Regressione Lineare. Criteri di rigetto dei dati
Di cosa parla
Riassunto AI · si legge in un minuto
Leggi il riassunto completo
- Il coefficiente di correlazione lineare $r$, compreso tra -1 e +1, valuta la validità dell'ipotesi di dipendenza lineare tra due variabili fornendo la probabilità che un valore ottenuto sia significativo se le variabili fossero indipendenti.
- Una correlazione è considerata significativa quando la probabilità associata è inferiore al 5% e altamente significativa se inferiore all'1%, come dimostrato dall'esempio della legge di Hubble con $r=0.87$.
- Nella regressione lineare, le migliori stime dei parametri A e B si ottengono tramite il metodo di massima verosimiglianza assumendo errori trascurabili su x e gaussiani su y, mentre per dati non lineari come l'attenuazione esponenziale è necessario linearizzare la funzione prendendo i logaritmi.
- Quando le incertezze sulle misure di y non sono costanti, si applica una regressione pesata definendo il peso $w_i$ inversamente proporzionale alla varianza della singola misura per minimizzare l'errore sul coefficiente angolare.
- Per combinare più misure indipendenti con incertezze diverse, si utilizza la media pesata dove i pesi sono inversamente proporzionali alle varianze, riducendo così l'incertezza totale del risultato finale rispetto alla semplice media aritmetica.
Riassunto generato con l'intelligenza artificiale a partire dagli appunti. Come lo facciamo
Stai vedendo l'anteprima delle prime pagine. Il file completo è gratis: registrati per leggerlo tutto.
Studia questi appunti con l'AI
Riassunto e domande d'esame sono gratis: chiedili e ti mandiamo un'email quando sono pronti.
In preparazione: di solito è pronto in giornata.
Questo appunto è gratis. Registrati in 30 secondi per leggere tutte le pagine e scaricarlo.
Simula l'esame con domande costruite su questi appunti.