RICERCHE DI MERCATO. 5.6 Analisi Fattoriale (Componenti Principali)
|
|
- Sara Mancuso
- 8 anni fa
- Visualizzazioni
Transcript
1 RICERCHE DI MERCATO 5.6 Analisi Fattoriale (Componenti Principali) Prof. L. Neri Dip. di Economia Politica
2 Premessa Come evidenziato in precedenza l approccio di segmentazione per omogeneità prevede la classificazione delle unità statistiche effettuata sulla base del grado di dissomiglianza rispetto ad un insieme di variabili (comportamenti, bisogni, benefici di caratteristiche di prodotti, attitudini dei consumatori, lo stile di vita, ecc.. ). Per giungere a tale classificazione si può ricorrere all uso congiunto di due tecniche di statistica multivariata: l analisi fattoriale e l analisi dei gruppi. Con l analisi fattoriale si determinano i pilastri della segmentazione ovvero le macrocaratteristiche intorno alle quali costruire la segmentazione stessa Con l analisi dei gruppi vengono effettivamente raggruppate le unità statistiche Cosa è l analisi fattoriale?
3 E una tecnica statistica multivariata utilizzata per ridurre e sintetizzare i dati, come? Da un numero consistente di variabili tra loro correlate (a diversi livelli) ad un insieme più ridotto di variabili (fattori) che costituiscono le dimensioni fondamentali del fenomeno. Ruolo delle variabili originali? L analisi fattoriale è una tecnica di analisi di interdipendenza, quindi non si fa distinzione tra variabili indipendenti e variabile dipendente: tutte le variabili sono sullo stesso piano
4 Applicazioni dell analisi fattoriale nelle ricerche di mercato Segmentazione del mercato: viene utilizzata per identificare le variabili che servono per suddividere in gruppi i clienti Segmentazione della domanda per il posizionamento dei prodotti: per determinare le caratteristiche del prodotto (brand attributes) che influenzano le scelte dei consumatori Le ricerche sull efficacia della pubblicità: utilizzate per capire come cambiano le abitudini di consumo di un certo prodotto a seguito di una campagna pubblicitaria Le ricerche per la definizione ed il controllo dei prezzi: utilizzate per identificare le caratteristiche dei consumatori price sensitive
5 Il modello di analisi fattoriale A prima vista è al modello della regressione multipla perché è espresso da una combinazione lineare Specificazione del modello Se indichiamo con X i (i=1 p) il vettore colonna relativo alla i-esima variabile originale standardizzata (cioè trasformata in modo che abbia media zero e varianza uno), tale variabile può essere espressa con il seguente modello: X i =A i1 F 1 + A i2 F 2 +.+A im F m +V i U i [4.1] Dove Fattori unici U: sono specifici di ogni singola variabile originale; sono tra loro incorrelati e sono incorrelati con i fattori comuni Fattori comuni F: possono essere espressi come combinazione lineare delle variabili osservate Più in dettaglio:
6 o A ij (j=1 m, m<p) è il coefficiente che lega la variabile i sul fattore comune j (coefficiente che lega il fattore comune j alla variabile i detto anche peso fattoriale o factor loading) o F j (vettore colonna di dimensione n) è il fattore comune a tutte le variabili, incorrelato con gli altri fattori e con il termine U i o V i è il coefficiente che lega la variabile i al fattore unico i o U i è il fattore unico i (specifico della variabile X i ) o m= numero di fattori comuni, m<p. In forma matriciale, la [4.1] è: X=FA +VU X (n,p) matrice delle variabili originali standardizzate F(n,m) le cui colonne sono gli m fattori comuni, ogni colonna di F ha media 0 e varianza 1 A (p,m) matrice dei factor loadings ovvero dei coeff. Di correlazione tra le variabili osservate ed i fattori comuni V (n,p) matrice dei fattori specifici, uno per ogni variabile osservata
7 U (p,p) matrice diagonale contenente i coefficienti dei fattori specifici L analisi fattoriale ha lo scopo di determinare i fattori comuni, mentre i fattori specifici si determinano per differenza dalla VU=X- FA La soluzione fattoriale è costituita essenzialmente dalla matrice A, tale matrice indica quali variabili risultano principalmente correlate con i diversi fattori comuni e individua, inoltre, l intensità e la direzione di tali relazione Dato che variabili originali ed i fattori sono standardizzati (quindi hanno varianza unitaria), e che per costruzione i fattori sono tra loro incorrelati, il quadrato dei factor loadings esprime la quota di varianza di ciascuna variabile spiegata da ciascun fattore.
