RELAZIONI TRA 2 FENOMENI QUANTITATIVI

Slides:



Advertisements
Presentazioni simili
- le Medie la Moda la Mediana
Advertisements

LA RETTA Forma generale dell’equazione della retta: ax+by+c=0 Dove :
Dipartimento di Ingegneria Idraulica e Ambientale - Universita di Pavia 1 Caduta non guidata di un corpo rettangolare in un serbatoio Velocità e rotazione.
INTERPOLAZIONE MOD.10 CAP.1
Come organizzare i dati per un'analisi statistica al computer?
1 MeDeC - Centro Demoscopico Metropolitano Provincia di Bologna - per Valutazione su alcuni servizi erogati nel.
Mat_Insieme Lavoro di Gruppo Prodotti Notevoli
____________________
1 Pregnana Milanese Assessorato alle Risorse Economiche Bilancio Preventivo P R O P O S T A.
COORDINATE POLARI Sia P ha coordinate cartesiane
Frontespizio Economia Monetaria Anno Accademico
La scelta del paniere preferito
Lez. 3 - Gli Indici di VARIABILITA’
La regressione lineare trivariata
L’elasticità e le sue applicazioni
ANALISI DELLA COVARIANZA
Metodi Quantitativi per Economia, Finanza e Management Lezione n° 11.
RELAZIONI TRA 2 FENOMENI QUANTITATIVI STATISTICA A – K (60 ore) Marco Riani
L’elasticità della domanda rispetto al “proprio prezzo”
INFERENZA NEL MODELLO DI REGRESSIONE LINEARE MULTIPLA (parte 1)
Varianza campionaria Errore standard della varianza campionaria
Il comportamento del consumatore
La logica della regressione
1 Perugia, 16 giugno 2005 ~ X Consumo nei due mesi ~ Spesa in euro: Avvertenza: i testi qui proposti sono, talvolta, modificati rispetto alla formulazione.
Canale A. Prof.Ciapetti AA2003/04
Indagine trimestrale sulla industria manifatturiera in provincia di Ravenna - Imprese con oltre 10 addetti - II trimestre e I semestre 2003 Ravenna, 15.
Ufficio Studi UNIONCAMERE TOSCANA 1 Presentazione di Riccardo Perugi Ufficio Studi UNIONCAMERE TOSCANA Firenze, 19 dicembre 2000.
Test di ipotesi X variabile casuale con funzione di densità (probabilità) f(x; q) q Q parametro incognito. Test Statistico: regola che sulla base di un.
STATISTICA a.a METODO DEI MINIMI QUADRATI REGRESSIONE
Già primario f.f. U.O. di neurochirurgia
MP/RU 1 Dicembre 2011 ALLEGATO TECNICO Evoluzioni organizzative: organico a tendere - ricollocazioni - Orari TSC.
Modello di regressione lineare semplice
G. Barbaro interpolazione1 INTERPOLAZIONE. G. Barbaro interpolazione1 In Statistica e in genere nelle scienze sperimentali, si studiano o si osservano.
Cos’è un problema?.
Lezione 8 Numerosità del campione
Num / 36 Lezione 9 Numerosità del campione.
CHARGE PUMP Principio di Funzionamento
Settimana: 3-7 marzo Orariolunedimartedi Mercoledi 5 Giovedi 6 Venerdi lezione intro alla fis mod DR lezione intro alla fis mod DR.
STATISTICA PER LE DECISIONI DI MARKETING
ORDINE DI CHIAMATA a 1minuto e 2 minuti PRINCIPALI TEMPI DELLA COMPETIZIONE ORDINE DI CHIAMATA a 1minuto e 2 minuti PRINCIPALI TEMPI DELLA COMPETIZIONE.
ISTITUTO COMPRENSIVO “G. BATTAGLINI” MARTINA FRANCA (TA)
1)Completa la seguente successione: C4, B7, E10, D13, G16,. A. G19 B
La ricerca delle relazioni tra fenomeni
Un trucchetto di Moltiplicazione per il calcolo mentale
LA CIRCONFERENZA.
COVARIANZA e CORRELAZIONE.
Esempi risolti mediante immagini (e con excel)
Esercizio Regressione DATI Per un campione casuale di 82 clienti di un'insegna della GDO, sono disponibili le seguenti variabili, riferite ad un mese di.
La regressione come strumento di sintesi delle relazioni tra variabili
DATA MINING PER IL MARKETING
Cap. 13 Regressione 1. Modello statistico Un modello statistico è una formula che interpreta e sintetizza matematicamente il comportamento congiunto di.
DATA MINING PER IL MARKETING
Informazione su alcuni aspetti della situazione sociale dell’Arcidiocesi Demografia Famiglia Religione Istruzione Economia Ufficio Problemi sociali E.
DATA MINING PER IL MARKETING
Corso di Analisi Statistica per le Imprese Cross tabulation e relazioni tra variabili Prof. L. Neri a.a
Metodi Quantitativi per Economia, Finanza e Management Lezione n°13 Regressione Logistica: La stima e l’interpretazione del del modello.
1 Ministero dell’Istruzione, dell’Università e della Ricerca Dipartimento per la Programmazione e la Gestione delle risorse umane, finanziarie e strumentali.
I mercati dei beni e i mercati finanziari: il modello IS-LM
Statistica Descrittiva
DATA MINING PER IL MARKETING
Corso di Laurea in Scienze e Tecniche psicologiche
REGRESSIONE LINEARE Relazione tra una o più variabili risposta e una o più variabili esplicative, al fine di costruire una regola decisionale che permetta.
Esercizio Regressione DATI Per un campione casuale di 82 clienti di un'insegna della GDO, sono disponibili le seguenti variabili, riferite ad un mese di.
TRATTAMENTO STATISTICO DEI DATI ANALITICI
L’analisi di regressione e correlazione Prof. Luigi Piemontese.
DATA MINING PER IL MARKETING (63 ore) Marco Riani Sito web del corso
Analisi delle osservazioni
INFERENZA NEL MODELLO DI REGRESSIONE LINEARE SEMPLICE
Regressione: approccio matriciale Esempio: Su 25 unità sono stati rilevati i seguenti caratteri Y: libbre di vapore utilizzate in un mese X 1: temperatura.
DATA MINING PER IL MARKETING (63 ore) Marco Riani Sito web del corso
Transcript della presentazione:

