ANALISI DELLE SERIE STORICHE
|
|
- Agostino Mauro
- 6 anni fa
- Visualizzazioni
Transcript
1 ANALISI DELLE SERIE STORICHE De Iaco S. UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012
2 Indice 1 Funzione di autocorrelazione (ACF) e proprietà 2 Funzione di autocorrelazione parziale (PACF) 3 Stima della funzione autocovarianza 4 Stima della funzione di autocorrelazione
3 Analisi delle Serie Storiche 3 Funzione di autocorrelazione (ACF) e proprietà Le funzioni di autocorrelazione Nell analisi delle serie storiche l ACF e la PACF sono strumenti fondamentali per: studiare l evoluzione dei fenomeni temporali; indagare sulle relazioni esistenti tra i valori; definire un modello stocastico appropriato. In letteratura, è diffuso il concetto di autocorrelazione, poichè l analisi della correlazione riguarda le variabili aleatorie di uno stesso processo stocastico.
4 Analisi delle Serie Storiche 4 Funzione di autocorrelazione (ACF) e proprietà La funzione di autocorrelazione Sia {X t,t T } un processo stocastico stazionario del secondo ordine. Per ogni coppia X t e X t+k, con k = 0, ±1, ±2, l autocorrelazione è definita nel seguente modo: essendo ρ k = Cov(X t,x t+k ) V ar(xt ) V ar(x t+k ) = C k C 0 k = 0, ±1, ±2,..., (1) Cov(X t,x t+k ) = C k, V ar(x t ) = V ar(x t+k ) = Cov(X t,x t ) = C 0. Al variare dell intervallo temporale k, ρ k viene denominata funzione di autocorrelazione (ACF), oppure correlogramma.
5 Analisi delle Serie Storiche 5 Funzione di autocorrelazione (ACF) e proprietà Notazione matriciale per l autocovarianza Se {X t,t T } è stazionario del secondo ordine, la matrice di autocovarianza del vettore aleatorio (X 1,X 2,...,X m ) risulta essere: C 0 C 1 C 2... C m 1 C 1 C 0 C 1... C m 2 C m = C m 1 C m 2 C m 3... C 0 dove C m è simmetrica e C 0 è la varianza del processo.
6 Analisi delle Serie Storiche 6 Funzione di autocorrelazione (ACF) e proprietà Notazione matriciale per l autocorrelazione Inoltre, la matrice di autocorrelazione del vettore aleatorio (X 1,X 2,...,X m ) risulta essere: P m = 1 ρ 1 ρ 2... ρ m 1 ρ 1 1 ρ 1... ρ m ρ m 1 ρ m Quindi si ottiene: C m = P m C 0. (2) C m e P m sono denominate matrici di Toeplitz di ordine m.
7 Analisi delle Serie Storiche 7 Funzione di autocorrelazione (ACF) e proprietà Proprietà della funzione di autocorrelazione Assegnato un processo stocastico stazionario del secondo ordine, la funzione di autocorrelazione soddisfa le seguenti proprietà: 1. ρ 0 = ρ k = ρ k, k = 0, ±1, ±2, ρ k 1 1 ρ k 1, k = 0, ±1, ±2, det(p m ) C m e P m sono semi-definite positive. Tale proprietà implica che il determinante e tutti i minori principali di tali matrici sono non negativi.
8 Analisi delle Serie Storiche 8 Funzione di autocorrelazione (ACF) e proprietà 6. ρ k è invariante rispetto a qualsiasi trasformazione lineare del processo X t. In altri termini, se si pone X t = ax t + b X t+k = cx t+k + d, con a,b,c,d R e a,c 0, risulta: ρ C(X t,x t+k k = V ) Cov(aX t + b,cx t+k + d) = ar(x t) V ar(x t+k ) V ar(axt + b) V ar(cx t+k + d) = = ac C(X t,x t+k ) ac V ar(x t ) V ar(x t+k ) = ρ k.
