Analisi di regressione: approccio matriciale. Abbiamo rilevato i seguenti caratteri su n = 25
|
|
- Niccoletta Orsini
- 4 anni fa
- Visualizzazioni
Transcript
1 Analisi di regressione: approccio matriciale Abbiamo rilevato i seguenti caratteri su n = 25 unità Y X 1 X 2 X
2 Y : libbre di vapore utilizzate in un mese X 1 : temperatura media mensile in gradi F X 2 : numero di giorni di operatività in un mese X 3 : numero di riavviamenti (startup) in un mese Problema: capire quali variabili e come influiscono sul consumo di vapore Per capire quali variabili utilizzare nella regressione calcoliamo la matrice di correlazione Y X 1 X 2 X 3 Y X X X Tale matrice è simmetrica e all incrocio della riga i e della colonna j c è il coefficiente di correlazione tra la variabile della riga i e quella della colonna j. Ad esempio ρ(x 1, X 3 ) = Si scelgono le variabili maggiormente correlate con la variabile da spiegare e meno correlate tra loro. 2
3 Grafico di dispersione della variabile Y rispetto a X x1 3
4 Grafico di dispersione della variabile Y rispetto a X x2 4
5 Grafico di dispersione della variabile Y rispetto a X x3 5
6 Cominciamo con modello lineare con una variabile esplicativa. Scegliamo la variabile X 1 per la quale abbiamo ρ(y, X 1 ) = Supponiamo di voler spiegare la variabile Y come funzione della X 1 e che il legame sia lineare Y = a + bx 1 Quindi vorremmo determinare a e b tali che e i = a + bx 1,i, i = 1,..., i=1 ( i i )2 = min Facendo i conti ricaviamo b = σ x σx 2 ȳ b x = = 0.08 e a = Possiamo riscrivere le 25 equazioni in un unica equazione matriciale, ovvero dove = 1. 25, X = = Xα , α = ( ) a b 6
7 determiniamo α = (a, b) minimizzando g(a, b) = ( ) ( ) = ( Xα) ( Xα), dove = [ ]. La soluzione dell equazione matriciale è α = (X X) 1 X In questo esempio otteniamo [ α = ] = [ ] a b Si noti che la soluzione coincide con quella già nota. I conti in detteglio sono: [ ] [ ] X n xi X = xi x 2 X i = i xi i (X X) 1 = 1 n (x i x) 2 Nell esempio abbiamo [ X X = (X X) 1 = 1 ] [ x 2 i x i x i n X = [ ] [ ] ] 7
8 Grafico di dispersione della variabile Y rispetto a X 1 con sovrapposta la retta di equazione = x x1 R 2 =
9 Passiamo alla variabile X 2 per la quale ρ(y, X 2 ) = Supponiamo di voler spiegare la variabile Y in funzione di X 2. In questo caso abbiamo [ ] α = Grafico di dispersione della variabile Y rispetto a X 2 con sovrapposta la retta di equazione = x 2 R 2 = x2 9
10 Infine consideriamo la variabile X 3 per la quale ρ(y, X 3 ) = In questo caso abbiamo [ ] α = Grafico di dispersione della variabile Y rispetto a X 2 con sovrapposta la retta di equazione = x 2 R 2 = x3 10
11 Vogliamo ora spiegare la Y come funzione di più variabili. Cominciamo con due variabili e scegliamo quella maggiormente correlata con Y, X 1, e quella meno correlata con X 1, cioè X 2. Grafico di dispersione della variabile Y X 1 e X 2 rispetto a x x2 Cerchiamo il piano che passi il più vicino possibile ai punti del grafico 11
12 Il modello ipotizzato ora è Y = a + bx 1 + cx 2 Vogliamo determinare a, b, c in modo tale i = a + bx 1,i + cx 2,i, i = 1,..., 25 Possiamo riscrivere le 25 equazioni in un unica equazione matriciale, ovvero dove = 1. 25, X = = Xα , α = La soluzione ottenuta col metodo dei minimi quadrati è ancora una volta Fatti i conti otteniamo α = (X X) 1 X α = a b c 12
13 x x2 Il piano trovato ha equazione Y = X X 2 R 2 =
