ESERCITAZIONI DI ECONOMETRIA

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "ESERCITAZIONI DI ECONOMETRIA"

Transcript

1 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo ESERCITAZIONI DI ECONOMETRIA Do. Lo Nevo

2 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo Process sazonar n covaranza Essono fn momen rm e second ed nolre E[ Y ] µ, er ogn Var[ Y ] σ, er ogn funzone d (auo-)covaranza Cov[ Y, Y ] E[( Y µ )( Y µ )] γ ( h) + h + h funzone d (auo-)correlazone Cor[ Y, Y ] + h E[( Y µ )( Y + h µ )] E[( Y µ )( Y + h µ )] γ( h) ρ( h) Var[ Y ] Var[ Y ] Var[ Y ] γ( ) + h Le funzon d covaranza e d correlazone sono smmerche rseo all orgne ρ( h) ρ( h ) γ( h) γ( h ) er cu è suffcene consderare sol valor osv. Inolre ρ( ) er un ualsas rocesso socasco. Esemo: Il rocesso whe nose ε wn(, σ ) ha funzone d auo-correlazone ρ( ) ρ( h ), h > Qu soo sono rora corrsonden momen camonar, che er un rocesso sazonaro ed ergodco sono smaor conssen de momen sazal (o eorc) del rocesso. Per una sere emorale Y,..., d T osservazon: T ˆµ Y T Y Y T

3 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo ˆ σ T T ( Y Y ) ˆ( γ h) T h T h ( Y Y )(( Y + h Y ) ˆρ ( h) T h T ( Y Y )(( Y + h ( Y Y ) Y ) Il grafco della funzone d auocorrelazone è deo correlogramma. Tes sulla funzone d auocorrelazone: ρ( h ) Tes sul sngolo valore d ρ( h ) Barle dmosra che se l rocesso è whe nose le auocorrelazon camonare ˆ ρ ( h) sono er h> arossmavamene delle Normal ndenden d meda nulla e devazone sandard T, dove T ndca l numero oale delle osservazon. Qund l nervallo ] T + T[ ρ( h ). Ad esemo: H H A : ρ(), raresena la regone d acceazone al 95% crca dell oes nulla : ρ() ˆρ smao sul camone aarene all nervallo ] T + T[ Se (), ossamo affermare che l valore eorco della funzone d auocorrelazone ρ () è nullo con un lvello d confdenza d crca l 95%. In ermn euvalen, n ueso caso l oes nulla non uo essere rgeaa er un lvello d sgnfcava del es sasco ar al 5% (l lvello d sgnfcava del es e d solo ndcao con la leera greca alfa: α 5% ). Ovvamene se () ˆρ smao sul camone non aarene all nervallo ] T, + T[ rfuamo l oes nulla er un lvello d sgnfcava del es sasco ar al 5%. 3

4 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo Tes su rm H valor della funzone ρ( h ) S raa d un es er verfcare se la sere è whe nose, nel senso che l oes nulla è la seguene: H : ρ () ρ()... ρ( H ) L oes alernava è che almeno uno de rm H valor della funzone sa dverso da zero. Sasca Q d Box-Perce H Q( H ) T ˆ ρ ( h) χ h H Sasca Q d Lung-Box (usaa n E-vews) che e` da referrs alla rma su ccol camon: H ˆ ρ ( h) Q( H ) T ( T + ) χ H T h h Il es e un es ad una coda e rfuamo l oes nulla er valor eleva (osv) della sasca Q. Andando a calcolare l -value deo anche lvello d sgnfcava osservao del es, rgeamo l oes nulla uando ale valore e nferore o uguale al lvello α d sgnfcava (nomnale). Formalmene l -value concde con la robabla condzonaa rseo all oes nulla dell eveno χ > Q H ( H ), ossa - value rob( χ > H Q( H ) / H) Jarue-Bera es S raa d un es d Normala, ossa l oes nulla e che la sere sorca osservaa rovenga da un rocesso Normale. La sasca JB soo l oes nulla ha dsrbuzone asnoca χ, ossa ch uadro con grad d lbera. Rfuamo la Normala uando l -value e nferore o uguale al lvello α d sgnfcava (nomnale). Formalmene l -value concde 4

5 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo con la robabla soo l oes nulla dell eveno value rob( χ > JB / ). - H χ > JB, ossa Uso del correlogramma come es nformale della sazonareà d una sere emorale: er una sere non sazonara l correlogramma ende a zero molo lenamene e lnearmene. Vceversa, se la sere è sazonara la convergenza verso lo zero è molo ù rada (la convergenza e esonenzale). Essono comunue n leeraura es formal er verfcare la sazonareà della sere de es d radce unara. La rocedura che s segue d solo è d dfferenzare e/o rasformare la sere er raggungere la sazonareà. In ueso coneso l correlogramma alcao alla sere a lvell e alle dfferenze rme (seconde,...) ermee d verfcare se la sere rasformaa uò essere consderaa arossmavamene sazonara. Asseme alla funzone d correlazone arzale vene usao nell arocco Box-Jenkns er selezonare aramer e del rocesso ARMA(,). er ndvduare l evenuale sagonalà della sere emorale (ossa una cclcà dovua a faor, auno sagonal, ved ad esemo l cco delle vende d gocaol nel erodo naalzo). Quando abbamo a che fare con da nfrannual la sagonalà annuale è messa n evdenza da cch cclc u o meno regolar nel correlogramma a rard mull della freuenza nrannuale della sere. Ossa, 4, 36,... er sere mensl e 4, 8,, 6,... er sere rmesral. Queso erchè, ad es. er una sere rmesrale sagonale Y e Y +4 saranno u foremene correla e così ure Y +4 ey +8. Qund Y e Y +8 rsuleranno essere anch ess correla. come es d banchezza de resdu d un modello economerco, ossa er verfcare se l rocesso degl error d un rocesso economerco uo essere consderao essere effevamene un rocesso whe nose. S arla d banchezza de resdu erche whe nose sgnfca rumore banco. 5

6 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo Uso d E-vews er generare rocess ARMA Gaussan Processo..d. Gaussano o Normale S raa d un rocesso socasco cosuo da n.a. socascamene ndenden ed ugualmene dsrbu come Normal d valore aeso µ e varanza σ. In smbol X NIID( µ, σ ) Processo..d. Gaussano o Normale Sandard S raa del rocesso Z NIID(,), ossa cosuo da n.a. che hanno dsrbuzone Normale sandard. Relazone ra l rocesso Z NIID(,) ed l rocesso X NIID( µ, σ ) X µ + σ (rasformazone lneare d Z ) Z Il assaggo nverso, da X a Z, vene dea oerazone d sandardzzazone Z ( X µ) σ S no che un rocesso whe nose cosuo da n.a. aven dsrbuzone Normale concde con un rocesso..d. Gaussano. Per generare col comuer n E-vews una sere emorale d osservazon da un rocesso gaussano sandard usamo comand sml genr z nrnd Oenua ale sere emorale ossamo assare ad una sere emorale generaa da un rocesso..d. Gaussano ualunue, ad es. d valore aeso 3 e varanza 6 con l comando genr x3+4z 6