9 Analisi delle Serie Storiche 9 Funzione di autocorrelazione parziale (PACF) Funzione di autocorrelazione parziale Sia {X t,t T } stazionario del secondo ordine. La funzione di autocorrelazione parziale, indicata con π k, k = ±1, ±2,..., consente di valutare la correlazione tra X t e X t+k, dopo aver eliminato l influenza delle correlazioni con le variabili intermedie X t+1,x t+2,...,x t+k 1.
10 Analisi delle Serie Storiche 10 Funzione di autocorrelazione parziale (PACF) Se per ogni coppia di variabili aleatorie X t e X t+k, k = ±1, ±2,..., si definiscono le seguenti quantità: X t = E(X t X t+1,...,x t+k 1 ), X t+k = E(X t+k X t+1,...,x t+k 1 ), viene denominata autocorrelazione parziale π k, la correlazione fra gli scarti (X t X t ) e (X t+k X t+k ), ovvero π k = ρ(x t X t,x t+k X t+k ). Al variare dell intervallo temporale k, π k viene denominata funzione di autocorrelazione parziale (PACF).
11 Analisi delle Serie Storiche 11 Funzione di autocorrelazione parziale (PACF) Se si utilizza un modello di regressione lineare multipla per X t e X t+k risulta: dove π k = ρ(x t X t,x t+k X t+k ) = det(q k), k = ±1, ±2,... det(p k ) P k indica la matrice di autocorrelazione di ordine k, Q k indica la stessa matrice, in cui l ultima colonna è sostituita dal vettore (ρ 1,ρ 2,...,ρ k ) T.
12 Analisi delle Serie Storiche 12 Funzione di autocorrelazione parziale (PACF) In particolare, per k = ±1, ±2, ±3 valgono le seguenti relazioni: π 1 = ρ 1 ; π 2 = ρ 2 ρ ρ 2 ; 1 π 3 = ρ 3[1 ρ 2 1] + ρ 1 [ρ ρ 2 2 2ρ 2 ] [1 ρ 2 ][1 + ρ 2 2ρ 2 1 ].
13 Analisi delle Serie Storiche 13 Stima della funzione autocovarianza Stima della funzione autocovarianza Assegnato un processo stocastico X t, stazionario del secondo ordine, siano X 1,X 2,...,X n le variabili aleatorie associate, rispettivamente, ai tempi 1, 2,..., n, osservati. Lo stimatore di C k risulta essere: dove Ĉ k = 1 n k ( Xt n X ) ( X t+k X ), (3) t=1 X = 1 n n X t. t=1
14 Analisi delle Serie Storiche 14 Stima della funzione autocovarianza Ĉ k presenta una distorsione dell ordine di 1/n, tuttavia è asintoticamente corretto, ovvero ) lim E n (Ĉk = C k. (4) n + In alternativa, il seguente stimatore: Ĉ k = 1 n k n k ( Xt X ) ( X t+k X ), (5) t=1 presenta una minore distorsione rispetto a Ĉk, ma un errore quadratico medio maggiore.
15 Analisi delle Serie Storiche 15 Stima della funzione autocovarianza Lo stimatore jackknife Inoltre, lo stimatore jackknife C k risulta essere: dove C k = 2Ĉk 1 2 Ĉ k è lo stimatore basato su (X 1,X 2,...,X n ), (1Ĉk + 2 Ĉ k ), (6) 1Ĉk, 2 Ĉ k sono gli stimatori calcolati sui due insiemi della seguente partizione: P 2 = {(X 1,...,X s ),(X s+1,...,x n )}. C k è preferibile poichè presenta una distorsione dell ordine di 1/n 2, ma richiede dei calcoli più complessi.
16 Analisi delle Serie Storiche 16 Stima della funzione di autocorrelazione Stima della funzione di autocorrelazione Assegnato un processo stocastico X t stazionario del secondo ordine, siano X 1,X 2,...,X n le variabili aleatorie associate, rispettivamente, ai tempi 1,2,...,n osservati. Lo stimatore di ρ k risulta essere: ρ k = Ĉk Ĉ 0 = n k (X t X)(X t+k X) t=1, k = 0,1,2,... n (X t X) 2 t=1
17 Analisi delle Serie Storiche 17 Stima della funzione di autocorrelazione Osservazioni ρ k è distorto, la distorsione può essere ridotta utilizzando lo stimatore jackknife: ρ k = 2 ρ k 1 2 ( 1 ρ k + 2 ρ k ) (7) ρ k viene stimato fino ad un lag k n/4.