14 L indice R 2 è definito come R 2 = 1 i( i i )2 i( i ȳ) 2 Si osservi che nel caso della regressione multipla questo non è uguale a ρ 2. Le formule viste per il caso di due regressori si estendono al caso di k > 2 regressori. Il valore dell indice R 2 aumenta all aumentare del numero delle variabili esplicative del modello. Occorre trovare un compromesso tra numero dei regressori e bontà di adattamento (principio di parsimonia). Non seguendo questo principio potremmo incappare in problemi di over fitting, cioè modelli molto buoni ma inutilizzabili a fini previsivi. 14
15 Ipotiziamo invece il modello Y = a + bx 1 + cx 3 Il piano trovato ha equazione Y = X X 3 R 2 = 0.75 R 2 è più basso perché X 1 e X 3 sono maggiormente correlate. Il grafico di dispersione e il piano sono rappresentati in figura x3 x1 15
16 Infine ipotizziamo un modello del tipo Y = a + bx 1 + cx 2 + dx 3 In questo caso non possiamo fare il grafico!! L equazione matriciale è dove = 1. 25, X = = Xα , α = La soluzione ottenuta col metodo dei minimi quadrati è ancora una volta Fatti i conti otteniamo α = (X X) 1 X α = L iperpiano che passa più vicino ai punti è Y = X X X 3, R 2 = R 2 è più alto ma non di molto rispetto al modello con solo X 1 e X 2 16 a b c d
17 Esercizio Nella tabella sono riportati i dati ottenuti da un esperimento per valutare quanto la resistenza all abrasione di un tipo di gomma dipende dalla durezza della gomma e dalla sua resistenza alla tensione. Siano Y l abrasione, misurata in grammi per ora. X 1 la durezza, misurata in gradi Shore e X 2 la resistenza misurata in chilogrammi per centimetro quadrato. 1. Si calcoli la matrice di correlazione e si dica quale delle variabili è più correlata a Y 2. Si determinino i coefficienti delle rette Y = a + bx 1 e Y = c + dx 2 3. Si calcoli R 2 per le due retta 4. Si determinino i coefficienti del piano Y = a + bx 1 + cx 2 e si calcoli R 2. Si commenti il risultato 5. Si calcoli la corrosione nel caso in cui la durezza sia 80 gradi Shore e la resistenza sia 200 kg/cm 2 17
18 Y X 1 X
19 Abbiamo i seguenti valori Y X 1 X 2 Var Media La matrice di correlazione è Y X 1 X 2 Y X X La variabile più correlata con Y risulta la variabile X 1. La retta di regressione Y = a + bx 1 Stima R 2 a b
20 In questo caso R 2 non è molto alto. Il grafico di dispersione e la retta sono rappresentati in figura x_1 20
21 Passiamo al modello Y = c + dx 2. Abbiamo Stima R 2 c d Il grafico di dispersione e la retta sono rappresentati in figura x_2 La retta spiega molto poco della variabilità di Y. 21
22 Consideriamo il modello Abbiamo Y = a + bx 1 + cx 2 Stima R 2 ( i i )2 ( i ȳ) 2 a b c R 2 è ottenuto come i( R 2 i = 1 i )2 i( i ȳ) 2 = = 0.84 Si nota come il valore dell indice R 2 si incrementa notevolmente con le due variabili, rispetto a entrambi i modelli con una sola variabile esplicativa. Il modello può essere usato a scopi previsivi: caso in cui x 1 = 80 e x 2 = 200 abbiamo nel = x x 2 =
23 Nel grafico è rappresentata la nuvola di punti e il piano ottenuto col metodo dei minimi quadrati x 2 x 1 23
Esercitazione Marzo 2019
Esercitazione 13 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)
DettagliMetodi Quantitativi per Economia, Finanza e Management. Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello
Metodi Quantitativi per Economia, Finanza e Management Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello 1. Introduzione ai modelli di regressione 2. Obiettivi 3. Le
DettagliCorrelazione 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
DettagliRegressione & 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
DettagliSTATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE
STATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 2 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1.1
DettagliCorrelazione lineare e regressione