8 Variabili osservate (standardizzate) Fattori comuni F 1 F k F m 2 X 1 A 11...A 1k A 1m h1 = Comunalità k 2 A1 k 2 X i A i1 A ik A im = 2 h i A ik 2 2 X p A p1 A pk...a pm = k Autovalori k 1.. k. m λ = k h p A pk k k h 2 i i Se si sommano per riga i quadrati dei factor loadings si ottengono le comunalità, ossia la quota di varianza delle singole variabili spiegata in complesso dai fattori comuni. Se si sommano per colonna i quadrati dei factor loadings si ottengono gli autovalori, ossia l ammontare di varianza complessiva della matrice X estratta da ciascun fattore. A questo punto ci chiediamo: come si estraggono i fattori comuni inziali? Il metodo usato più frequentemente è il metodo delle componenti principali.
9 Le componenti principali E un metodo di trasformazione di un insieme di p variabili osservate in un nuovo insieme di p variabili calcolate dette appunto componenti principali. La costruzione viene effettuata in modo che la prima componente (o fattore) spieghi la più alta proporzione della varianza totale; il secondo fattore spieghi il più possibile della varianza restante al netto del primo fattore (e sia incorrelato con il primo fattore) e così via. I fattori estratti come componenti principali (c.p) hanno le seguenti caratteristiche: o sono incorrelati o Il primo fattore tiene conto dell ammontare maggiore di varianza o Il secondo fattore tiene conto dell ammontare maggiore di varianza al netto del primo etc
10 o I fattori estratti, nel loro complesso forniscono lo stesso contributo informativo delle variabili osservate. Data la matrice X delle variabili originali standardizzate e data la corrispondente matrice di varianza-covarianza S, la prima c.p. è una combinazione lineare delle variabili X i, espressa come y 1 =W 11 X 1 + W 12 X 2 +.+W 1p X p o in termini compatti y 1 =X W 1 dove o y 1 è il vettore colonna di dimensione n dei valori della prima c.p. o X è la matrice (n,p) delle variabili originali o W 1 è il vettore (p,1) dei coefficienti da applicare alle variabili osservate per ottenere la prima c.p.
11 Essendo X una matrice nota, si tratta di calcolare W 1 in modo che Var( y 1 )=max sotto il vincolo W 1 W 1 =1 Si tratta quindi di risolvere un problema di massimo vincolato, risolvibile con il metodo di Lagrange. Il risultato cui si giunge è che la prima c.p. è il primo autovettore della matrice delle covarianze S. La varianza della prima c.p è uguale al primo autovalore 1 di S. Essendo p le variabili originali standardizzate, la somma delle loro varianze (variabilità complessiva) sarà pari a p, quindi il rapporto 1 /p fornisce la quota della varianza complessiva spiegata dalla prima c.p. Successivamente si estrae la seconda c.p. y 2 =X W 2 calcolando W 2 in modo che
12 Var( y 2 )=max sotto i vincoli W 2 W 2 =1 e cov(y 1, y 2 ) Si risolve con il metodo di Lagrange ottenendo che la seconda c.p. è il secondo autovettore della matrice delle covarianze S, il corrispondente autovalore 2 esprime la varianza della seconda c.p. Il procedimento prosegue fino all estrazione di tante componenti quante sono le variabili originali (m=p). Alla fine del processo di estrazione avremo una nuova matrice Y (n,p) calcolata come Y=XW Essendo per costruzione le c.p tra loro incorrelate, la matrice delle covarianze di Y sarà una matrice diagonale che chiameremo L (sulla diagonale ci sono 1.. k. p ). Ricordiamo che: le progressive componenti estratte presentano un contenuto informativo sempre decrescente
13 l insieme di tutte le componenti estratte contiene complessivamente il 100% della variabilità delle variabili originali. E chiaro quindi che le prime m componenti principali sono le più importanti. Come decidere m? Ci sono diversi metodi per stabilire quante componenti principali selezionare Determinazione basata sugli autovalori Si tengono i fattori con autovalori maggiori di 1 Gli autovalori esprimono l ammontare di variabilità associata al fattore Dato che ogni fattore ha varianza 1 per effetto della standardizzazione, se l ammontare di varianza è <1 vuol dire che il fattore non è migliore della variabile originale Determinazione basata sullo scree plot Grafico degli autovalori rispetto al numero del fattore (in ordine di estrazione) quindi il grafico rappresenta la percentuale di varianza spiegata da ciascun fattore. Quindi può essere opportuno fermarsi al fattore che sul grafico corrisponde ad una significativa diminuzione della pendenza