18 Analisi delle Serie Storiche 18 Stima della funzione di autocorrelazione Proprietà dello stimatore ρ k Se le variabili aleatorie X 1,X 2,...,X n sono i.i.d., si verifica che: la f.d.p. di ρ k è simmetrica; E (ˆρ k ) 1 n V ar (ˆρ k ) 1 n ; lo stimatore ρ k, per n sufficientemente elevato (n > 500), converge in distribuzione ad una normale, con valore atteso 1/n e varianza 1/n.
19 Analisi delle Serie Storiche 19 Stima della funzione di autocorrelazione Interpretazione di ρ k Se ρ k > 0, tra le coppie di valori separate da un lag k esiste concordanza; se ρ k < 0, tra le coppie di valori separate da un lag k esiste discordanza; se ρ k oscilla intorno allo zero, allora la s.s. è casuale; se la s.s. è una realizzazione di un processo stocastico di variabili indipendenti, si assume che l intervallo di confidenza al 95% sia, approssimativamente, il seguente: [ 2, + 2 ]; n n
20 Analisi delle Serie Storiche 20 Stima della funzione di autocorrelazione Interpretazione di ρ k la presenza di correlazione solo su piccoli lags indica che la serie è stazionaria; se le stime dei coefficienti di autocorrelazione tendono ad annullarsi per lags molto elevati, allora ciò indica che la serie non è stazionaria; se: x t acos(ωt), 0 < ω < π, allora ρ k, per n elevato, può essere approssimata dalla seguente funzione: ρ k cos(ωk), k = 0,1,2,...; infine in presenza di un solo valore anomalo, ρ k tende ad annullarsi ad ogni lag; in presenza di due o più valori anomali, ρ k raggiunge valori elevati solo in corrispondenza dei lags temporali intercorrenti tra due valori anomali.
21 Analisi delle Serie Storiche 21 Stima della funzione di autocorrelazione Stima della funzione di autocorrelazione parziale La PACF misura l autocorrelazione esistente tra le variabili di una s.s. distanti k unità di tempo, a prescindere da eventuali legami nei lags precedenti. Assegnati i modelli di regressione: X t = φ 10 + φ 11 X t 1 + Z t, X t = φ 20 + φ 21 X t 1 + φ 22 X t 2 + Z t,... =... X t = φ k0 + φ k1 X t 1 + φ k2 X t φ kk X t k + Z t, è immediato dedurre che stimare i coefficienti di regressione φ 11,φ 22,...,φ kk, dove le variabili aleatorie Z t: sono non correlate, presentano valore atteso nullo e varianza costante, mediante il MMQ, equivale a determinare le stime π 1, π 2,..., π k dei coefficienti di autocorrelazione parziale, π 1,π 2,...,π k.
22 Analisi delle Serie Storiche 22 Stima della funzione di autocorrelazione Le equazioni di Yule-Walker. La PACF può essere anche stimata ricorrendo alle equazioni di Yule-Walker. Si consideri il seguente modello di regressione: X t = φ 1 X t 1 + φ 2 X t φ p X t p + Z t, con E(Z t ) = 0, V ar(z t ) = σ 2 Z, Cov(Z t,z t ) = 0, t t,
23 Analisi delle Serie Storiche 23 Stima della funzione di autocorrelazione moltiplicando ambo i membri per X t k, risulta: X t X t k = φ 1 X t 1 X t k + φ 2 X t 2 X t k φ p X t p X t k + Z t X t k. Per cui, applicando a quest ultima il valore atteso, si ottiene: C k = φ 1 C k 1 + φ 2 C k φ p C k p, (8) essendo E(Z t X t k ) = 0, k > 0.