7c e regressione Se i due caratteri sono entrambi quantitativi, X e Y, possiamo studiare la loro correlazione lineare. Prima di tutto cerchiamo di capire di cosa si tratta. Se elenchiamo le N osservazioni
DettagliEsercitazione 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)
DettagliMetodo dei Minimi Quadrati. Dott. Claudio Verona
Metodo dei Minimi Quadrati Dott. Claudio Verona E in generale interessante studiare l andamento di una variabile in funzione di un altra e capire se c è una funzione matematica che le lega. Viceversa è
Dettaglilezione n. 6 (a cura di Gaia Montanucci) Verosimiglianza: L = = =. Parte dipendente da β 0 e β 1
lezione n. 6 (a cura di Gaia Montanucci) METODO MASSIMA VEROSIMIGLIANZA PER STIMARE β 0 E β 1 Distribuzione sui termini di errore ε i ε i ~ N (0, σ 2 ) ne consegue : ogni y i ha ancora distribuzione normale,
Dettaglis a Inferenza: singolo parametro Sistema di ipotesi: : β j = β j0 H 1 β j0 statistica test t confronto con valore t o p-value
Inferenza: singolo parametro Sistema di ipotesi: H 0 : β j = β j0 H 1 : β j β j0 statistica test t b j - b s a jj j0 > t a, 2 ( n-k) confronto con valore t o p-value Se β j0 = 0 X j non ha nessuna influenza
DettagliIndipendenza, Dipendenza e interdipendenza
Indipendenza, Dipendenza e interdipendenza In analisi bivariata la tabella di contingenza consente di esaminare congiuntamente due variabili consente di rilevare le relazioni esistenti tra le variabili
DettagliFacoltà di Psicologia Università di Padova Anno Accademico Corso di Psicometria - Modulo B
Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 27/12/2010 Regressione lineare Modello geometrico
DettagliStatistica descrittiva in due variabili
Statistica descrittiva in due variabili Dott Nicola Pintus AA 2018-2019 Indichiamo con U la popolazione statistica e con u i le unità statistiche Ad ogni unità statistica associamo i caratteri osservati
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
9.3. IL METODO DEI MINIMI QUADRATI IN FORMALISMO MATRICIALE 121 9.3 Il metodo dei minimi quadrati in formalismo matriciale Per applicare il MMQ a funzioni polinomiali, ovvero a dipendenze di una grandezza
DettagliCorso in Statistica Medica
Corso in Statistica Medica Introduzione alle tecniche statistiche di elaborazione dati Regressione e correlazione Dott. Angelo Menna Università degli Studi di Chieti G. d Annunziod Annunzio Anno Accademico
DettagliMatematica Lezione 22
Università di Cagliari Corso di Laurea in Farmacia Matematica Lezione 22 Sonia Cannas 14/12/2018 Indici di posizione Indici di posizione Gli indici di posizione, detti anche misure di tendenza centrale,
DettagliRegressione Lineare Semplice e Correlazione
Regressione Lineare Semplice e Correlazione 1 Introduzione La Regressione è una tecnica di analisi della relazione tra due variabili quantitative Questa tecnica è utilizzata per calcolare il valore (y)
DettagliMETODO DEI MINIMI QUADRATI
METODO DEI MINIMI QUADRATI Torniamo al problema della crescita della radice di mais in funzione del contenuto di saccarosio nel terreno di coltura. Ripetendo varie volte l esperimento con diverse quantità
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
DettagliTema d esame del 15/02/12
Tema d esame del 15/0/1 Volendo aprire un nuovo locale, una catena di ristoranti chiede ad un consulente di valutare la posizione geografica ideale all interno di un centro abitato. A questo scopo, avvalendosi
DettagliVogliamo determinare una funzione lineare che meglio approssima i nostri dati sperimentali e poter decidere sulla bontà di questa approssimazione.