7 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo MODELLI DI REGRESSIONE LINEARI DINAMICI Consderamo l rocesso bvarao generaore de da (, x ) e assumamo che la varable x sa debolmene esogena er aramer d neresse. Qund ossamo lmarc a secfcare la sola dsrbuzone d / x e omeere la secfcazone della dsrbuzone margnale d x. In ermn arossmav cò sgnfca che la varable è deermnaa all nerno del modello e la varable x uò essere assuna come deermnaa al d fuor del modello. Una classe d modell d regressone lnear dnamc molo ama che rvese un ruolo fondamenale nell economera delle sere emoral è la classe de modell auo-regressv a rard dffer, n nglese Auo-Regressve Dsrbued Lag model, d ordne (,), abbreva n ARDL(,). Tale modello uò essere scro come segue: E [ / I ] c + a + b x oure n ermn euvalen come c + a + b x dove l errore è defno come E[ I ] / ε ed I {,..., x,..., x,...},,...,, ossa l se nformavo I conene valor assa d, l valore correne ed valor assa d x. Nel modello, a è la are auo-regressva menre b x è la are a rard dffer n cu comare anche l valore correne d x. S no che b raresena l mao sul valor medo condzonao d d una varazone unara d x nello sesso erodo, enue cosan le alre varabl. Per ale secfcazone del modello rsula che E [ ε / I ] Queso a sua vola mlca che: ε ) [ ] E ) cov( ε, ετ ) τ 3) cov( ε, ) k > k 4) cov( ε, ) k x k S no che se aggungamo alla condzone E[ / I ] ε, la condzone d regolarà 7

8 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo [ ε ] < E marngala., l rocesso degl error è noo n leeraura col nome d rocesso dfferenza d Possamo nolre assumere er semlcà che gl error sano omoschedasc ossa che 5) Var( ε / I ) Var( ε ) σ ε S no nolre che Var / I ) Var( ε / I ). ( Soo uese oes l rocesso degl error è anche un rocesso d nnovazon olre che un rocesso d rumore banco. Suonamo nfne che l rocesso bvarao generaore de da (, x ) sa sazonaro n covaranza ed ergodco. Se c condzonamo alle rme m max(,) osservazon, soo al oes lo smaore OLS rsula essere conssene, anche se dsoro su ccol camon (oché l modello è dnamco). Roramo u soo l esressone veorale dello smaore OLS e della sua marce d covaranza er l modello ARDL, Xγ, scro n forma veorale: γˆ OLS ( X'X) X' Cov ˆ ( γ OLS / X) σ ε ( X' X) La classe de modell ARDL(,) comrende come cas arcolar mol modell economerc dnamc usa n Economera. Modello a rard dsrbu fn: ARDL(,), ossa a... a Modello d aggusameno arzale: ARDL(,), ossa b, b... b Modello dead-sar: ARDL(,) con b Modello ECM o ECM (con meccansmo d correzone dell errore oure modello a correzone dell eulbro): s raa d una raramerzzazone del modello ARDL(,) er searare la dnamca d breve erodo dalla dnamca d aggusameno verso l eulbro saco d lungo erodo mlcao dal modello. Qu soo scrvamo ale raramerzzazone senza ndcare l modo n cu s è gun a ale rsulao. Ques ase verranno raa n un aragrafo a are ù avan. ) c + α ( βx + φ + δ x Nel modello, lascando da are la cosane, la varazone d è scomosa n due comonen: 8

9 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo - una are è legaa alla dnamca d breve erodo φ + δ x - l alra cosusce l meccansmo d correzone dell eulbro, α ( βx ). C s avvcna al valore d eulbro n modo roorzonale, ar ad α, all enà dello scosameno all nzo del erodo da ale valore d eulbro d lungo erodo, z β x. Modello alle dfferenze rme: c + φ + δ x S oene dal modello ECM nel caso n cu l aramero d aggusameno verso l eulbro sa nullo ( α ). Modello ECM Il modello ECM vene ulzzao sa nel caso d rocess veoral sazonar n covaranza, sa nel caso d rocess conegra, ossa rocess negra e und non sazonar, che erò ammeono delle combnazon lnear che rsulano essere sazonare. Se, come nel caso n esame, consderamo un rocesso bvarao (, x ), dove enrambe le comonen sono rocess I(), ossa rocess le cu dfferenze rme sono sazonare, s dce che l rocesso bvarao (, x ) è conegrao se esse una combnazone lneare con coeffcen non null ϖ ω + ω x che rsula essere sazonara n covaranza. Per l momeno lmamo l anals al modello ECM con varabl sazonare a lvell. Modello ECM con varabl sazonare Per rma cosa voglamo vedere soo ual condzon l modello ARDL rsula essere sable ossa ammee una relazone lneare saca d lungo erodo (asnoca) ra le varabl. S dmosra che se le radc dell euazone caraersca λ a λ.. a assocaa all euazone alle dfferenze fne omogenea d grado a 9

10 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo del modello ARDL(,) ammee radc, anche n camo comlesso, ue d modulo mnore d uno, ossa λ <,...,, allora l ssema è deo sable ed esse una relazone saca mlcaa dal modello che uò essere nerreaa come la relazone asnoca o d lungo erodo ra le varabl. Tale relazone und è la relazone d eulbro, verso la uale l ssema converge. La relazone lneare ra le varabl è l araore del ssema dnamco lneare. Poché soo ale condzone l eulbro è sable, ossamo calcolare la relazone d lungo erodo n modo molo semlce. Ponamo nnanzuo gl shock a zero e o er la sablà dell eulbro ossamo morre la cosanza delle varabl n eulbro. Qund x x x Perano a c + b x da cu c a + b a x a + βx La sessa cosa deve valere nel modello ECM n uano è una semlce raramerzzazone del modello ARDL. Abbamo che Qund c + α ( βx ) +

11 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo c α β + x e allora a c, α α a e αβ b. La relazone saca d lungo erodo mlcaa dal modello ARDL sable è und la rea a + βx. Suonamo d rovarc nel uno (, x ) aarenene a ale rea e che er una ualche ragone s verfch una varazone ermanene nella varable x, coscché la varable assa da x a x. Allora l ssema s muoverà verso l nuovo uno d eulbro dao dalla coa (, x ) dove adesso a + βx. Qund n (-), er un dao valore d x, lo scosameno o errore rseo al valore d eulbro a + β x è ar a a β x. Indchamo con z ale scosameno. Nel modello ECM l avvcnameno al valore d eulbro è graduale e ù secfcaamene è roorzonale all enà dello scosameno. S no che menre u abbamo defno z a βx nel modello ECM secfcao n recedenza abbamo z βx. Le due formulazon non sono n conraddzone. Posso nfa rscrvere l modello ECM anche come segue: c + ( a βx ) α + φ + δ x onendo c c + αa. Resa ancora da charre l modo n cu s assa dal modello ARDL a lvell al modello ECM. Qu d seguo faccamo vedere assagg er l caso ù semlce: l modello ARDL(,), c + a + b x + b x In ueso caso la condzone d sablà s rduce a rchedere che a <. Soraendo a snsra e desra dell uguale oengo: c ( a) + b x + b x Adesso sommo e soraggo a desra dell uguale b x e und oengo: c ( a ) + b x + ( b + b ) x

12 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo Defnsco α a ) e ( ( b + b ) β er cu ( b + b ) αβ ( a ) Qund oengo: c + α ( x βx ) + δ dove δ b. S no che ne due modell ovvamene l mollcaore d mao concde: [ / I ] E[ I ] E / b x x e lo sesso vale er l mollcaore asnoco E lm s [ / I ] E[ / I ] E[ I ] x s / x x β x Modello ECM con varabl negrae Suonamo adesso che I() e x I(). S no che ogn combnazone lneare d rocess I(), ossa sazonar n covaranza, è un rocesso I() e n generale: - una combnazone lneare d rocess I() è un rocesso I(); - la somma d un rocesso I() ed un rocesso I() è un rocesso I(). Queso sgnfca che se regredsco su x n generale l rocesso degl error sarà un rocesso I(): α + β x E sao dmosrao da dvers auor che anche nel caso n cu due rocess sono ra loro socascamene ndenden, rsula delle sme OLS della regressone saca u sora ndcaa mosrano che l f del modello è eccellene (R uadrao rossmo ad uno) ed aramer rsulano sgnfcavamene dvers da zero a consue lvell d sgnfcavà (5%, %). Passando nvece alle dfferenze rme, l modello a + β x + u mosra correamene che non c è correlazone ra due rocess, ossa R uadrao è rossmo a zero ed aramer rsulano non essere sgnfcavamene dvers da zero. Qund la regressone saca a lvell d rocess I() è una regressone sura erchè nduce l rcercaore a credere nell essenza d una relazone ra le varabl anche uando uese sono socascamene ndenden.