24 Analisi delle Serie Storiche 24 Stima della funzione di autocorrelazione Dividendo l equazione (8) per C 0, si ottiene: ρ k = φ 1 ρ k 1 + φ 2 ρ k φ p ρ k p. (9) Per k = 1, 2,..., p, si ottengono le equazioni di Yule-Walker: ρ 1 = φ 1 +φ 2 ρ φ p ρ p 1 ρ 2 = φ 1 ρ 1 +φ φ p ρ p ρ p = φ 1 ρ p 1 +φ 2 ρ p φ p. (10)
25 Analisi delle Serie Storiche 25 Stima della funzione di autocorrelazione Utilizzando la notazione matriciale: R p = P p Φ p, (11) dove R p = ρ 1 ρ 2. ρ p, Φ p = φ 1 φ 2. φ p, 1 ρ 1 ρ 2... ρ p 1 ρ 1 1 ρ 1... ρ p 2 P p = ρ p 1 ρ p 2 ρ p
26 Analisi delle Serie Storiche 26 Stima della funzione di autocorrelazione Osservazioni Le stime di φ 1, φ 2,..., φ p si ottengono risolvendo la (11) rispetto a Φ p : Φ p = P 1 p R p, e sostituendo ai coefficienti ρ k quelli stimati ρ k ; nel vettore Φ T i = [φ i1 φ i2... φ ii ], si indica con φ ij il parametro di un modello di regressione di ordine i, associato ad una variabile slittata di j unità temporali; al variare di p, possono essere ottenuti differenti insiemi di equazioni del tipo (10); stimando le quantità φ pp, con p = 1,2,..., si ottiene la funzione di autocorrelazione parziale empirica;
27 Osservazioni risolvendo le equazioni (10) per p = 1, 2,..., risulta: φ 11 = ρ 1 φ 22 = φ 33 = 1 ρ 1 ρ 1 ρ 2 1 ρ 1 ρ ρ 1 ρ 1 ρ 1 1 ρ 2 ρ 2 ρ 1 ρ 3 1 ρ 1 ρ 2 ρ 1 1 ρ 1 ρ 2 ρ 1 1 = ρ2 ρ2 1 1 ρ 2 1. (12) In generale, per il parametro φ pp, il determinante del numeratore presenta lo stesso numero e gli stessi elementi del denominatore, ad eccezione dell ultima colonna, dove sono riportati gli elementi del vettore R p; le stime dei parametri φ 11, φ 22,..., possono essere ottenute dalle equazioni (12), sostituendo ai coefficienti di autocorrelazione teorici ρ k, quelli stimati ρ k.
Esercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 13 aprile 211 Programma 1 Approccio stocastico all analisi delle serie storiche Programma 1 Approccio stocastico
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
DettagliREGRESSIONE E CORRELAZIONE
REGRESSIONE E CORRELAZIONE Nella Statistica, per studio della connessione si intende la ricerca di eventuali relazioni, di dipendenza ed interdipendenza, intercorrenti tra due variabili statistiche 1.