S.S.I.S. TOSCANA F.I.M. II anno FUNZIONI DI REGRESSIONE E METODO DEI MINIMI QUADRATI Supponiamo di star conducendo uno studio sulla crescita della radice di mais in funzione del contenuto di saccarosio
DettagliStatistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1
Statistica Capitolo 1 Regressione Lineare Semplice Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare il significato del coefficiente di correlazione lineare
DettagliArgomenti della lezione:
Lezione 7 Argomenti della lezione: La regressione semplice Il modello teorico Il calcolo dei parametri Regressione lineare Esamina la relazione lineare tra una o più variabili esplicative (o indipendenti,
DettagliOld 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
DettagliLa curva di regressione è il luogo dei punti aventi come ordinate le medie condizionate
Correlazione e regressione Correlazione: le due variabili casuali sono considerate in modo per così dire simmetrico. Regressione: una delle due variabili dipende dall'altra, che per così dire la precede
DettagliEsercitazione 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
DettagliEsercizi su Regressione e Connessione
Esercizi su Regressione e Connessione Stefano Cabras 31 marzo 2009 Sommario Questa serie di esercizi è principalmente incentrata sulla regressione e la connessione, tuttavia in alcuni esercizi le soluzioni
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 6
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Associazione, correlazione e dipendenza tra caratteri In un collettivo di 11 famiglie è stata
DettagliApprossimazione numerica
Approssimazione numerica Laboratorio di programmazione e calcolo (Chimica e Tecnologie chimiche) Pierluigi Amodio Dipartimento di Matematica Università di Bari Approssimazione numerica p.1/10 Problema
DettagliRegressione lineare. Lo studio della relazione lineare tra due variabili. X e Y caratteri entrambi quantitativi. variabile dipendente
Regressione lineare Se la correlazione misura l intensità e il segno del legame lineare tra due variabili, l obiettivo delle tecniche di regressione è, invece, quello di individuare il tipo di relazione
Dettaglilezione 7 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove siamo arrivati? - se siamo interessati a studiare l andamento congiunto di due fenomeni economici - possiamo provare a misurare i due fenomeni e poi usare la lineare semplice
DettagliIl 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
DettagliVariabili indipendenti qualitative. In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli.
Variabili indipendenti qualitative Di solito le variabili nella regressione sono variabili continue In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli Ad esempio:
Dettagli1 Fit di dati sperimentali: il χ 2. Il metodo dei minimi quadrati.
1 Fit di dati sperimentali: il χ 2. Il metodo dei minimi quadrati. Per comprendere dei fenomeni fisici, non basta raccogliere buoni dati sperimentali, occorre anche interpretarli. Molto spesso lo scopo
DettagliEsercitazioni del corso di Relazioni tra variabili. Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca
Esercitazioni del corso di Relazioni tra variabili Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca e-mail: giancarlo.manzi@statistica.unimib.it Quarta esercitazione Milano,
DettagliMETODO DEI MINIMI QUADRATI
Vogliamo determinare una funzione lineare che meglio approssima i nostri dati sperimentali e poter decidere sulla bontà di questa approssimazione. Sia f(x) = mx + q, la coppia di dati (x i, y i ) appartiene
DettagliEsercitazioni 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
DettagliLa media e la mediana sono indicatori di centralità, che indicano un centro dei dati.
La media e la mediana sono indicatori di centralità, che indicano un centro dei dati. Un indicatore che sintetizza in un unico numero tutti i dati, nascondendo quindi la molteplicità dei dati. Per esempio,
DettagliLa 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
DettagliEsercizi-equazioni Esercizi equazioni di stato:
Esercizi-equazioni Esercizi equazioni di stato: 1. Determinare le equazioni di stato per il seguente sistema termico: Esercizi 2, 1 Hp. Modellistica a) Trascuriamo la temperatura di parete : Si scrive
DettagliUniversità del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. Correlazione. Regressione Lineare
Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia Corso di Statistica Medica Correlazione Regressione Lineare Corso di laurea in medicina e chirurgia - Statistica Medica Correlazione
DettagliEsercizi-equazioni equazioni di stato:
Esercizi-equazioni equazioni di stato: Esercizi 2, 1 1. Determinare le equazioni di stato per il seguente sistema termico: Esercizi 2, 2 Hp. Modellistica a) Trascuriamo la temperatura di parete : Si scrive
DettagliStatistica Descrittiva Soluzioni 7. Interpolazione: minimi quadrati
ISTITUZIONI DI STATISTICA A. A. 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