13 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo Engle e Granger nel 987 dmosrano che non semre le regresson sache a lvell sono regresson sure. Esse nfa la ossblà che una combnazone lneare d rocess I() rsul essere un rocesso sazonaro, I(). Ess defnscono ale roreà col ermne conegrazone. Se c lmamo al caso d un rocesso bvarao conegrao, s dmosra che esse al massmo una combnazone lneare (normalzzaa) d ale rocesso che rsula essere sazonara n covaranza. Per normalzzazone nendamo che onamo ar ad uno ad esemo l coeffcene della varable. Qund se ϖ ω + ω x è sazonaro n covaranza, la combnazone lneare ω normalzzaa s uò scrvere come βx, onendo β. Sock e Wason dmosrano ω che lo smaore OLS del modello saco α + β x è (suer) conssene: converge n robablà al coeffcene d conegrazone β ù radamene del caso n cu le varabl, anzché essere conegrae, sono I() (Esse erò l roblema non rascurable della dsorsone dello smaore su ccol camon). La relazone d conegrazone è nerreaa come la relazone saca d lungo erodo d eulbro (n uano l errore o scosameno è un rocesso sazonaro) ra varabl non sazonare. In ueso caso und la regressone saca OLS non è sura. In arcolare, n ueso caso l rocesso degl error sarà er defnzone sazonaro n covaranza. Nella regressone sura nvece esso sarà necessaramene I(). Passando al modello ECM abbamo due ossblà: - le varabl sono negrae ma non conegrae - le varabl sono conegrae Nel rmo caso l euazone βx ) c + α ( + φ + δ x non è blancaa erché a desra dell uguale comare una combnazone lneare d varabl negrae, ma non conegrae. Qund, er evare d smare relazon sure a lvell ra le varabl convene orre α e smare l modello alle dfferenze rme, erché ues ulmo non resena al roblem. Nel secondo caso nvece l euazone è blancaa se l ermne ECM è roro l rocesso degl error della relazone d conegrazone, essendo er defnzone sazonaro n covaranza. Effevamene Engle e Granger (987) dmosrano roro ueso: se l rocesso è conegrao allora vale la raresenazone ECM d sora dove z è l errore della relazone d conegrazone. Qund l modello alle dfferenze rme n ueso caso è un modello msecfcao, a meno che l aramero α, che msura la velocà d convergenza verso la relazone d lungo erodo, non sa nullo. Solo se α rsula non sgnfcavamene dverso da zero, è leco 3

14 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo smare l modello alle dfferenze rme. In caso conraro, nfa, erderemmo l nformazone sul comorameno delle varabl a lvell nel lungo erodo. Negl ulm dec ann una grandssma aenzone è saa rvola nell economa emrca alla verfca dell essenza d relazon ra le varabl a lvell. Per lo ù, al anals s basano sull uso d ecnche d conegrazone. Due arocc rncal sono sa adoa: la rocedura a due ass basaa su resdu er esare l oes nulla d nessuna conegrazone (ved Engle and Granger, 987, Phlls e Oulars, 99) e l arocco sulle regresson d rango rdoo basao su sme del ssema mulvarao dovuo a Johansen (99, 995). In ù alre rocedure sono sae rese n consderazone, come l arocco delle varabl aggune d Park (99), la rocedura basaa su resdu er esare l oes d conegrazone roosa da Shn (994) e l arocco (d ssema) basao su rend socasc comun d Sock e Wason (988). Tu ues meod s concenrano su cas n cu le varabl soosan sono negrae d ordne uno. Queso nevablmene nroduce un cero grado d re-esng, nroducendo ercò nell anals un ulerore grado d ncerezza nell anals d relazon a lvell. Nel l gruo d rcerca facene cao al rof. H. Pesaran ha rooso un nuovo arocco er esare l essenza d una relazone ra varabl a lvell che è alcable ndendenemene dal fao che regressor soosan sano uramene I(), uramene I() o muuamene conegra. Il es are dalla sma d un modello ECM condzonale non rsreo. L arocco è basao sul calcolo d lm (bounds) er l valore della sasca es che ualora suera consenono d concludere osvamene er l essenza d una relazone a lvell ra le varabl, ndendenemene dal fao che regressor soosan sano uramene I(), uramene I() o muuamene conegra. In caso conraro l es è nconclusvo, ossa non ossamo affermare che la relazone non esse. Se l es è conclusvo è ossble alcare l arocco basao sul modello ARDL d Pesaran and Shn (999) er smare la relazone a lvell e fare nferenza su d essa. Suonamo che ale relazone essa. Paramo dal seguene modello ARDL(,): + α + a + α b x Come rma c lmamo al caso d un rocesso bvarao, ma generalzzamo l modello nel senso che aggungamo anche un rend deermnsco lneare. Pesaran and Shn (999) usano la seguene raramerzzazone del modello: + α + a + ( b + b b ) x α + δ x + α + a + γx + α δ x S no che δ,,,..., b k k + 4

15 ESERCITAZIONI DI ECONOMETRIA Do.Lo Nevo La varable x è I(), debolmene esogena e ozzamo che segua l rocesso ARIMA(s,,): s x x + u Dove x è un rocesso sable ed nolre assumamo che l rocesso u ed ε non sano correla ra loro [s veda l arcolo er l caso n cu due rocess d errore sono correla]. Soo l oes che l modello ARDL è sable e che esse un unca relazone sable d lungo erodo ra ed x, Pesaran and Shn (999) dmosrano che è ossble smare n modo conssene aramer α, α, a,.., a, γ, δ, δ,..., δ con l meodo OLS e oenue le sme OLS smare n modo (suer) conssene aramer della relazone d lungo erodo κ α / a e β γ / a. Inolre è ossble fare nferenza sa su aramer d breve erodo che su uell d lungo erodo, usando la eora asnoca sandard normale, come nel caso d regressor I(). La regressone d conegrazone d lungo erodo sarà n ueso caso uguale a: µ + κ + βx + v con ν rocesso I(). S no che oché aramer d lungo erodo sono funzon non lnear de aramer d breve erodo l calcolo degl s.e. er aramer d lungo erodo rchede l uso del cosddeo meodo dela a arre dalle sme OLS. Qund meod d sma e d nferenza usa er smare le relazon ra varabl sazonare aorno ad un rend deermnsco (rend saonar) ossono n ueso caso essere usae anche er varabl sazonare alle dfferenze rme (dfference saonar). La scela del numero de rard da nserre nel modello ARDL uò essere faa ulzzando crer nformav Akake Informaon Creron (AIC) o Schwarz Baesan Creron (SC). E referble l uso del crero SC erché è un meodo d selezone ra modell conssene, menre AIC non lo è. 5

Regimi periodici non sinusoidali

Regimi periodici non sinusoidali Regm perodc non snusodal www.de.ng.unbo./pers/masr/ddaca.hm versone del -- Funzon perodche S dce che una funzone y è perodca se esse un > ale che per ogn e per ogn nero y y l pù pccolo valore d per cu

Dettagli

Indice. Previsioni. Previsioni. Introduzione

Indice. Previsioni. Previsioni. Introduzione Indce Prevson Inroduzone 9//7 7.3 conce base modell causal sere emporal error sere sazonare sere con rend sere con sagonalà Prevson La capacà d prevedere (forecasng l fuuro è fondamenale per un azenda.