DettagliRegressione Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il costo mensile Y di produzione e il corrispondente volume produttivo X per uno dei propri stabilimenti. Volume
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA Indice 1 Teoria dei processi stocastici
Dettaglix, y rappresenta la coppia di valori relativa La rappresentazione nel piano cartesiano dei punti ( x, y ),( x, y ),...,( x, y )
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 0/03 lezioni di statistica del 5 e 8 aprile 03 - di Massimo Cristallo - A. Le relazioni tra i fenomeni
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico
Dettagli1 Alcuni risultati sulle variabili Gaussiane multivariate
Il modello lineare-gaussiano e il filtro di Kalman Prof. P.Dai Pra 1 Alcuni risultati sulle variabili Gaussiane multivariate In questo paragrafo verranno enunciate e dimostrate alcune proprietà del valor
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
DettagliAnalisi della correlazione canonica
Analisi della correlazione canonica Su un collettivo di unità statistiche si osservano due gruppi di k ed m variabili L analisi della correlazione canonica ha per obiettivo lo studio delle relazioni di
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliScomposizione in fratti semplici
0.0.. Scomposizione in fratti semplici La determinazione dell evoluzione libera e dell evoluzione forzata di un sistema lineare stazionario richiedono l antitrasformazione di una funzione razionale fratta
DettagliIl modello di regressione lineare multipla. Il modello di regressione lineare multipla
Introduzione E la generalizzazione del modello di regressione lineare semplice: per spiegare il fenomeno d interesse Y vengono introdotte p, con p > 1, variabili esplicative. Tale generalizzazione diventa
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliMODELLO DI REGRESSIONE LINEARE. le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza,
MODELLO DI REGRESSIONE LINEARE le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza, teorema di Gauss-Markov, verifica di ipotesi e test di
DettagliEsercitazione ENS su processi casuali (13 e 14 Maggio 2008)
Esercitazione ES su processi casuali ( e 4 Maggio 2008) D. Donno Esercizio : Calcolo di autovalori e autovettori Si consideri un processo x n somma di un segnale e un disturbo: x n = Ae π 2 n + w n, n
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliStatistica di base per l analisi socio-economica
Laurea Magistrale in Management e comunicazione d impresa Statistica di base per l analisi socio-economica Giovanni Di Bartolomeo gdibartolomeo@unite.it Definizioni di base Una popolazione è l insieme
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliSTATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 7 11.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Test di indipendenza tra mutabili In un indagine vengono rilevate le informazioni su settore produttivo (Y) e genere (X)
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
DettagliRICHIAMI MATEMATICI. x( t)
0.0. 0.1 1 RICHIAMI MATEMATICI Funzioni reali del tempo: (t) : t (t) (t) ( t) Funzioni reali dell ingresso: y() t t y( ) y() : y() Numeri complessi. Un numero complesso è una coppia ordinata di numeri
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
DettagliMetodi computazionali per i Minimi Quadrati
Metodi computazionali per i Minimi Quadrati Come introdotto in precedenza si considera la matrice. A causa di mal condizionamenti ed errori di inversione, si possono avere casi in cui il e quindi S sarebbe
DettagliLE DISTRIBUZIONI CAMPIONARIE
LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria
DettagliESERCITAZIONE SUI PUNTI STAZIONARI DI FUNZIONI LIBERE E SULLE FUNZIONI OMOGENEE
ESERCITAZIONE SUI PUNTI STAZIONARI DI FUNZIONI LIBERE E SULLE FUNZIONI OMOGENEE 1 Funzioni libere I punti stazionari di una funzione libera di più variabili si ottengono risolvendo il sistema di equazioni
DettagliStatistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1
Statistica Capitolo 1 Regressione Lineare Semplice Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare il significato del coefficiente di correlazione lineare
DettagliUniversità degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliVariabili casuali multidimensionali
Capitolo 1 Variabili casuali multidimensionali Definizione 1.1 Le variabili casuali multidimensionali sono k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità.
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE CATENE DI MARKOV TEMPO CONTINUE Definizioni Sia dato un processo stocastico x(t) che può assumere valori discreti appartenenti ad un insieme se accade che il processo è una catena
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliFin qui si sono considerate le variabili casuali ciascuna per proprio conto. Ora consideriamo la possibilità di relazioni tra variabili.
Sistemi di variabili casuali Fin qui si sono considerate le variabili casuali ciascuna per proprio conto. Ora consideriamo la possibilità di relazioni tra variabili. Esempi: - il massimo annuale della
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 giugno 26 Statistica Esercizio Sia {X n } n una famiglia di v.a. di media µ e varianza σ 2. Verificare che X = n n X i σ 2 = n (X i µ) 2 S 2 = n
DettagliLaurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2016/2017 Appello 15 Settembre 2017
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 206/207 Appello 5 Settembre 207. Sia r t il log-return di un asset e r m t il log-retun del mercato.