DettagliEsercitazione III Soluzione
Esercitazione III Soluzione Esercizio 1 a) Frequenze congiunte assolute: n ij Reddito mensile Titolo di studio 1000-000 000-5000 5000-8000 Totale Laurea triennale 4 1 0 5 Laurea magistrale 1 4 7 Dottorato
DettagliLaboratorio di Probabilità e Statistica
Laboratorio di Probabilità e Statistica lezione 8 Massimo Guerriero Ettore Benedetti Consegna 1. Implementare delle funzioni che, accettando opportuni parametri in ingresso, risolvano le formule viste
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
DettagliTest F per la significatività del modello
Test F per la significatività del modello Per verificare la significatività dell intero modello si utilizza il test F Si vuole verificare l ipotesi H 0 : β 1 = 0,, β k = 0 contro l alternativa che almeno
DettagliSCOPO DELL ANALISI DI CORRELAZIONE
CORRELAZIONE 1 SCOPO DELL ANALISI DI CORRELAZIONE STUDIARE LA RELAZIONE TRA DUE VARIABILI X E Y 2 diagrammi di dispersione un diagramma di dispersione (o grafico di dispersione) èuna rappresentazione grafica
DettagliAppunti sulla circonferenza
Liceo Falchi Montopoli in Val d Arno - Classe a I - Francesco Daddi - 1 dicembre 009 Appunti sulla circonferenza In queste pagine sono trattati gli argomenti riguardanti la circonferenza nel piano cartesiano
DettagliR - Esercitazione 6. Andrea Fasulo Venerdì 22 Dicembre Università Roma Tre
R - Esercitazione 6 Andrea Fasulo fasulo.andrea@yahoo.it Università Roma Tre Venerdì 22 Dicembre 2017 Il modello di regressione lineare semplice (I) Esempi tratti da: Stock, Watson Introduzione all econometria
DettagliStatistica 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
DettagliESERCITAZIONE REGRESSIONE MULTIPLA
ESERCITAZIONE REGRESSIONE MULTIPLA Dati delle Nazioni Unite del 2005 riferiti, per diverse nazioni, al tasso di feconditá (bambini per donna) (variabile Fert), alla percentuale di donne che usa contraccettivi
DettagliMinimi 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
DettagliRegressione 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
DettagliLezione 7 Corso di Statistica. Domenico Cucina
Lezione 7 Corso di Statistica Domenico Cucina Università Roma Tre D. Cucina (domenico.cucina@uniroma3.it) 1 / 12 obiettivi della lezione comprendere la retta di regressione e le sue proprietà D. Cucina
Dettaglix, y rappresenta la coppia di valori relativa La rappresentazione nel piano cartesiano dei punti ( x, y ),( x, y ),...,( x, y )
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 0/03 lezioni di statistica del 5 e 8 aprile 03 - di Massimo Cristallo - A. Le relazioni tra i fenomeni
DettagliUniversità del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. Correlazione. Regressione Lineare
Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia Corso di Statistica Medica Correlazione Regressione Lineare Corso di laurea in medicina e chirurgia - Statistica Medica Correlazione
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
DettagliSTATISTICA. Regressione-2
STATISTICA Regressione-2 Esempio Su un campione di =5unità sono state osservate due variabili, ed : x i 1 2 3 4 5 y i 1.5 2.5 3 2.5 3.5 1. Rappresentare l andamento congiunto di in funzione di mediante
DettagliLaboratorio 8. Regressione multipla. 8.1 Analisi del dataset HOOK.DAT
Laboratorio 8 Regressione multipla 8.1 Analisi del dataset HOOK.DAT I dati contenuti nel file hook.dat, raccolti da Joseph Hooker sulle montagne dell Himalaya, riportano le temperature di ebollizione dell
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 1 Outline 1 () Statistica 2 / 1 Outline 1 2 () Statistica 2 / 1 Outline 1 2 3 () Statistica 2 / 1
DettagliIl METODO DEI MINIMI QUDRATI
Il METODO DEI MINIMI QUDRATI Nelle scienze sperimentali si osserva o si ipotizza l esistenza di relazioni fra due o più grandezze. Limitando lo studio a problemi che stabiliscono relazioni fra due sole
DettagliSTATISTICA. Esonero 8 novembre 2014 Soluzione. Quesito 1.
STATISTICA Esonero 8 novembre 2014 Soluzione Quesito 1. Si consideri la seguente distribuzione unitaria dei salari degli impiegati di una compagnia (migliaia di euro): 2 3 5 3 2 9 3 7 8 1 a) calcolare
DettagliLezione 7 Corso di Statistica. Francesco Lagona
Lezione 7 Corso di Statistica Francesco Lagona Università Roma Tre F. Lagona (francesco.lagona@uniroma3.it) 1 / 12 Outline 1 2 Rette di regressione e correlazione distribuzioni bivariate quantitative consideriamo
DettagliUniversità del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica
Università del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica Regressione Lineare e Correlazione Argomenti della lezione Determinismo e variabilità Correlazione Regressione Lineare
Dettagli1 Rette nel piano ordinario. Rette e piani nello spazio ordinario
1 Rette nel piano ordinario. Rette e piani nello spazio ordinario 1.1 Vettori applicati Nel seguito denotiamo con P l insieme dei punti del piano ordinario, e con S l insieme dei punti dello spazio ordinario.