Dettagli

Condensatore + - Volt

Condensatore + - Volt 1) Defnzone Condensaore Sruura: l condensaore è formao da due o pù superfc condurc, chamae armaure, separae da un maerale solane, chamao delerco. Equazon Caraersche: La ensone ra armaure è dreamene proporzonale

Dettagli

Modelli stocastici per i rendimenti finanziari

Modelli stocastici per i rendimenti finanziari Modelli socasici er i rendimeni finanziari Alcuni rocessi socasici lineari Y Processo MA() μ con ε ~ WN(0, σ ε ) = + ε + θε. Esemio di generazione di un MA() e sima con R Caraerisiche di un rocesso MA()

Dettagli

Bayes. stati del mondo

Bayes. stati del mondo ayes Sao del mondo Se ndchamo con uno sao del mondo e un eveno, la probablà d dao ndca che s manfesa dao che è lo sao del mondo. Qund l eveno può essere pensao anche come uno sao del mondo. La formula

Dettagli

CAPITOLO PRIMO LEGGI E REGIMI FINANZIARI 1. LEGGI FINANZIARIE

CAPITOLO PRIMO LEGGI E REGIMI FINANZIARI 1. LEGGI FINANZIARIE CAPITOLO PRIMO LEGGI E REGIMI FINANZIARI SOMMARIO:. Legg fnanzare. - 2. Regme fnanzaro dell neresse semplce e dello scono razonale. - 3. Regme fnanzaro dell neresse e dello scono composo. - 4. Tass equvalen.

Dettagli

Regressione lineare con un singolo regressore

Regressione lineare con un singolo regressore Regressone lneare con un sngolo regressore Eduardo Ross 2 2 Unverstà d Pava (Italy) Marzo 2013 Ross Regressone lneare semplce Econometra - 2013 1 / 45 Outlne 1 Introduzone 2 Lo stmatore OLS 3 Esempo 4

Dettagli

Modelli ARMA, regressione spuria e cointegrazione Amedeo Argentiero

Modelli ARMA, regressione spuria e cointegrazione Amedeo Argentiero Modelli ARMA, regressione spuria e coinegrazione Amedeo Argeniero amedeo.argeniero@unipg.i Definizione modello ARMA Un modello ARMA(p, q) (AuoRegressive Moving Average of order p and q) ha la seguene sruura:

Dettagli

Definizione. Algoritmi di Change Detection - foreground. background

Definizione. Algoritmi di Change Detection - foreground. background Algorm d Change Deecon - Defnzone 1 Change Deecon: rlevameno de cambamen n mmagn della sessa scena acquse n san dfferen. Inpu: due o pu mmagn della scena. Oupu: mmagne bnara dea Change Mask che ad ogn

Dettagli

Intorduzione alla teoria delle Catene di Markov

Intorduzione alla teoria delle Catene di Markov Intorduzone alla teora delle Catene d Markov Mchele Ganfelce a.a. 2014/2015 Defnzone 1 Sa ( Ω, F, {F n } n 0, P uno spazo d probabltà fltrato. Una successone d v.a. {ξ n } n 0 defnta su ( Ω, F, {F n }

Dettagli

Modelli con varabili binarie (o qualitative)

Modelli con varabili binarie (o qualitative) Modell con varabl bnare (o qualtatve E( Y X α + βx + ε quando Y è una varable benoullana Y 1 0 s ha l modello lneare d probabltà Pr( Y 1 X α + βx + ε dove valor stmat della Y assumono l sgnfcato d probabltà.

Dettagli

Lezione n. 2 di Controlli Automatici A prof. Aurelio Piazzi Modellistica ed equazioni differenziali lineari

Lezione n. 2 di Controlli Automatici A prof. Aurelio Piazzi Modellistica ed equazioni differenziali lineari Cors d Laurea n Ingegnera Eleronca, Informaca e delle Telecomuncazon Lezone n. 2 d Conroll Auomac A prof. Aurelo Pazz dfferenzal lnear Unversà degl Sud d Parma a.a. 2009-2010 Cenn d modellsca (crcu elerc

Dettagli

Elementi di matematica finanziaria

Elementi di matematica finanziaria APPENDICE ATEATICA Elemen d maemaca fnanzara. Il regme dell neresse semplce L neresse è l fruo reso dall nvesmeno del capale. Nel corso dell esposzone s farà rfermeno a due regm o pologe d calcolo dell

Dettagli

PROCESSI CASUALI. Segnali deterministici e casuali

PROCESSI CASUALI. Segnali deterministici e casuali POCESSI CASUALI POCESSI CASUALI Segnal deermnsc e casual Un segnale () s dce DEEMIISICO se è una funzone noa d, coè se, fssao un qualunque sane d empo o, l valore ( o ) assuno dal segnale è noo con esaezza

Dettagli

RESISTENZA TERMICA E MECCANISMI COMBINATI

RESISTENZA TERMICA E MECCANISMI COMBINATI Corso d Fsca Tecnca a.a. 2010/2011 - Docene: Prof. Carlo Ise RESISTENZA TERMICA E MECCANISMI COMBINATI 12.1 RESISTENZE TERMICHE Per analzzare process d rasmssone n cu sano conemporaneamene presen fenomen

Dettagli

SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO. ECONOMIA INDUSTRIALE Università degli Studi di Milano-Bicocca. Christian Garavaglia

SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO. ECONOMIA INDUSTRIALE Università degli Studi di Milano-Bicocca. Christian Garavaglia SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO ECONOMIA INDUSTRIALE Unverstà degl Stud d Mlano-Bcocca Chrstan Garavagla Soluzone 7 a) L ndce d concentrazone C (o CR k ) è la somma delle uote d mercato (o share)

Dettagli

I modelli per la stima della volatilità

I modelli per la stima della volatilità I modell per la sma della volalà Sldes rae da: Andrea Res Andrea Sron Rscho e valore nelle banche Msura, regolamenazone, gesone Egea, 8 Rscho e valore nelle banche I modell per la sma della volalà AGENDA

Dettagli

Campo magnetico stazionario

Campo magnetico stazionario Campo magneco sazonaro www.de.ng.unbo./pers/masr/ddaca.hm (versone del 3--) Equazon fondamenal Equazon per l campo magneco H J B H B n d J n d Equazon d legame maerale ezzo lneare soropo B H H ) ( ezzo

Dettagli

Esercitazioni di Teoria dei Circuiti: circuiti in evoluzione dinamica

Esercitazioni di Teoria dei Circuiti: circuiti in evoluzione dinamica Unersà degl Sud d assno sercazon d Teora de rcu: crcu n eoluzone dnamca prof nono Maffucc maffucc@uncas er oobre 7 Maffucc: rcu n eoluzone dnamca er-7 rcu dnamc del prmo ordne S Nel seguene crcuo è assegnaa

Dettagli

Definizione della tariffa per l accertamento di conformità degli strumenti di misura

Definizione della tariffa per l accertamento di conformità degli strumenti di misura alla delberazone d Guna n. 2 del 20.0.2009 Defnzone della arffa per l accerameno d conformà degl srumen d msura. Per l accerameno d conformà degl srumen d msura sono defne le seguen 8 class arffare: denfcavo

Dettagli

LE FREQUENZE CUMULATE

LE FREQUENZE CUMULATE LE FREQUENZE CUMULATE Dott.ssa P. Vcard Introducamo questo argomento con l seguente Esempo: consderamo la seguente dstrbuzone d un campone d 70 sttut d credto numero flal present nel terrtoro del comune

Dettagli

6. Catene di Markov a tempo continuo (CMTC)

6. Catene di Markov a tempo continuo (CMTC) 6. Catene d Markov a tempo contnuo (CMTC) Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto numerable. L nseme de

Dettagli

Corso di. Dott.ssa Donatella Cocca

Corso di. Dott.ssa Donatella Cocca Corso d Statstca medca e applcata 3 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone I concett prncpal che sono stat presentat sono: Mede forme o analtche (Meda artmetca semplce, Meda artmetca

Dettagli

Università degli Studi di Perugia A.A. 2014/2015 Dipartimento di Economia. ECONOMIA INDUSTRIALE Prof. Davide Castellani (davide.castellani@unipg.