14 della spezzata. Non sempre questo grafico è facile da interpretare. Determinazione basata sulla quota di varianza spiegata Si tengono le c.p. fino al raggiungimento di una opportuna quota di varianza spiegata. Una volta deciso il numero m di c.p da scegliere si ottiene la soluzione fattoriale F = YL 1/ 2 Da cui si può ricavare la matrice A delle correlazioni tra le p variabili X e gli m fattori A 1/ 2 1/ 2 1/ 2 = 1 n X ' F = 1 n X ' YL = 1 n X ' XWL = SWL Concludendo il metodo delle c.p. fornisce una soluzione Fattoriale per il modello X=FA secondo il quale il contenuto informativo originale viene descritto attraverso un numero inferiore di fattori comuni. Se invece si ipotizza che la variabilità totale l nostro fenomeno non possa essere descritta solo da fattori comuni a tutte le
15 variabili originali ma anche da fattori specifici, si procede così: si devono sostituire i valori pari a 1 che si trovano sulla diagonale principale della matrice S con le quote di varianza della variabile Xi spiegate dagli m fattori comuni (comunalità). Come si conduce un analisi fattoriale 1. Si formula il problema 2. Si costruisce la matrice delle correlazioni 3. Si stabilisce il metodo di analisi fattoriale 4. Si determina il numero di fattori 5. Rotazione dei fattori 6. Interpretazione dei fattori
16 Esempio (a conclusione di questo capitolo il problema introdotto viene sviluppato con un programma scritto in Stata) 1. Si formula il problema o Si vogliono determinare i benefici che i consumatori cercano nell acquisto di un dentifricio o Si hanno 30 rispondenti o Devono indicare il livello di accordo con una serie di statements o La scala di classificazione degli statement è in 7 punti: 1= totalmente in disaccordo, 7= totalmente d accordo Statements dell esempio V 1 : è importante acquistare un dentifricio che previene la carie; V 2 : mi piace il dentifricio che dà denti splendenti V 3 : il dentifricio dovrebbe essenzialmente rinforzare le gengive; V 4 : preferisco il dentifricio che rinfresca l alito V 5 : la prevenzione della caduta dei denti non è un fattore di cui tenere conto nell acquisto di un dentifricio
17 V 6 : la più importante considerazione da fare per la scelta di un dentifricio è la bellezza dei denti 2. Si costruisce la matrice delle correlazioni N:B: base di questa operazione c è un ipotesi: la distanza tra un punteggi successivi della scala di valutazione è costante (esempio: tra il punteggio 2 e 3 c è la stessa distanza che tra 6 e 7). o L analisi fattoriale è basata sull idea che le variabili rilevate siano tra loro correlate attraverso una struttura sottostante (i fattori che vogliamo individuare) o Esaminando la matrice di correlazione si verifica se l ipotesi di correlazione è plausibile o Se tutte le correlazioni sono piccole (in valore assoluto) l analisi fattoriale non è adeguata 3. Si stabilisce il metodo di analisi fattoriale Componenti principali: da utilizzare quando l obiettivo principale è determinare il numero minimo di fattori che tengono conto della
18 massima variabilità dei dati (metodo da utilizzare se per esempio le componenti principali devono divenire variabili esplicative di un modello di regressione lineare). Si tenga conto però che nell analisi delle componenti principali tutte le componenti vengono comunque considerate (per spiegare comunque il 100% della variabilità osservata), anche se solo alcune saranno poi utilizzate a fini interpretativi. Il caso estremo è quello in cui le variabili originali del problema sono incorrelate e quindi il numero di componenti uguaglia il numero delle variabili originali. Analisi fattoriale delle comunalità: utilizzata quando l obiettivo principale è individuare la struttura sottostante le nostre variabili originali. In questo caso i fattori sono stimati solo tenendo conto della variabilità comune delle variabili originali. 4. Si determina il numero di fattori Si possono costruire tante componenti principali/fattori quante sono le variabili originali. Per sintetizzare l informazione di base devono essere un numero inferiore alle variabili originali.
