dati con R - Ex 1 Marta Nai Ruscone LIUC - Università Carlo Cattaneo, Castellanza R è un ambiente per la gestione e l analisi statistica di dati e la produzione di grafici. E disponibile gratuitamente
DettagliPer ogni riga, applicando il modello precedente, si ha:
ALGEBRA MATRICIALE PER REGRESSIONI MULTILINEARI Tips di esempio con i conti per ostacolare i processi di analfabetismo matematico Per le applicazioni con le regressioni lineari multiple possiamo usare
DettagliIl programma OCTAVE per l insegnamento dell algebra lineare nella Scuola Secondaria p. 1
Il programma OCTAVE per l insegnamento dell algebra lineare nella Scuola Secondaria R. Vitolo Dipartimento di Matematica Università di Lecce SaLUG! - Salento Linux User Group Il programma OCTAVE per l
DettagliElementi 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...........................
Dettaglilezione 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
DettagliIntroduzione a Matlab Costruzione di Macchine 2 Prof. Sergio Baragetti
Esercitazioni del corso di Costruzione di Macchine 2 a cura dell ing. Francesco Villa Introduzione a Matlab Costruzione di Macchine 2 Prof. Sergio Baragetti Dalmine - 27/02/2013 Introduzione a Matlab FONDAMENTI
DettagliINTRODUZIONE A MATLAB
INTRODUZIONE A MATLAB M.R. Russo Università degli Studi di Padova Dipartimento di Matematica Pura ed Applicata A.A. 2008/2009 INDICE Funzioni per l'algebra lineare Manipolare vettori Manipolare matrici
DettagliIntroduzione all Analisi Esplorativa dei Dati mediante R 1
Introduzione all Analisi Esplorativa dei Dati mediante R 1 Giovanna Menardi Giovanna.Menardi@econ.units.it A.A. 2008/2009 1 Materiale liberamente tratto da appunti a cura di M. Trevisani. Menardi Lezione
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi Corso di laurea in Informatica e Bioinformatica 8 VERIFICA DI IPOTESI LA VERIFICA DI IPOTESI Una delle applicazioni
DettagliCOMPONENTI PRINCIPALI
COMPONENTI PRINCIPALI Mario Romanazzi 1 Introduzione Le componenti principali sono combinazioni lineari delle variabili osservate, ordinate in base ad un criterio di rilevanza informativa. La prima componente
Dettagliintroduzione ai test di significatività
introduzione ai test di significatività l esperimento del tea tasting R. Fisher 8 tazze di te 4 preparate versando il latte prima 4 preparate versando il latte dopo variabile dipendente: numero di successi
DettagliTest d ipotesi sulla media
Test d ipotesi sulla media Silvia Parolo 12 December 2014 Riassumendo l esercitazione precedente Nella lezione precedente abbiamo visto che la media campionaria può essere un buon stimatore del valore
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 5:
esercitazione 5 p. 1/14 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 5: 22-04-2005 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliPreCorso di Matematica - PCM Corso M-Z
PreCorso di Matematica - PCM Corso M-Z DOCENTE: M. Auteri Outline Docente: Auteri PreCorso di Matematica 2016 2 Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti
Dettaglidistribuzioni teoriche di probabilità
distribuzioni teoriche di probabilità cosa sono distribuzione teorica di probabilità un modello del processo che genera i dati specifica la densità di probabilità associata ad ogni possibile valore assunto
DettagliTest delle ipotesi statistiche
indice di posizione indici di variabilità principali var statistiche verifica di ipotesi introduzione (come si costruisce un test) test parametrici e non parametrici regressione? Test delle ipotesi statistiche
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi 7 VARIABILI CASUALI CONTINUE LA VARIABILE NORMALE densità (z) 0.0 0.1 0.2 0.3 0.4-4 -2 0 2 4 z LA VARIABILE
DettagliIDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 20: Stima puntuale. Stimatore lineare a MEQM. Esempi. Motivazioni
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 20: Stima puntuale Motivazioni Stima puntuale Indice di qualitá della stima Stimatore a MEQM Stimatore lineare a MEQM Il caso gaussiano Esempi 20-1
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Esercizio 1 (stima puntuale) In un processo di controllo di qualità, siamo interessati al numero mensile di guasti
DettagliEsercitazioni Infostat ConfInt
Esercitazioni Infostat ConfInt Matteo Re, Alessandro Di Domizio 3 Maggio 2019 1 Introduzione In questa esercitazione vedremo come stimare l intervallo di confidenza da un campione che assumiamo essere
DettagliLa 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
DettagliSi noti che la matrice trasposta A ha lo stesso determinante. Questa proprietà è generale;
Ottavio Serra Matrici e determinanti In questa nota estenderemo a matrici quadrate di ordine n qualsiasi il concetto di determinante introdotto nelle scuole secondarie per matrici di ordine 2 come tecnica
DettagliPrefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura
INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI
DettagliLaboratorio di Statistica e Analisi Dati: Lezione 5
Laboratorio di Statistica e Analisi Dati: Lezione 5 Tommaso C. & Marco G. 23-25 Novembre 2016 News Faq su come interagire con le slide.html Aggiunto link alla pagina principale IDE Corretto il calendario
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi Corso di laurea in Informatica e Bioinformatica 6 VARIABILI ALEATORIE CONTINUE z LA VARIABILE NORMALE Esempio
DettagliAlgebra matriciale. Un algebra è un sistema di segni in cui sono definite delle operazioni Algebra scalare Algebra dei vettori Algebra matriciale
Algebra matriciale Algebra Un algebra è un sistema di segni in cui sono definite delle operazioni Algebra scalare Algebra dei vettori Algebra matriciale In algebra matriciale un numero è chiamato scalare
DettagliMATRICI. Matrici Una matrice A con n-righe e m-colonne, ad elementi reali, è una tabella con la seguente forma: a 2 m. a n m) i j R, 1 i n, 1 j m.