Università degli Studi di Perugia A.A. 2014/2015 Dipartimento di Economia. ECONOMIA INDUSTRIALE Prof. Davide Castellani (davide.castellani@unipg. Unverstà degl Stud d Peruga A.A. 2014/2015 Dartmento d Economa ECONOMIA INDUSTRIALE Prof. Davde Castellan (davde.castellan@ung.t) Struttura e otere d mercato Paradgma Struttura-Condotta-Performance Concentrazone

Dettagli

LA VARIABILITA. Nella metodologia statistica si distinguono due aspetti della variabilità:

LA VARIABILITA. Nella metodologia statistica si distinguono due aspetti della variabilità: LA VARIABILITA LA VARIABILITA E L ATTITUDINE DEL FENOMENO QUANTITATIVO AD ASSUMERE DIVERSE MODALITA, O MEGLIO LA TENDENZA DI OGNI SINGOLA OSSERVAZIONE AD ASSUMERE VALORI DIFFERENTI RISPETTO AL VALORE MEDIO.

Dettagli

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione 1 La Regressone Lneare (Semplce) Relazone funzonale e statstca tra due varabl Modello d regressone lneare semplce Stma puntuale de coeffcent d regressone Decomposzone della varanza Coeffcente d determnazone

Dettagli

Oscillazioni libere e risonanza di un circuito RLC-serie (Trattazione analitica del circuito RLC-serie)

Oscillazioni libere e risonanza di un circuito RLC-serie (Trattazione analitica del circuito RLC-serie) Ing. Eleronca - II a Esperenza del aboraoro d Fsca Generale II Oscllazon lbere e rsonanza d un crcuo -sere (Traazone analca del crcuo -sere on quesa breve noa s vuole fornre la raazone eorca del crcuo

Dettagli

Capitolo 2 Le leggi del decadimento radioattivo

Capitolo 2 Le leggi del decadimento radioattivo Capolo Le legg del decadmeno radoavo. Sablà e nsablà nucleare Se analzzamo aenamene la cara de nucld, vedamo che n essa sono rappresena, olre a nucle sabl, anche var nucle nsabl. Con l ermne nsable s nende

Dettagli

FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 17/09/2012

FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 17/09/2012 CdL n SCIENZE DELL ORGANIZZAZIONE ESAME d STATISTICA ESERCIZIO 1 (+.5+.5+3) La tabella seguente rporta la dstrbuzone d frequenza del peso X n gramm d una partta d mele provenent da un certo frutteto. X=peso

Dettagli

Determinare gli insiemi delle soluzioni dei seguenti sistemi lineari non omogenei e scriverli in forma di spazio affine ESERCIZIO 1.3.

Determinare gli insiemi delle soluzioni dei seguenti sistemi lineari non omogenei e scriverli in forma di spazio affine ESERCIZIO 1.3. Deermnare gl nsem delle soluon de seguen ssem lnear non omogene e srverl n forma d spao affne ESERCIZIO ESERCIZIO ESERCIZIO ESERCIZIO ESERCIZIO ESERCIZIO 6 ESERCIZIO ESERCIZIO ESERCIZIO 9 ESERCIZIO SOLUZIONI

Dettagli

Lezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo

Lezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo UNIVERSITA DEGLI STUDI DI BASILICATA FACOLTA DI ECONOMIA Corso d laurea n Economa Azendale Lezon d Statstca (25 marzo 2013) Docente: Massmo Crstallo QUARTILI Dvdono la dstrbuzone n quattro part d uguale

Dettagli

Scienze Geologiche. Corso di Probabilità e Statistica. Prove di esame con soluzioni

Scienze Geologiche. Corso di Probabilità e Statistica. Prove di esame con soluzioni Scenze Geologche Corso d Probabltà e Statstca Prove d esame con soluzon 004-005 1 Corso d laurea n Scenze Geologche - Probabltà e Statstca Appello del 1 gugno 005 - Soluzon 1. (Punt 3) In una certa zona,

Dettagli

La revisione generale dei conti nazionali del Le novità delle valutazioni ai prezzi dell anno precedente: aspetti teorici e pratici

La revisione generale dei conti nazionali del Le novità delle valutazioni ai prezzi dell anno precedente: aspetti teorici e pratici La revsone generale de con nazonal del 2005 Roma, 2-22 gugno 2006 Le novà delle valuazon a rezz dell anno recedene: ase eorc e rac Sandra Maresca Isa - Drezone Cenrale della Conablà Nazonale Prmo rcercaore

Dettagli

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE * * PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che

Dettagli

Correlazione lineare

Correlazione lineare Correlazone lneare Varable dpendente Mortaltà per crros 50 45 40 35 30 5 0 15 10 5 0 0 5 10 15 0 5 30 Consumo d alcool Varable ndpendente Metodologa per l anals de dat spermental L anals d stud con varabl

Dettagli

3. Componenti adinamici

3. Componenti adinamici 3. Comonen dnmc Ssem rsolene d un crcuo. elzone cosu d un comonene. Clssfczon: comonene lnere/non lnere, dnmco/dnmco, con memor/senz memor, emo nrne/emo rne, omogeneo/non omogeneo, mresso/non mresso, sso,

Dettagli

Equazioni di stato per circuiti del I ordine

Equazioni di stato per circuiti del I ordine Lezone 5 Equazon d sao per crcu del ordne Lezone n.5 Equazon d sao per crcu del ordne. Equazone d sao per crcu del ordne. Dmensone fsca de coeffcen dell equazone d sao. Esercz. sere e parallelo. L sere

Dettagli

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI IL LEGAME TRA DUE VARIABILI I METODI DELLA CORRELAZIONE Prof.ssa G. Sero, Prof. P. Trerotol, Cattedra d Statstca Medca, Unverstà d Bar 1/19 IL PROBLEMA

Dettagli

Lezione 12. Funzioni polinomiali. Radici di un polinomio. Teorema di Ruffini.

Lezione 12. Funzioni polinomiali. Radici di un polinomio. Teorema di Ruffini. Lezone Peequs: Lezone. Funzon polnomal. Radc d un polnomo. Teoema d Ruffn. Sa K un campo e sa L un campo d cu K è soocampo (n al caso s dce anche che L è un'esensone d K). Sa f ( X ) K[ X ] e sa α L. Alloa,

Dettagli

Campi Elettromagnetici e Circuiti I Potenza in regime sinusoidale

Campi Elettromagnetici e Circuiti I Potenza in regime sinusoidale Facolà d ngegnera Unersà degl sud d aa Corso d aurea rennale n ngegnera Eleronca e nformaca Camp Eleromagnec e Crcu oenza n regme snusodale Camp Eleromagnec e Crcu a.a. 05/6 rof. uca erregrn oenza n regme

Dettagli

I COMPONENTI DEGLI IMPIANTI TERMICI 2 parte

I COMPONENTI DEGLI IMPIANTI TERMICI 2 parte I comonen degl man ermc II.8 I COMPONENTI DEGLI IMPIANTI TERMICI are II. Generalà sulle macchne a fludo Per "macchna" s nende normalmene un ssema comao d organ (fss e mobl) n grado d effeuare una rasformazone

Dettagli

Algebra 2. 6 4. Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.