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 24 Outline 1 () Statistica 2 / 24 Outline 1 2 () Statistica 2 / 24 Outline 1 2 3 () Statistica 2 /
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
DettagliModelli Multilineari e Misure di adeguatezza del modello
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Modelli Multilineari e Misure di adeguatezza del modello Sommario Regressione multilineare Coefficiente di determinazione (modelli
DettagliLezione 18. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 18. A. Iodice
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 45 Outline 1 2 3 4 5 () Statistica 2 / 45 Modello di In molte applicazioni il ruolo delle variabili
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 10. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 10 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 REGRESSIONE LINEARE Date due variabili quantitative, X e Y, si è
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 35 Il modello di regressione
DettagliAnalisi di Regressione Multivariata. β matrice incognita dei coeff. di regressione (regr. lineare in β)
Analisi di Regressione Multivariata Regressione: metodologia per dedurre info e per anticipare risposte di una variabile dip. Modello classico di regressione lineare: Y {z} n k = {z} X β + ρ {z} {z} n
DettagliIndagine sulle forze di lavoro nel Comune di Firenze. Nota metodologica
Indagine sulle forze di lavoro nel Comune di Firenze. Nota metodologica 1. Procedimento di stima La maggior parte dei caratteri che si rilevano nell indagine sulle Forze di Lavoro sono di tipo qualitativo.
DettagliRegressione Lineare Semplice e Correlazione
Regressione Lineare Semplice e Correlazione 1 Introduzione La Regressione è una tecnica di analisi della relazione tra due variabili quantitative Questa tecnica è utilizzata per calcolare il valore (y)
DettagliBLAND-ALTMAN PLOT. + X 2i 2 la differenza ( d ) tra le due misure per ognuno degli n campioni; d i. X i. = X 1i. X 2i
BLAND-ALTMAN PLOT Il metodo di J. M. Bland e D. G. Altman è finalizzato alla verifica se due tecniche di misura sono comparabili. Resta da comprendere cosa si intenda con il termine metodi comparabili
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
DettagliIl filtro di Kalman stazionario e il regolatore LQG
Il filtro di stazionario e il regolatore LQG P. Valigi Ottimizzazione e Controllo 30 Aprile 2014 L estensione di KF al caso stazionario/intervallo infinito Nell estensione del filtro di ad intervallo infinito
DettagliZIBALDONE DEL CORSO DI STATISTICA A Di
ZIBALDONE DEL CORSO DI STATISTICA A Di Mario Romanazzi 1 Argomenti non compresi in Ross, Introductory Statistics 1.1 Definizione di outlier secondo Tukey Il punto di partenza di Tukey è la regola empirica
DettagliTeoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
Dettaglilezione n. 6 (a cura di Gaia Montanucci) Verosimiglianza: L = = =. Parte dipendente da β 0 e β 1
lezione n. 6 (a cura di Gaia Montanucci) METODO MASSIMA VEROSIMIGLIANZA PER STIMARE β 0 E β 1 Distribuzione sui termini di errore ε i ε i ~ N (0, σ 2 ) ne consegue : ogni y i ha ancora distribuzione normale,
Dettaglilezione 9 AA Paolo Brunori
AA 2016-2017 Paolo Brunori Dove siamo arrivati? - la regressione lineare multipla ci permette di stimare l effetto della variabile X sulla Y tenendo ferme tutte le altre variabili osservabili che hanno
DettagliIl modello di regressione lineare multipla con regressori stocastici
Università di Pavia Il modello di regressione lineare multipla con regressori stocastici Eduardo Rossi Il valore atteso condizionale Modellare l esperimento casuale bivariato nel quale le variabili casuali
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 5. La correlazione lineare Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014 Sommario 1 Tipi di relazione
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
Dettagli1 Endogeneità, variabili strumentali
1 Endogeneità, variabili strumentali 1.1 Proprieta dello stimatore OLS Modello statistico y t = β 1 +β 2 x t2 +...+β k x tk +ε t y t = x tβ+ε t, Brevesommario: y t ex t sonovariabiliosservablimentre ε