19 5. Rotazione dei fattori Una rotazione dei fattori è un cambiamento di posizione delle dimensioni estratte nella prima fase di analisi, mantenendo fissa l origine. Obiettivo della rotazione è la semplificazione della struttura dei fattori. La rotazione determina una riduzione del valore dei pesi fattoriali che nella prima estrazione erano relativamente piccoli e nell incremento (in valore assoluto) dei pesi già dominanti. La soluzione ideale è quella in cui tutti i pesi fattoriali sono prossimi a 0 o 1. Esistono diversi metodi di rotazione. 6. Interpretazione dei fattori Interpretare un fattore significa dargli un nome che abbia pertinenza con il fenomeno studiato e con le variabili dominanti per quel fattore. Per approfondimenti teorici sull analisi fattoriale: Fabbris L.(1997) Statistica multivariata e analisi esplorativa dei dati. McGraw-Hill
20 Esempio ACQUISTO DEL DENTIFRICIO use "F:\written\didattica\statistica per le analisi di mercato\dati/dentifricio". /*analisi preliminare dei dati anche per avere un'idea della variabilità di > ogni item*/. summarize v1-v6 Variable Obs Mean Std. Dev. Min Max v v v v v v /*Analisi di correlazione e test di significatività: h0 e' che la matrice di > correlazione sia una matrice identità e che quindi le variabili siano incorrelate (test basat su chi quadro)*/. pwcorr v1 v2 v3 v4 v5 v6, star(5) v1 v2 v3 v4 v5 v v v v * v * v * * v * * /*per vedere se ci sono outlier e per avere un'idea delle relazioni tra gli item*/. graph matrix v1-v6, mlabel(cod) msymbol(none).. /*componenti principali della matrice di correlazione da cui vedo quanta parte di variabilità è spiegata da ogni componente ad esempio la prima spiega il 45%, le prime 2 l'82%*/. pca v1-v6
21 Solo i primi due autovalori sono <di 1 (obs=30) (principal components; 6 components retained) Component Eigenvalue Difference Proportion Cumulative La somma degli autovalori è 6 perchè rapperesentano varianze di variabili standardizzate /6= (proporzione di variabilità spiegata dal fattore 1 proporzione di variabilità spiegata dai primi due fattori Eigenvectors Variable v v v v v v /*scree plot: autovalori rispetto al loro rango*/. greigen.. /*i factor loading esprimono la correlazione tra le componenti principali estratte e le variabili originali non è detto che sia semplice interpretare i fattori */. factor v1-v6, pcf (obs=30) (principal component factors; 2 factors retained) Factor Eigenvalue Difference Proportion Cumulative
22 Factor Loadings Variable 1 2 Uniqueness v v v v v v Ogni fattore è correlato in modo importante con pi+ù variabili, quindi difficile interpretare rotazione.. /*rotazione dei fattori: la variabilità totale spiegata resta inalterata, varia la ripartizione tra i fattori per rendere più agevole l'interpretazione (ci sono diversi metodi di rotazione e danno risultati diversi*/. rotate (varimax rotation) Rotated Factor Loadings Variable 1 2 Uniqueness v v v v v v Fattore 1 correlato (+) con V1, V3 (- ) con V5 Fattore 2 correlato (+) con V2, V4, V6 v 1 =0.96f f U 1 v 2 =-0.06f f U 2 v 6 =0.08f f U6. /*score delle due componenti principali: sono due variabili standardizzate e > nuove del dataset*/. score pc1 pc2 (based on rotated factors) Scoring Coefficients Variable v v v v v v
23 pc1=f 1 =0.3584v v v6 pc2=f 2 =0.013v v v6. summarize pc1 pc2 Variable Obs Mean Std. Dev. Min Max pc e pc e /*per vedere come si dispongono le unita' statistiche rispetto ad i nuovi fattori*/. twoway scatter pc2 pc1, mlabel(cod). log close Interpretazione dei fattori PC1: BENEFICI PER LA SALUTE V1: è importante acquistare un dentifricio che previene la carie; V3: il dentifricio dovrebbe essenzialmente rinforzare le gengive; V5 (-): la prevenzione della caduta dei denti non è un fattore di cui tenere conto nell'acquisto di un dentifricio PC2: BENEFICI "SOCIALI" V2: mi piace il dentifricio che dà denti splendenti V4: preferisco il dentifricio che rinfresca l'alito V6: la più importante considerazione da fare per la scelta di un dentifricio è la bellezza dei denti
(a cura di Francesca Godioli)
lezione n. 12 (a cura di Francesca Godioli) Ad ogni categoria della variabile qualitativa si può assegnare un valore numerico che viene chiamato SCORE. Passare dalla variabile qualitativa X2 a dei valori
DettagliIl concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
Dettaglib. Che cosa succede alla frazione di reddito nazionale che viene risparmiata?