DettagliEsercizio 2: voto e ore dedicate allo studio
La seguente tabella riporta il voto riportato da 10 studenti all esame di Statistica Sociale e il numero di ore di lezione non seguite dallo studente (il corso prevede 30 ore di lezione). Ci si chiede
DettagliApprossimazione polinomiale 1
Approssimazione polinomiale A. Sommariva 2 Keywords: Approssimazione polinomiale ai minimi quadrati. Curve fitting. Revisione: 4 giugno 29. Approssimazione polinomiale Dato un campionamento {(x i, y i
Dettagli1. 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
DettagliIntervallo di fiducia del coefficiente angolare e dell intercetta L intervallo di fiducia del coefficiente angolare (b 1 ) è dato da:
Analisi chimica strumentale Intervallo di fiducia del coefficiente angolare e dell intercetta L intervallo di fiducia del coefficiente angolare (b 1 ) è dato da: (31.4) dove s y è la varianza dei valori
DettagliPsicometria 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
DettagliRappresentazioni grafiche di distribuzioni doppie
Rappresentazioni grafiche di distribuzioni doppie Distribuzione doppia di frequenze Tabella di contingenza Tabella di correlazione Stereogramma Distribuzione unitaria doppia di 2 caratteri quantitativi
DettagliPrecorso di Matematica
UNIVERSITÀ DEGLI STUDI ROMA TRE FACOLTA DI ARCHITETTURA Precorso di Matematica Anna Scaramuzza Anno Accademico 2005-2006 4-10 Ottobre 2005 INDICE 1. ALGEBRA................................. 3 1.1 Equazioni
DettagliII Università degli Studi di Roma
Versione preliminare gennaio TOR VERGATA II Università degli Studi di Roma Dispense di Geometria. Capitolo 3. 7. Coniche in R. Nel Capitolo I abbiamo visto che gli insiemi di punti P lineare di primo grado
Dettaglix + 2y = 3 3x + 4y = 7 ; v 2 = Determinare x ed y in modo tale che si abbia x v 1 + y v 2 = v 3. (c) Sia A la matrice ( 1
. (a) Risolvere il sistema lineare x + 2y x + 4y 7 (b) Siano v, v 2 e v i vettori v ( ) ; v 2 ( ( 2 ; v 4) 7) Determinare x ed y in modo tale che si abbia x v + y v 2 v. (c) Sia A la matrice ( ) 2 4 e
DettagliLa media e la mediana sono indicatori di centralità, che indicano un centro dei dati.