DettagliRipasso segnali e processi casuali. Trasmissione dell Informazione
Ripasso segnali e processi casuali 1 Breve ripasso di segnali e trasformate Dato un segnale s(t), la sua densità spettrale si calcola come dove S(f) è la trasformata di Fourier. L energia di un segnale
DettagliLa matrice delle correlazioni è la seguente:
Calcolo delle componenti principali tramite un esempio numerico Questo esempio numerico puó essere utile per chiarire il calcolo delle componenti principali e per introdurre il programma SPAD. IL PROBLEMA
DettagliSommario. 2 I grafici Il sistema di coordinate cartesiane Gli istogrammi I diagrammi a torta...51
Sommario 1 I dati...15 1.1 Classificazione delle rilevazioni...17 1.1.1 Esperimenti ripetibili (controllabili)...17 1.1.2 Rilevazioni su fenomeni non ripetibili...18 1.1.3 Censimenti...19 1.1.4 Campioni...19
DettagliSistemi II. Sistemi II. Elisabetta Colombo
Corso di Approfondimenti di Matematica per Biotecnologie, Anno Accademico 2011-2012, http://users.mat.unimi.it/users/colombo/programmabio.html 1 2 3 con R.C.+ o 1.10 Rango massimo e determinante con R.C.+
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 8 Abbiamo visto: Metodi per la determinazione di uno stimatore Metodo di massima verosimiglianza
DettagliFasi del modello di regressione
Fasi del modello di regressione Specificazione del modello: scelta del tipo di funzione da utilizzare per descrivere un fenomeno; definizione delle ipotesi di base Stima dei parametri: uso di stimatori
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 41 Outline 1 2 3 4 5 () Statistica 2 / 41 Misura del legame Data una variabile doppia (X, Y ), la
DettagliSTATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
DettagliAnalisi sismica di un sistema lineare viscoso a più gradi di libertà con il metodo dello Spettro di Risposta
Analisi sismica di un sistema lineare viscoso a più gradi di libertà con il metodo dello Spettro di Risposta Prof. Adolfo Santini - Dinamica delle Strutture 1 Analisi sismica con lo spettro di risposta
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Variabili casuali Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio Determinare se le funzioni seguenti: 0.0 se x < 0. se x = g(x) = 0.5 se x = 0.7 se x = 3 se x =
Dettagli0 altimenti 1 soggetto trova lavoroentro 6 mesi}
Lezione n. 16 (a cura di Peluso Filomena Francesca) Oltre alle normali variabili risposta che presentano una continuità almeno all'interno di un certo intervallo di valori, esistono variabili risposta
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 6 Abbiamo visto: Definizione di popolazione, di campione e di spazio campionario Distribuzione
DettagliAnalisi delle componenti principali
Analisi delle componenti principali Serve a rappresentare un fenomeno k-dimensionale tramite un numero inferiore o uguale a k di variabili incorrelate, ottenute trasformando le variabili osservate Consiste
DettagliRichiami di algebra delle matrici a valori reali
Richiami di algebra delle matrici a valori reali Vettore v n = v 1 v 2. v n Vettore trasposto v n = (v 1, v 2,..., v n ) v n = (v 1, v 2,..., v n ) A. Pollice - Statistica Multivariata Vettore nullo o
DettagliQuiz di verifica Classificazione
Quiz di verifica Classificazione Strumenti Quantitativi per la gestione Le domande 1 4 si riferiscono al seguente problema: Supponiamo di raccogliere dati per un gruppo di studenti della classe di SQG
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
DettagliLezioni di Statistica del 15 e 18 aprile Docente: Massimo Cristallo
UIVERSITA DEGLI STUDI DI BASILICATA FACOLTA DI ECOOMIA Corso di laurea in Economia Aziendale anno accademico 2012/2013 Lezioni di Statistica del 15 e 18 aprile 2013 Docente: Massimo Cristallo LA RELAZIOE
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Misura dell associazione tra due caratteri Uno store manager è interessato a studiare la relazione
DettagliAnalisi della varianza
Analisi della varianza Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona ANALISI DELLA VARIANZA - 1 Abbiamo k gruppi, con un numero variabile di unità statistiche.