Algebra 2. 6 4. Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i. Testo Fac-smle 2 Durata prova: 2 ore 8 1. Un gruppo G s dce semplce se suo unc sottogrupp normal sono 1 e G stesso. Sa G un gruppo d ordne pq con p e q numer prm tal che p < q. (a) Il gruppo G può essere

Dettagli

Università di Siena Sede di Grosseto Secondo Semestre 2010-2011. Macroeconomia. Paolo Pin ( pin3@unisi.it ) Lezione 7 2 Maggio 2011

Università di Siena Sede di Grosseto Secondo Semestre 2010-2011. Macroeconomia. Paolo Pin ( pin3@unisi.it ) Lezione 7 2 Maggio 2011 Unversà d Sena Sede d Grosseo Secondo Semesre 200-20 acroeconoma Paolo Pn ( pn3@uns. ) Lezone 7 2 aggo 20 La lezone d ogg Rpasso e conclusone capolo 4 qulbro nel mercao della monea e la relazone L Polca

Dettagli

Università di Cassino. Esercitazioni di Statistica 1 del 19 Febbraio Dott. Mirko Bevilacqua

Università di Cassino. Esercitazioni di Statistica 1 del 19 Febbraio Dott. Mirko Bevilacqua Unverstà d Cassno Eserctazon d Statstca del 9 Febbrao 00 Dott. Mro Bevlacqua DATASET STUDENTI N SESSO ALTEZZA PESO CORSO NUMERO COLORE COLORE (cm) (g) LAUREA SCARPA OCCHI CAPELLI M 79 65 INFORMAICA 43

Dettagli

! # %# & # & # #( # & % & % ( & )!+!,!++

! # %# & # & # #( # & % & % ( & )!+!,!++ ! # %# & # & # #( # &! # % & % ( & )!+!,!++ ! # % & & ( ) +,.! / ( # / # % & ( % &,. %, % / / 0 & 1.. #! # ) ) + + + +) #!! # )! # # #.. & & 8. 9 1... 8 & &..5.... < %. Α < & & &. & % 1 & 1.. 8. 9 1.

Dettagli

Matematica II: Calcolo delle Probabilità e Statistica Matematica

Matematica II: Calcolo delle Probabilità e Statistica Matematica Matematca II: Calcolo delle Probabltà e Statstca Matematca ELT A-Z Docente: dott. F. Zucca Eserctazone # 8 Gl esercz contrassegnat con (*) sono tratt da Eserc. 2002-2003- Prof. Secch # 0 - Statstca Matematca

Dettagli

Propagazione degli errori statistici. Test del χ 2 per la bontà di adattamento. Metodo dei minimi quadrati.

Propagazione degli errori statistici. Test del χ 2 per la bontà di adattamento. Metodo dei minimi quadrati. Propagazone degl error statstc. Test del χ per la bontà d adattamento. Metodo de mnm quadrat. Eserctazone 14 gennao 004 1 Propagazone degl error casual Sano B 1,..., B delle varabl casual con valor attes

Dettagli

MISURA DELLA CAPACITA DI UN CONDENSATORE TRAMITE UN CIRCUITO RC

MISURA DELLA CAPACITA DI UN CONDENSATORE TRAMITE UN CIRCUITO RC MISUA DELLA CAACITA DI UN CONDENSATOE TAMITE UN CICUITO C Spermenaor: Marco Erculan (n marcola: 4549.O) Ivan Noro (n marcola: 458656.O) Duraa dell espermeno:.5 ore ( dalle ore 9: alle ore :) Daa d effeuazone:

Dettagli

La t di Student. Per piccoli campioni si definisce la variabile casuale. = s N. detta t di Student.

La t di Student. Per piccoli campioni si definisce la variabile casuale. = s N. detta t di Student. Pccol campon I parametr della dstrbuzone d una popolazone sono n generale ncognt devono essere stmat dal campone de dat spermental per pccol campon (N N < 30) z = (x µ)/ )/σ non ha pù una dstrbuzone gaussana

Dettagli

Campo di applicazione

Campo di applicazione Unverstà del Pemonte Orentale Corso d Laurea n Botecnologa Corso d Statstca Medca Correlazone Regressone Lneare Corso d laurea n botecnologa - Statstca Medca Correlazone e Regressone lneare semplce Campo

Dettagli

Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti

Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti Il modello marovano per la rappresentazone del Sstema Bonus Malus rof. Cercara Rocco Roberto Materale e Rferment. Lucd dstrbut n aula. Lemare 995 (pag.6- e pag. 74-78 3. Galatoto G. 4 (tt del VI Congresso

Dettagli

G. SUPERTI FURGA MODELLISTICA DEI SISTEMI ELETTROMECCANICI Marzo 2005 SISTEMI DI INDUTTORI pag. 1 di 12

G. SUPERTI FURGA MODELLISTICA DEI SISTEMI ELETTROMECCANICI Marzo 2005 SISTEMI DI INDUTTORI pag. 1 di 12 G. SUPERTI FURGA MODELLISTICA DEI SISTEMI ELETTROMECCANICI Marzo 5 SISTEMI DI INDUTTORI pag. d SISTEMI DI INDUTTORI. INDUTTORI Gl nsem d nduor sono un argomeno parcolarmene mporane, cò ne gusfca una raazone

Dettagli

MODELLO MONOINDICE. R = a + β R. R M = è variabile aleatoria di rendimento del mercato (in Italia può essere usato il MIB 30).

MODELLO MONOINDICE. R = a + β R. R M = è variabile aleatoria di rendimento del mercato (in Italia può essere usato il MIB 30). ODELLO ONOINDICE Il rendmento d un ttolo uò essere scrtto come: R = a + β R (1) dove: R = rendmento dell -mo ttolo; a = comonente aleatora del rendmento, ndendente dall andamento del mercato; R = è varable

Dettagli

Soluzione di sistemi di equazioni differenziali

Soluzione di sistemi di equazioni differenziali Soluzone d ssem d equazon dfferenzal Porese aere l mpressone d non sapere nulla sulle equazon dfferenzal e d non aerne ma nconraa una. In realà quesa mpressone è sbaglaa perché la legge d Neon F ma s può

Dettagli

Introduzione ai Processi Stocastici

Introduzione ai Processi Stocastici Capolo 1 Inroduzone a Process Socasc 1.1 Prme defnzon 1.1.1 Process socasc Rcordamo che uno spazo d probablà è una erna Ω, F, P dove Ω è un nseme, F è una σ-algebra d par d Ω, P è una msura d probablà

Dettagli

Problema. Integrazione scorte e distribuzione. Modello. Modello

Problema. Integrazione scorte e distribuzione. Modello. Modello Problema Inegrazone score e dsrbuzone Modell a domanda varable ree dsrbuva: uno a mol merc: colleame domanda: varable vncol: numero e capacà vecol cos: fss/varabl, magazzno/rasporo approcco rsoluvo: eursco/esao

Dettagli

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 3:

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 3: Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2011-2012 lezone 3: 21022012 professor Danele Rtell www.unbo.t/docdent/danele.rtell 1/31? Captalzzazone msta S usa l regme composto per l

Dettagli

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE Matematca e statstca: da dat a modell alle scelte www.dma.unge/pls_statstca Responsabl scentfc M.P. Rogantn e E. Sasso (Dpartmento d Matematca Unverstà d Genova) STATISTICA DESCRITTIVA - SCHEDA N. REGRESSIONE

Dettagli

3 (solo esame 6 cfu) Elementi di Analisi Numerica, Probabilità e Statistica, modulo 2: Elementi di Probabilità e Statistica (3 cfu)

3 (solo esame 6 cfu) Elementi di Analisi Numerica, Probabilità e Statistica, modulo 2: Elementi di Probabilità e Statistica (3 cfu) lement d Anals Numerca, Probabltà e Statstca, modulo 2: lement d Probabltà e Statstca ( cfu) Probabltà e Statstca (6 cfu) Scrtto del 06 febbrao 205. Secondo Appello Id: A Nome e Cognome: same da 6 cfu