Esercitazione 7 Domande 1. L investimento programmato è pari a 100. Le famiglie decidono di risparmiare una frazione maggiore del proprio reddito e la funzione del consumo passa da C = 0,8Y a C = 0,5Y.
DettagliL analisi fattoriale
L analisi fattoriale Scopo dell analisi fattoriale e quello di identificare alcune variabili latenti (fattori) in grado di spiegare i legami, le interrelazioni e le dipendenze tra le variabili statistiche
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliAnalisi e diagramma di Pareto
Analisi e diagramma di Pareto L'analisi di Pareto è una metodologia statistica utilizzata per individuare i problemi più rilevanti nella situazione in esame e quindi le priorità di intervento. L'obiettivo
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
DettagliAnalisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
DettagliDisegni di Ricerca e Analisi dei Dati in Psicologia Clinica. Indici di Affidabilità
Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica Indici di Affidabilità L Attendibilità È il livello in cui una misura è libera da errore di misura È la proporzione di variabilità della misurazione
Dettagli2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione
Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza
DettagliProva di autovalutazione Prof. Roberta Siciliano
Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE
ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114
Dettagli2 + (σ2 - ρσ 1 ) 2 > 0 [da -1 ρ 1] b = (σ 2. 2 - ρσ1 σ 2 ) = (σ 1
1 PORTAFOGLIO Portafoglio Markowitz (2 titoli) (rischiosi) due titoli rendimento/varianza ( μ 1, σ 1 ), ( μ 2, σ 2 ) Si suppone μ 1 > μ 2, σ 1 > σ 2 portafoglio con pesi w 1, w 2 w 1 = w, w 2 = 1- w 1
DettagliESERCIZI DI ALGEBRA LINEARE E GEOMETRIA
ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai
DettagliParte 3. Rango e teorema di Rouché-Capelli
Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici
DettagliIl rischio di un portafoglio
Come si combinano in un portafoglio i rischi di 2 titoli? dipende dai pesi e dal valore delle covarianze covarianza a a ρ a b ρ a b ρ b b ρ coefficiente di correlazione = cov / ² p = a² ² + b² ² + 2 a
DettagliEpoca k Rata Rk Capitale Ck interessi Ik residuo Dk Ek 0 S 0 1 C1 Ik=i*S Dk=S-C1. n 0 S
L AMMORTAMENTO Gli ammortamenti sono un altra apllicazione delle rendite. Il prestito è un operazione finanziaria caratterizzata da un flusso di cassa positivo (mi prendo i soldi in prestito) seguito da
DettagliRICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007
RICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007 Rispondere alle seguenti domande marcando a penna la lettera corrispondente alla risposta ritenuta corretta (una sola tra quelle riportate). Se
DettagliLa teoria dell offerta
La teoria dell offerta Tecnologia e costi di produzione In questa lezione approfondiamo l analisi del comportamento delle imprese e quindi delle determinanti dell offerta. In particolare: è possibile individuare
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
DettagliFASCI DI RETTE. scrivere la retta in forma esplicita: 2y = 3x + 4 y = 3 2 x 2. scrivere l equazione del fascio di rette:
FASCI DI RETTE DEFINIZIONE: Si chiama fascio di rette parallele o fascio improprio [erroneamente data la somiglianza effettiva con un fascio!] un insieme di rette che hanno tutte lo stesso coefficiente
DettagliRELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della
RELAZIONE TRA VARIABILI QUANTITATIVE Lezione 7 a Accade spesso nella ricerca in campo biomedico, così come in altri campi della scienza, di voler studiare come il variare di una o più variabili (variabili
DettagliPrincipal Component Analysis
Principal Component Analysis Alessandro Rezzani Abstract L articolo descrive una delle tecniche di riduzione della dimensionalità del data set: il metodo dell analisi delle componenti principali (Principal
DettagliMisure finanziarie del rendimento: il Van
Misure finanziarie del rendimento: il Van 6.XI.2013 Il valore attuale netto Il valore attuale netto di un progetto si calcola per mezzo di un modello finanziario basato su stime circa i ricavi i costi
DettagliAnalisi di scenario File Nr. 10
1 Analisi di scenario File Nr. 10 Giorgio Calcagnini Università di Urbino Dip. Economia, Società, Politica giorgio.calcagnini@uniurb.it http://www.econ.uniurb.it/calcagnini/ http://www.econ.uniurb.it/calcagnini/forecasting.html