MATRICI Matrici Una matrice A con n-righe e m-colonne, ad elementi reali, è una tabella con la seguente forma: 11 a 12 a 1 3 a 1m A=(a a 21 a 2 3 a 2m con a a n1 a n2 a n 3 a nm i j R, 1 i n, 1 j m. per
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliIl metodo delle osservazioni indirette
Il metodo delle osservazioni indirette Teoria della stima ai minimi quadrati Il criterio di massima verosimiglianza Sia data una grandezza η e si abbiano n osservazioni indipendenti l i (i=1,...,n) di
DettagliControllo Statistico della Qualità
Controllo Statistico della Qualità Dispense distribuite in classe a.a. 2006/2007 Luca Scrucca Dipartimento di Economia, Finanza e Statistica Sezione di Statistica Università degli Studi di Perugia luca@stat.unipg.it
DettagliSoluzione degli esercizi di riepilogo sul controllo statistico di qualità e sull ANOVA.
Soluzione degli esercizi di riepilogo sul controllo statistico di qualità e sull ANOVA.. Si tratta di un ANOVA a due fattori senza repliche. Gli effetti sono fissi sia sulle righe che sulle colonne. Effettuiamo
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi 8 ESERCIZI DI RIPASSO FINALE 1 - STATISTICA DESCRITTIVA LAUREATI ESERCIZIO 1: La seguente tabella riporta il
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliNel modello di regressione Multivariata abbiamo più variabili risposta (tipicamente poche), in particolare avremo:
Lezione 15 (a cura di Giovanni Mariani) Regressione Multivariata Consideriamo yiyr, con r = numero variabili risposta xixk, con k = numero varibili esplicative Nel modello di regressione Multivariata abbiamo
DettagliPARTE I ARGOMENTI PROPEDEUTICI
SOMMARIO Introduzione PARTE I ARGOMENTI PROPEDEUTICI CAPITOLO I ALGEBRA LINEARE 1 1.1. Introduzione 1 1.2. Operazione tra scalari e vettori 2 1.3. Operazione tra vettori 2 1.4. Operazioni tra matrici 4
DettagliIndice. Prefazione. 4 Sintesi della distribuzione di un carattere La variabilità Introduzione La variabilità di una distribuzione 75
00PrPag:I-XIV_prefazione_IAS 8-05-2008 17:56 Pagina V Prefazione XI 1 La rilevazione dei fenomeni statistici 1 1.1 Introduzione 1 1.2 Caratteri, unità statistiche e collettivo 1 1.3 Classificazione dei
Dettaglinumber of successes, or a vector of length 2 giving the numbers of successes and failures, respectively.
Quesito 1. Under (the assumption of) simple Mendelian inheritance, a cross between plants of two particular genotypes produces progeny 1/4 of which are dwarf and 3/4 of which are giant, respectively. In
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 8:
STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 8: 10-05-2004 Andrea Tancredi Università di Roma La Sapienza, Rome, Italy andrea.tancredi@uniroma1.it http://3w.eco.uniroma1.it/utenti/tancredi
Dettagli27 Marzo (a) Formulare una ipotesi sul modello tempo di vita di questa valvola e sottoporla a verifica.
Prova scritta di Affidabilità dei sistemi e Controllo statistico di qualità 27 Marzo 20 Tempo di lavoro: 2 ore. Gli esercizi vanno svolti in un file word. Riportare su questo file sia i grafici che eventuali
Dettagli3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
DettagliAnalisi dei dati con R
Analisi dei dati con R Riccardo Massari riccardo.massari@uniroma1.it Corso di STATISTICA Facoltà di Ingegneria Sapienza Università di Roma (Corso di statistica) Analisi dei dati - R. Massari 1 / 96 ANALISI
Dettagli