La media e la mediana sono indicatori di centralità, che indicano un centro dei dati. Un indicatore che sintetizza in un unico numero tutti i dati, nascondendo quindi la molteplicità dei dati. Per esempio,
DettagliEsercizi di Matematica per la prova di ammissione alla Scuola Galileiana /16
Esercizi di Matematica per la prova di ammissione alla Scuola Galileiana - 015/16 Esercizio 1 Per quali valori n Z \ {0} l espressione è un numero intero positivo? (n + 5)(n + 6) 6n Soluzione. Il problema
DettagliStatistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill
Statistica - metodologie per le scienze economiche e sociali /e S Borra, A Di Ciaccio - McGraw Hill Es 6 Soluzione degli esercizi del capitolo 6 In base agli arrotondamenti effettuati nei calcoli, si possono
DettagliGeometria BAER Canale I Esercizi 11
Geometria BAER Canale I Esercizi 11 Esercizio 1. Data la retta x = t r : y = t z = 1 si trovi il punto A di r tale che l angolo di r con il vettore AO sia π/2, e il punto B di r tale che l angolo di r
DettagliLa regressione (S. Terzi) 1. Retta di regressione (regressione lineare semplice)
La regressione (S. Terzi) 1. Retta di regressione (regressione lineare semplice) Date n coppie di osservazioni (x i,y i ), i=1,,n si desidera fare un interpolazione dei punti attraverso una retta: y* =
Dettagli9.3 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
DettagliSTATISTICA MULTIVARIATA SSD MAT/06
Università degli studi di Ferrara Dipartimento di Matematica A.A. 2018/2019 I semestre STATISTICA MULTIVARIATA SSD MAT/06 LEZIONE 4 - Questioni di analisi e applicazione della regressione lineare Pratica
DettagliSoluzioni ottava esercitazione
Soluzioni ottava esercitazione. (a) Notiamo subito che la densità f(x θ) appartiene alla famiglia esponenziale con t(x) = ln(x) e c(θ) =, funzione strettamente decrescente. Quindi anche il rapporto di
DettagliAnalisi di Regressione Multipla
Analisi di Regressione Multipla Stima OLS della relazione Test Score/STR : TestScore! = 698.9.8 STR, R =.05, SER = 18.6 (10.4) (0.5) E una stima credibile dell effetto causale sul rendimento nei test di
DettagliIl metodo dei minimi quadrati
Il metodo dei minimi quadrati 1 Posizione del problema Introduciamo la problematica con un semplice esempio pratico. Supponiamo di avere a disposizione una certa quantità x di oggetti tutti uguali tra
DettagliSettimana 3. G. M. Marchetti. Marzo 2017
Settimana 3 G. M. Marchetti Marzo 2017 1 / 26 Prima parte Relazioni tra variabili e regressione lineare 2 / 26 Una legge fisica approssimata Il fisico scozzese Forbes 3 / 26 L esperimento di Forbes Sulla
DettagliScheda n. 7: primi elementi sui legami tra più variabili
Scheda n. 7: primi elementi sui legami tra più variabili October 27, 2008 Matrice di covarianza e di correlazione Supponiamo di esaminare n variabili X,..., X n, ad esempio X = reddito medio, X 2 = tasso
DettagliAppunti di Algebra Lineare. Distanze
Appunti di Algebra Lineare Distanze 1 Indice 1 Distanze nel piano 1.1 Distanza punto-punto................................... 1. Distanza punto-retta.................................... 3 1.3 Distanza
DettagliCOGNOME E NOME MATRICOLA FIRMA. METODI MATEMATICI PER L INGEGNERIA DELL INFORMAZIONE (Comunicazioni Elettronica a.a.
..................................................................................................................... COGNOME E NOME MATRICOLA FIRMA METODI MATEMATICI PER L INGEGNERIA DELL INFORMAZIONE
DettagliAnalisi descrittiva: calcolando medie campionarie, varianze campionarie e deviazioni standard campionarie otteniamo i dati:
Obiettivi: Esplicitare la correlazione esistente tra l altezza di un individuo adulto e la lunghezza del suo piede e del suo avambraccio. Idea del progetto: Il progetto nasce dall idea di acquistare scarpe
DettagliUniversità di Pisa - Ingegneria Meccanica Geometria e Algebra Lineare 2009/2010. Soluzioni esercitazione 11/11/2009
Università di Pisa - Ingegneria Meccanica Geometria e Algebra Lineare 29/2 Soluzioni esercitazione //29 Esercizio. Risolvere, al variare del parametro reale λ, il seguente sistema lineare: x 2 y z = λ
DettagliMicroeconometria 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
DettagliIl metodo dei minimi quadrati. Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo:
Il metodo dei minimi quadrati Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo: Dove A e B sono costanti y = A + Bx (ad esempio in un moto uniformemente
DettagliSTATISTICA DESCRITTIVA (canale B)
STATISTICA DESCRITTIVA (canale B) compito n. 1 del 28 marzo 2008 nome e cognome: corso di laurea: Astronomia matricola: Parte teorica Si ricorda che la corretta risposta ai quesiti della parte teorica
DettagliCORSO DI LAUREA IN INGEGNERIA EDILE/ARCHITETTURA
CORSO DI LAUREA IN INGEGNERIA EDILE/ARCHITETTURA FOGLIO DI ESERCIZI # 7 GEOMETRIA 2005/06 Ricordiamo le seguenti formule: L Area di un parallelogramma in R 2, di lati u = (u 1, u 2 ), v = (v 1, v 2 ) è:
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
Dettagli