DettagliPensione di vecchiaia: ecco i nuovi requisiti di età per ottenerla
Pensione di vecchiaia: ecco i nuovi requisiti di età per ottenerla Maggio 2015 Più si va avanti e più si allontana l accesso alla pensione degli italiani. Col passare degli anni, infatti, aumenta l età
DettagliLABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE
LABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE DESCRIZIONE DEI DATI DA ESAMINARE Sono stati raccolti i dati sul peso del polmone di topi normali e affetti da una patologia simile
DettagliCalcolo del Valore Attuale Netto (VAN)
Calcolo del Valore Attuale Netto (VAN) Il calcolo del valore attuale netto (VAN) serve per determinare la redditività di un investimento. Si tratta di utilizzare un procedimento che può consentirci di
DettagliMisure finanziarie del rendimento: il Van
Misure finanziarie del rendimento: il Van 12.XI.2014 Il valore attuale netto Il valore attuale netto di un progetto si calcola l per mezzo di un modello finanziario basato su stime circa i ricavi i costi
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliBlanchard, Macroeconomia Una prospettiva europea, Il Mulino 2011 Capitolo IV. I mercati finanziari. Capitolo IV. I mercati finanziari
Capitolo IV. I mercati finanziari 1. La domanda di moneta La moneta può essere usata per transazioni, ma non paga interessi. In realtà ci sono due tipi di moneta: il circolante, la moneta metallica e cartacea,
DettagliESERCIZI SVOLTI PER LA PROVA DI STATISTICA
ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI
DettagliLA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ
LA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ In questa Appendice mostreremo come trovare la tariffa in due parti che massimizza i profitti di Clearvoice,
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliPro e contro delle RNA
Pro e contro delle RNA Pro: - flessibilità: le RNA sono approssimatori universali; - aggiornabilità sequenziale: la stima dei pesi della rete può essere aggiornata man mano che arriva nuova informazione;
DettagliREGOLAZIONE (E TASSAZIONE OTTIMALE) DI UN MONOPOLIO CON PIÙ LINEE DI PRODUZIONE
REGOLAZIONE (E TASSAZIONE OTTIMALE) DI UN MONOPOLIO CON PIÙ LINEE DI PRODUZIONE Nella Sezione 16.5 abbiamo visto come un regolatore che voglia fissare il prezzo del monopolista in modo da minimizzare la
Dettagli1 Applicazioni Lineari tra Spazi Vettoriali
1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!
DettagliLABORATORIO EXCEL XLSTAT 2008 SCHEDE 2 e 3 VARIABILI QUANTITATIVE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) LABORATORIO EXCEL
DettagliUn po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
DettagliEsercizi di Macroeconomia per il corso di Economia Politica
Esercizi di Macroeconomia per il corso di Economia Politica (Gli esercizi sono suddivisi in base ai capitoli del testo di De Vincenti) CAPITOLO 3. IL MERCATO DEI BENI NEL MODELLO REDDITO-SPESA Esercizio.
DettagliOttimizzazione Multi Obiettivo
Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali
DettagliLa Minimizzazione dei costi
La Minimizzazione dei costi Il nostro obiettivo è lo studio del comportamento di un impresa che massimizza il profitto sia in mercati concorrenziali che non concorrenziali. Ora vedremo la fase della minimizzazione
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
DettagliEsercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Alfonso Iodice D Enza April 26, 2007 1...prima di cominciare Contare, operazione solitamente semplice, può diventare complicata se lo scopo
Dettagli4. Operazioni elementari per righe e colonne
4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 9 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 TEST D IPOTESI Partiamo da un esempio presente sul libro di testo.
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale di area tecnica. Corso di Statistica Medica
Università del Piemonte Orientale Corsi di Laurea Triennale di area tecnica Corso di Statistica Medica Campionamento e distribuzione campionaria della media Corsi di laurea triennale di area tecnica -
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
DettagliDiagonalizzazione di matrici e applicazioni lineari
CAPITOLO 9 Diagonalizzazione di matrici e applicazioni lineari Esercizio 9.1. Verificare che v = (1, 0, 0, 1) è autovettore dell applicazione lineare T così definita T(x 1,x 2,x 3,x 4 ) = (2x 1 2x 3, x
DettagliStatistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2.