Dettagli

Tutti gli strumenti vanno tarati

Tutti gli strumenti vanno tarati L'INCERTEZZA DI MISURA Anta Calcatell I.N.RI.M S eseguono e producono msure per prendere delle decson sulla base del rsultato ottenuto, come per esempo se bloccare l traffco n funzone d msure d lvello

Dettagli

Nel caso di un regime di capitalizzazione definiamo, relativamente al periodo [t, t + t] : i t

Nel caso di un regime di capitalizzazione definiamo, relativamente al periodo [t, t + t] : i t 4. Approcco formale E neressane efnre le caraersche e var regm fnanzar n manera pù asraa e generale, n moo a poer suare qualsas regme fnanzaro. A al fne efnamo percò e paramer n grao escrvere qualsas po

Dettagli

Componenti dotati di memoria (dinamici)

Componenti dotati di memoria (dinamici) omponen doa d memora (dnamc) S raa d componen elerc che esprmono una relazone cosua ra ensone e correne che rchama anche alor d ensone e/o correne rfer ad san d empo preceden. a relazone cosua è n queso

Dettagli

Probabilità cumulata empirica

Probabilità cumulata empirica Probabltà cumulata emprca Se s effettua un certo numero d camponament da una popolazone con dstrbuzone cumulata F(y), s avranno allora n campon y, y,, y n. E possble consderarne la statstca d ordne, coè

Dettagli

Ettore Limoli. Lezioni di Matematica Prof. Ettore Limoli. Sommario. Calcoli di regressione

Ettore Limoli. Lezioni di Matematica Prof. Ettore Limoli. Sommario. Calcoli di regressione Sto Personale d Ettore Lmol Lezon d Matematca Prof. Ettore Lmol Sommaro Calcol d regressone... 1 Retta d regressone con Ecel... Uso della funzone d calcolo della tendenza... 4 Uso della funzone d regressone

Dettagli

ESERCITAZIONE 2 DIAGRAMMI A BARRE, COSTRUZIONE DI ISTOGRAMMA. Notazione: x i = i-esima modalità della variabile X

ESERCITAZIONE 2 DIAGRAMMI A BARRE, COSTRUZIONE DI ISTOGRAMMA. Notazione: x i = i-esima modalità della variabile X ESERCITAZIONE 2 DIAGRAMMI A BARRE, COSTRUZIONE DI ISTOGRAMMA Notazone: x = -esma modaltà della varable X Nel caso d dstrbuzon n class: x = Lmte superore della classe -esma x -1 = Lmte nferore della classe

Dettagli

Sommario. Obiettivo. Quando studiarla? La concentrazione. X: carattere quantitativo tra le unità statistiche. Quando studiarla?

Sommario. Obiettivo. Quando studiarla? La concentrazione. X: carattere quantitativo tra le unità statistiche. Quando studiarla? Corso d Statstca a.a. 9- uando studarla? Obettvo Dagramma d Lorenz Rapporto d concentrazone rea d concentrazone Esemp Sommaro La concentrazone uando studarla? Obettvo X: carattere quanttatvo tra le untà

Dettagli

CORSO DI FISICA TECNICA 2 AA 2013/14 ACUSTICA. Lezione n 2:

CORSO DI FISICA TECNICA 2 AA 2013/14 ACUSTICA. Lezione n 2: CORSO DI FISICA TECNICA AA 013/14 ACUSTICA Lezone n : Lvell sonor: operazon su decbel e lvello sonoro equvalente. Anals n requenza de segnal sonor, bande d ottava e terz d ottava. Rumore banco e rumore

Dettagli

Elementi di statistica

Elementi di statistica Element d statstca Popolazone statstca e campone casuale S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..) e

Dettagli

GLI STILI DI INVESTIMENTO NEL MERCATO AZIONARIO EUROPEO

GLI STILI DI INVESTIMENTO NEL MERCATO AZIONARIO EUROPEO GLI STILI DI INVESTIMENTO NEL MERCATO AZIONARIO EUROPEO Monca Bllo Unversà Ca' Foscar e GRETA Veneza Robero Casarn GRETA Veneza Clare Meu CREST Parg Domenco Sarore GLI STILI DI INVESTIMENTO NEL MERCATO

Dettagli

Statistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill

Statistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill Statstca - metodologe per le scenze economche e socal /e S Borra, A D Cacco - McGraw Hll Es Soluzone degl esercz del captolo 7 In base agl arrotondament effettuat ne calcol, s possono rscontrare pccole

Dettagli

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA IL PROBLEMA Supponamo d voler studare l effetto d 4 dverse dete su un campone casuale d 4

Dettagli

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure

Dettagli

L'Analisi in Componenti Principali. Luigi D Ambra Dipartimento di Matematica e Statistica Università di Napoli Federico II

L'Analisi in Componenti Principali. Luigi D Ambra Dipartimento di Matematica e Statistica Università di Napoli Federico II L'Anals n Component Prncpal Lug D Ambra Dpartmento d Matematca e Statstca Unverstà d Napol Federco II ANALISI MULTIDIMENSIONALE DEI DATI (AMD) L Anals Multdmensonale de Dat (AMD) è una famgla d tecnche

Dettagli

RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2

RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2 RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A La rappresentazone n Complemento a Due d un numero ntero relatvo (.-3,-,-1,0,+1,+,.) una volta stablta la precsone che s vuole ottenere (coè l numero d

Dettagli

Costi della politica: Giudizio positivo per i sindaci, maglia nera per parlamentari e consiglieri regionali

Costi della politica: Giudizio positivo per i sindaci, maglia nera per parlamentari e consiglieri regionali XXVI I IAssembl eaanci-larepubbl cadecomun Au onom apercamb ar e lpaese Lac l assepol c aec ad n Op n onsucos,r esponsab l àe mpegnodch gover nal e s uz on Cos della polca: Gudzo posvo per sndac, magla

Dettagli

CARATTERISTICHE DEI SEGNALI RANDOM

CARATTERISTICHE DEI SEGNALI RANDOM CARATTERISTICHE DEI SEGNALI RANDOM I segnal random o stocastc rvestono una notevole mportanza poché sono present, pù che segnal determnstc, nella maggor parte de process fsc real. Esempo d segnale random:

Dettagli

Integrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1

Integrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1 Integrazone numerca dell equazone del moto per un sstema lneare vscoso a un grado d lbertà Prof. Adolfo Santn - Dnamca delle Strutture 1 Introduzone 1/2 L equazone del moto d un sstema vscoso a un grado

Dettagli

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA Mnstero della Salute D.G. della programmazone santara --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA La valutazone del coeffcente d varabltà dell mpatto economco consente d ndvduare gl ACC e DRG

Dettagli

Condensatori e resistenze

Condensatori e resistenze Condensator e resstenze Lucano attaa Versone del 22 febbrao 2007 Indce In questa nota presento uno schema replogatvo relatvo a condensator e alle resstenze, con partcolare rguardo a collegament n sere

Dettagli

TEORIA DELLA STIMA E DELLA DESCISIONE STATISTICA

TEORIA DELLA STIMA E DELLA DESCISIONE STATISTICA TEORIA DELLA STIMA E DELLA DESCISIOE STATISTICA STIMA A MASSIMA VEROSIMIGLIAZA Per determnare la stma a massma verosmglanza d un parametro θ, partendo da un campone d dat X, bsogna scrvere la denstà d

Dettagli

Modelli descrittivi, statistica e simulazione

Modelli descrittivi, statistica e simulazione Modell descrttv, statstca e smulazone Master per Smart Logstcs specalst Roberto Cordone (roberto.cordone@unm.t) Statstca descrttva Cernusco S.N., govedì 28 gennao 2016 (9.00/13.00) 1 / 15 Indc d poszone

Dettagli

Capitolo III: I Regolatori

Capitolo III: I Regolatori SCC Cap. III: Regolaor Capolo III: I Regolaor III-1: Inrouzone Il regolaore ha l ompo sablre l azone orreva a apporare n ngresso al proesso, per mezzo ell auaore; l segnale n usa al regolaore (s) è funzone

Dettagli

Page 1. u S i S I on + Accensione: diodo ideale. U off. i D. Snubber. tfu

Page 1. u S i S I on + Accensione: diodo ideale. U off. i D. Snubber. tfu Accensone: dodo deale OO I ELETTONIA INUTIALE u n u - n nubber - fu Fnchè s < n l dodo resa n conduzone e la ensone sull nerruore rmane cosane al valore Accensone: poenza dsspaa u u fu P = U I on off on

Dettagli

CAPITOLO 8 DATA LINK LAYER.