DettagliEsercitazioni di Matematica
Università degli Studi di Udine Anno Accademico 009/00 Facoltà di Agraria Corsi di Laurea in VIT e STAL Esercitazioni di Matematica novembre 009 Trovare le soluzioni della seguente disequazione: x + +
Dettagli3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
DettagliRisposta in vibrazioni libere di un sistema lineare viscoso a più gradi di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1
Risposta in vibrazioni libere di un sistema lineare viscoso a più gradi di libertà Prof. Adolfo Santini - Dinamica delle Strutture 1 Vibrazioni libere non smorzate 1/6 Le equazioni del moto di un sistema
DettagliCalcolo delle Probabilità
Esercitazione 6 maggio 04 Calcolo delle Probabilità Davide Petturiti e-mail: davide.petturiti@sbai.uniroma.it web: https://sites.google.com/site/davidepetturiti Esercizio. Siano X e Y due variabili aleatorie
DettagliStatistica a breve termine: metodo delle onde apparenti
Esercitazione 1 Statistica a breve termine: metodo delle onde apparenti Si calcolino, applicando il metodo delle onde apparenti, le seguenti proprietà della registrazione ondametrica fornita nelle figure
DettagliTEORIA DEI SISTEMI E DEL CONTROLLO LM in Ingegneria Informatica e Ingegneria Elettronica
TEORIA DEI SISTEMI E DEL CONTROLLO LM in Ingegneria Informatica e Ingegneria Elettronica http://www.dii.unimore.it/~lbiagiotti/teoriasistemicontrollo.html Stima dello stato in presenza di disturbi: il
DettagliLAUREA SPECIALISTICA IN FARMACIA - Prova scritta di MATEMATICA - 24/01/03 ANNI PRECEDENTI. 1. (Punti 10) Si consideri la funzione
MATEMATICA - 4//3 ANNI PRECEDENTI (Punti ) Si consideri la funzione ( ) f() = ln Si studi f, determinando in particolare dominio, limiti, intervalli di crescenza, decrescenza, concavità, convessità di
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
DettagliCognome e Nome:... Matricola e corso di laurea:...
Statistica - corso base Prof. B. Liseo Prova di esame dell 8 gennaio 2014 Cognome e Nome:................................................................... Matricola e corso di laurea:...................................................
Dettagli5. EQUAZIONI e DISEQUAZIONI
5. EQUAZIONI e DISEQUAZIONI 1. Per ognuna delle affermazioni seguenti, indicare se e vera o falsa, motivando la risposta (a) L equazione di primo grado (1 2)x = 2 ha soluzione x = 2(1+ 2). V F (b) La disequazione
DettagliEsame di FONDAMENTI DI AUTOMATICA (9 crediti) SOLUZIONE
Esame di FONDAMENTI DI AUTOMATICA (9 crediti) Prova scritta 16 luglio 2014 SOLUZIONE ESERCIZIO 1. Dato il sistema con: si determinino gli autovalori della forma minima. Per determinare la forma minima
DettagliScomposizione in fratti semplici
0.0. 2.2 Scomposizione in fratti semplici La determinazione dell evoluzione libera e dell evoluzione forzata di un sistema lineare stazionario richiede l antitrasformazione di una funzione razionale fratta
Dettaglilezione 7 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove siamo arrivati? - se siamo interessati a studiare l andamento congiunto di due fenomeni economici - possiamo provare a misurare i due fenomeni e poi usare la lineare semplice
DettagliTOPOGRAFIA 2013/2014. Prof. Francesco-Gaspare Caputo
TOPOGRAFIA 2013/2014 L operazione di misura di una grandezza produce un numero reale che esprime il rapporto della grandezza stessa rispetto a un altra, a essa omogenea, assunta come unità di misura. L
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
DettagliTest per la correlazione lineare
10 Test per la correlazione lineare Istituzioni di Matematica e Statistica 2015/16 E. Priola 1 Introduzione alla correlazione lineare Problema: In base ai dati che abbiamo possiamo dire che c è una qualche
Dettaglilezione 8 AA Paolo Brunori
AA 2016-2017 Paolo Brunori regressione multipla con n = k Immaginate di voler studiare i determinanti del voto all esame di econometria Y = β 1 X 1 + u Y i = β 1 H i + u i H=ore studiate alla settimana
Dettagli