Analisi multivariata Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Cercare di capire le relazioni
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
DettagliMetodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla
Il metodo della regressione può essere esteso dal caso in cui si considera la variabilità della risposta della y in relazione ad una sola variabile indipendente X ad una situazione più generale in cui
DettagliSISTEMA DI MISURAZIONE E VALUTAZIONE DELLA CUSTOMER S SATISFACTION E DELLA PERFORMANCE ORGANIZZATIVA
SISTEMA DI MISURAZIONE E VALUTAZIONE DELLA CUSTOMER S SATISFACTION E DELLA PERFORMANCE ORGANIZZATIVA Sommario I principi di riferimento... 2 Misurazione dei risultati delle strutture ante D.L. n. 78/2010...
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
DettagliIL RISCHIO D IMPRESA ED IL RISCHIO FINANZIARIO. LA RELAZIONE RISCHIO-RENDIMENTO ED IL COSTO DEL CAPITALE.
IL RISCHIO D IMPRESA ED IL RISCHIO FINANZIARIO. LA RELAZIONE RISCHIO-RENDIMENTO ED IL COSTO DEL CAPITALE. Lezione 5 Castellanza, 17 Ottobre 2007 2 Summary Il costo del capitale La relazione rischio/rendimento
DettagliValutazione degli investimenti aziendali
Finanza Aziendale Analisi e valutazioni per le decisioni aziendali Valutazione degli investimenti aziendali Capitolo 18 Indice degli argomenti 1. Definizione e classificazione degli investimenti 2. I profili
DettagliEsempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica.
Esempio Risultati sperimentali Approssimazione con il criterio dei minimi quadrati Esempio Interpolazione con spline cubica. Esempio 1 Come procedere? La natura del fenomeno suggerisce che una buona approssimazione
DettagliLA CORRELAZIONE LINEARE
LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione
DettagliROI, WACC e EVA: strumenti di pianificazione economico finanziaria Di : Pietro Bottani Dottore Commercialista in Prato
Articolo pubblicato sul n 22 / 2004 di Amministrazione e Finanza edito da Ipsoa. ROI, WACC e EVA: strumenti di pianificazione economico finanziaria Di : Pietro Bottani Dottore Commercialista in Prato Premessa
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliEsercizi su lineare indipendenza e generatori
Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v
DettagliFONDAMENTI DI PSICOMETRIA - 8 CFU
Ψ FONDAMENTI DI PSICOMETRIA - 8 CFU STIMA DELL ATTENDIBILITA STIMA DELL ATTENDIBILITA DEFINIZIONE DI ATTENDIBILITA (affidabilità, fedeltà) Grado di accordo tra diversi tentativi di misurare uno stesso
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)
DettagliLezione 10: Il problema del consumatore: Preferenze e scelta ottimale
Corso di Scienza Economica (Economia Politica) prof. G. Di Bartolomeo Lezione 10: Il problema del consumatore: Preferenze e scelta ottimale Facoltà di Scienze della Comunicazione Università di Teramo Scelta
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliStatistiche campionarie
Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle
DettagliCOMPITO B - ANALISI DEI DATI PER IL MARKETING OTTOBRE 2009
COGNOME E NOME COMPITO B - ANALISI DEI DATI PER IL MARKETING OTTOBRE 2009 Esercizio I MATR. Si è effettuata un indagine di customer satisfaction su un campione di 100 acquirenti d un modello di auto, chiedendo
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva
Università del Piemonte Orientale Corsi di Laurea Triennale Corso di Statistica e Biometria Introduzione e Statistica descrittiva Corsi di Laurea Triennale Corso di Statistica e Biometria: Introduzione
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi
DettagliDott.ssa Caterina Gurrieri
Dott.ssa Caterina Gurrieri Le relazioni tra caratteri Data una tabella a doppia entrata, grande importanza riveste il misurare se e in che misura le variabili in essa riportata sono in qualche modo
DettagliVerifica di ipotesi e intervalli di confidenza nella regressione multipla
Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2014 Rossi MRLM Econometria - 2014 1 / 23 Sommario Variabili di controllo
DettagliIndice di rischio globale
Indice di rischio globale Di Pietro Bottani Dottore Commercialista in Prato Introduzione Con tale studio abbiamo cercato di creare un indice generale capace di valutare il rischio economico-finanziario
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano
DettagliELENCO CLIENTI FORNITORI Patch1
ELENCO CLIENTI FORNITORI Patch1 Il pacchetto P15_200ElencoCF_Patch1.exe contiene una serie di aggiornamenti alla procedura di generazione del file contenente l. Download: 1) Assicurarsi di avere una versione
DettagliCapitolo 25: Lo scambio nel mercato delle assicurazioni
Capitolo 25: Lo scambio nel mercato delle assicurazioni 25.1: Introduzione In questo capitolo la teoria economica discussa nei capitoli 23 e 24 viene applicata all analisi dello scambio del rischio nel
Dettagli1 Associazione tra variabili quantitative COVARIANZA E CORRELAZIONE
1 Associazione tra variabili quantitative ASSOCIAZIONE FRA CARATTERI QUANTITATIVI: COVARIANZA E CORRELAZIONE 2 Associazione tra variabili quantitative Un esempio Prezzo medio per Nr. Albergo cliente (Euro)
DettagliLEZIONE 4. Il Capital Asset Pricing Model. Professor Tullio Fumagalli Corso di Finanza Aziendale Università degli Studi di Bergamo.