CAPITOLO 8 DATA LINK LAYER. CAPIOLO 8 DAA LINK LAYER. 8. DAA LINK LAYER I PROOCOLLI DI LINEA (Daa Lnk Layer Proocol relav al DAA LINK LAYER (DLL, ossa l secondo lvello dell archeura d rfermeno ISO/OSI, gesscono l colloquo ra enà

Dettagli

Modelli reologici. Romano Lapasin. Dipartimento di Ingegneria e Architettura Università di Trieste

Modelli reologici. Romano Lapasin. Dipartimento di Ingegneria e Architettura Università di Trieste Modell reologc Romano Lapasn Dparmeno d Ingegnera e Archeura Approcc fenomenologc e approcc molecolar/mcroreologc Problema cenrale della reologa: defnzone dell equazone cosuva (relazone ra ensore degl

Dettagli

Sviluppo in serie di Fourier. Introduzione e richiami sulle basi di spazi vettoriali. Serie di Fourier di segnali a supporto illimitato

Sviluppo in serie di Fourier. Introduzione e richiami sulle basi di spazi vettoriali. Serie di Fourier di segnali a supporto illimitato eora de segnal Introduzone a segnal determnat tolo untà Introduzone e rcham sulle bas d spaz vettoral Sere d Fourer d segnal a supporto lmtato Spettro d un segnale Sere d Fourer d segnal a supporto llmtato

Dettagli

ELETTROTECNICA Ingegneria Industriale

ELETTROTECNICA Ingegneria Industriale EETTROTECNICA Ingegnera Indusrale UTUE INDUTTANZE CIRCUITI AGNETICI Sefano Pasore Dparmeno d Ingegnera e Archeura Corso d Eleroecnca 043IN a.a. 03-4 È un componene dnamco a due pore conservavo del II ordne

Dettagli

ESERCIZI DI MATEMATICA FINANZIARIA DIPARTIMENTO DI ECONOMIA E MANAGEMENT UNIFE A.A. 2016/2017. Esercizi 3

ESERCIZI DI MATEMATICA FINANZIARIA DIPARTIMENTO DI ECONOMIA E MANAGEMENT UNIFE A.A. 2016/2017. Esercizi 3 ESERCIZI DI MATEMATICA FINANZIARIA DIPARTIMENTO DI ECONOMIA E MANAGEMENT UNIFE A.A. 2016/2017 Esercz 3 Pan d ammortamento Eserczo 1. Un prestto d 12000e vene rmborsato n 10 ann con rate mensl e pano all

Dettagli

Appendice 2: Le scale di equivalenza

Appendice 2: Le scale di equivalenza Appendce 2: Le scale d equvalenza Le scale d equvalenza rappresenano un prerequso n ogn confrono del benessere realzzao araverso msure sulla dsrbuzone del reddo, dsuguaglanza e poverà; cosuscono nolre

Dettagli

5: Strato fisico: limitazione di banda, formula di Nyquist; caratterizzazione del canale in frequenza

5: Strato fisico: limitazione di banda, formula di Nyquist; caratterizzazione del canale in frequenza 5: Strato fsco: lmtazone d banda, formula d Nyqust; caratterzzazone del canale n frequenza Larghezza d banda d un segnale La larghezza d banda d un segnale è data dall ntervallo delle frequenze d cu è

Dettagli

Potenza istantanea in regime sinusoidale

Potenza istantanea in regime sinusoidale otenza stantanea n regme snusodale generatore snusodale rete lneare passa ( t cos ( ω t ( t cos ( ω t a potenza stantanea è: p( t ( t ( t cos ( ω t cos ( ωt cos ( cos (ωt eora de Crcut rof. uca erregrn

Dettagli

Premessa essa sulle soluzioni

Premessa essa sulle soluzioni Appunt d Chmca La composzone delle soluzon Premessa sulle soluzon...1 Concentrazone...2 Frazone molare...2 Molartà...3 Normaltà...4 Molaltà...4 Percentuale n peso...4 Percentuale n volume...5 Massa per

Dettagli

Ci domandiamo allora se e sempre possibile rappresentare una funzione in questo modo.

Ci domandiamo allora se e sempre possibile rappresentare una funzione in questo modo. 1. Serie di Fourier I problemi al bordo associai ad equazioni differenziali si sanno risolvere con il meodo di separazione delle variabili solano se il dao iniziale si rappresena nella forma fx = a cosx

Dettagli

LEZIONE 2 e 3. La teoria della selezione di portafoglio di Markowitz

LEZIONE 2 e 3. La teoria della selezione di portafoglio di Markowitz LEZIONE e 3 La teora della selezone d portafoglo d Markowtz Unverstà degl Stud d Bergamo Premessa Unverstà degl Stud d Bergamo Premessa () È puttosto frequente osservare come gl nvesttor tendano a non

Dettagli

Statistica e calcolo delle Probabilità. Allievi INF

Statistica e calcolo delle Probabilità. Allievi INF Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:

Dettagli

REALTÀ E MODELLI SCHEDA DI LAVORO

REALTÀ E MODELLI SCHEDA DI LAVORO REALTÀ E MODELLI SCHEDA DI LAVORO 1 Le tabelle d crescta Nella tabella sono rportat dat relatv alle altezze mede delle bambne dalla nascta fno a un anno d età. Stablsc se esste una relazone lneare tra

Dettagli

Laboratorio 2B A.A. 2013/2014. Elaborazione Dati. Lab 2B CdL Fisica

Laboratorio 2B A.A. 2013/2014. Elaborazione Dati. Lab 2B CdL Fisica Laboratoro B A.A. 013/014 Elaborazone Dat Lab B CdL Fsca Elaborazone dat spermental Come rassumere un nseme d dat spermental? Una statstca è propro un numero calcolato a partre da dat stess. La Statstca

Dettagli

Statistica descrittiva

Statistica descrittiva Statstca descrttva. Indc d poszone. Per ndc d poszone d un nseme d dat, ordnat secondo la loro randezza, s ntendono alcun valor che cadono all nterno dell nseme. Gl ndc pù usat sono: I. eda. II. edana.

Dettagli

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2011-2012 lezione 22: 30 maggio 2013

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2011-2012 lezione 22: 30 maggio 2013 Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2011-2012 lezone 22: 30 maggo 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/27? Eserczo Dmostrare che l equazone della frontera

Dettagli

Metodi di Ottimizzazione mod. Modelli per la pianificazione delle attività

Metodi di Ottimizzazione mod. Modelli per la pianificazione delle attività Metod d Ottmzzazone mod. Modell er la anfcazone delle attvtà Paolo Dett Dartmento d Ingegnera dell Informazone e Scenze Matematche Unverstà d Sena Metod d Ottmzzazone mod. Modell er la anfcazone delle

Dettagli