LEZIONE 4 Il Capital Asset Pricing Model 1 Generalità 1 Generalità (1) Il Capital Asset Pricing Model è un modello di equilibrio dei mercati che consente di individuare una precisa relazione tra rendimento
DettagliTitolo della lezione. Analisi dell associazione tra due caratteri: indipendenza e dipendenza
Titolo della lezione Analisi dell associazione tra due caratteri: indipendenza e dipendenza Introduzione Analisi univariata, bivariata, multivariata Analizzare le relazioni tra i caratteri, per cercare
DettagliANALISI DELLE FREQUENZE: IL TEST CHI 2
ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento
DettagliSISTEMI DI NUMERAZIONE E CODICI
SISTEMI DI NUMERAZIONE E CODICI Il Sistema di Numerazione Decimale Il sistema decimale o sistema di numerazione a base dieci usa dieci cifre, dette cifre decimali, da O a 9. Il sistema decimale è un sistema
DettagliDomande a scelta multipla 1
Domande a scelta multipla Domande a scelta multipla 1 Rispondete alle domande seguenti, scegliendo tra le alternative proposte. Cercate di consultare i suggerimenti solo in caso di difficoltà. Dopo l elenco
DettagliEffetto reddito ed effetto sostituzione.
. Indice.. 1 1. Effetto sostituzione di Slutsky. 3 2. Effetto reddito. 6 3. Effetto complessivo. 7 II . Si consideri un consumatore che può scegliere panieri (x 1 ; ) composti da due soli beni (il bene
DettagliStatistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 15 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 18 L importanza del gruppo di controllo In tutti i casi in cui si voglia studiare l effetto di un certo
DettagliLA REVISIONE LEGALE DEI CONTI La comprensione
LA REVISIONE LEGALE DEI CONTI La comprensione dell impresa e del suo contesto e la valutazione dei rischi di errori significativi Ottobre 2013 Indice 1. La comprensione dell impresa e del suo contesto
DettagliLe curve di indifferenza sulla frontiera di Markowitz
UNIVERSITA DEGLI STUDI DI PARMA FACOLTA DI ECONOMIA Corso di pianificazione finanziaria da Markowitz al teorema della separazione e al CAPM Le curve di indifferenza sulla frontiera di Markowitz Markowitz
DettagliMatrice rappresent. Base ker e img. Rappresentazione cartesiana ker(f) + im(f).
Due Matrici A,B. Ker f = ker g. 1- Ridurre a scala A e B e faccio il sistema. 2 Se Vengono gli stessi valori allora, i ker sono uguali. Cauchy 1 autovalore, 1- Metto a matrice x1(0),x2(0),x3(0) e la chiamo
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
DettagliRicerca Operativa Esercizi sul metodo del simplesso. Luigi De Giovanni, Laura Brentegani
Ricerca Operativa Esercizi sul metodo del simplesso Luigi De Giovanni, Laura Brentegani 1 1) Risolvere il seguente problema di programmazione lineare. ma + + 3 s.t. 2 + + 2 + 2 + 3 5 2 + 2 + 6,, 0 Soluzione.
DettagliAPPUNTI SU PROBLEMI CON CALCOLO PERCENTUALE
APPUNTI SU PROBLEMI CON CALCOLO PERCENTUALE 1. Proporzionalità diretta e proporzionalità inversa Analizziamo le seguenti formule Peso Lordo = Peso Netto + Tara Ricavo = Utile + Costo Rata = Importo + Interesse
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
Dettagli( x) ( x) 0. Equazioni irrazionali
Equazioni irrazionali Definizione: si definisce equazione irrazionale un equazione in cui compaiono uno o più radicali contenenti l incognita. Esempio 7 Ricordiamo quanto visto sulle condizioni di esistenza
DettagliOttimizazione vincolata
Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l
Dettagli