RELAZIONI TRA 2 FENOMENI QUANTITATIVI

Es: 6 famiglie, ammontare della spesa annua (in euro) per l’acquisto di due generi di largo consumo: latte fresco e biscotti. Famiglia Spesa annua per l’acquisto di latte fresco (€) Spesa annua per l’acquisto di biscotti (€) A 105 65 B 190 130 C 80 160 D 120 90 E 240 220 F 60 50 M(x)= 132.5 M(y)=119.2 (i) rxy? (ii) commento (iii) diagramma di dispersione (iv) concordanza tra rxy e diagramma di dispersione (v) Perché rxy invece della retta di regressione?

Soluzione 16187.5 23787.5 20520.8 Tot. Famiglia (xi – Mx) (yi – My) (105-132.5) (65-119.2) (105-132.5)2 (65-119.2)2 B (190-132.5) (130-119.2) (190-132.5) (130-119.2) (190-132.5)2 (130-119.2)2 C D E F Tot. 16187.5 23787.5 20520.8

Diagramma di dispersione

Diagramma di dispersione in termini di scostamenti dalla media

Analisi del diagramma di dispersione Il punto C è un valore anomalo bivariato Se cancelliamo il punto C ci attendiamo che il valore di rxy aumenti rxy senza il punto C è uguale a 0.963

CORRELAZIONE FRA DUE S.S. Esempio: X = numero di extracomunitari iscritti al collocamento, Y = numero di discount Calcolare e commentare rXY tra le variabili originarie, i NI a base fissa, le variazioni percentuali a base fissa, i NI a base mobile, le variazioni percentuali a base mobile Anni X Y 1993 72.644 600 1994 85.993 1.300 1995 96.287 1.930 1996 136.942 2.328 1997 140.100 2.523

CORRELAZIONE FRA DUE S.S. Esempio: X = numero di extracomunitari iscritti al collocamento, Y = numero di discount Calcolare e rXY tra le variabili originarie, i NI a base fissa, le variazioni percentuali a base fissa, i NI a base mobile, le variazioni percentuali a base mobile Anni X Y 1993 72.644 600 1994 85.993 1.300 1995 96.287 1.930 1996 136.942 2.328 1997 140.100 2.523 Correlazione spuria  relazione tra i livelli

Esempio di correlazione spuria Numero di discount (Y) Numero di extracomunitari iscritti al collocamento (X)

Esempio di correlazione spuria Numero di discount (Y) Numero di extracomunitari iscritti al collocamento (X) Correlazione tra le variazioni annue?

Esempio di correlazione spuria Numero di extracomunitari iscritti al collocamento (X) Numero di discount (Y) Correlazione tra le variazioni annue?

NI base mobile X (numero di extracomunitari) e Y (numero di discount Anni n. i. base mobile Var % X Var % Y Scost media X Scost media Y 1993 - 1994 118,38 216,67 18,38 116,67 -0,34 68,14 1995 111,97 148,46 11,97 48,46 -6,75 -0,07 1996 142,22 120,62 42,22 20,62 23,50 -27,91 1997 102,31 108,38 2,31 8,38 -16,41 -40,16 Media 118,72 148,53 18,72 48,53 0,00 Var 0,0217 0,1758 Cov(Nix,NIy)=-0,000496 rxy(tra n. i. a base mobile) =-0,000496/(0,0217*0,1758)½ = -0,008

Scatter sugli scostamenti NI base mobile o var. percentuali II I III IV

Osservazioni finali Non esiste relazione lineare tra le variazioni annue di X e Y Si ottiene rxy = -0,008 anche effettuando il calcolo sulle variazioni % rispetto all’anno precedente (proprietà di invarianza per trasformazioni lineari crescenti)

Cenni alle analisi multivariate p fenomeni quantitativi Possiamo calcolare il coefficiente di correlazione lineare e/o la covarianza per ogni coppia di fenomeni

MATRICE DI COVARIANZA (p.169) p variabili: X1, X2, X3,…, Xs, …, Xp

MATRICE DI CORRELAZIONE

ESEMPIO MATRICE DI COVARIANZA X = età Y = anzianità di servizio Z = stipendio mensile (in euro)

MATRICE DI CORRELAZIONE

La diapositiva che segue contiene un esercizio da risolvere

Es. X= tasso di indebitamento delle famiglie, in percentuale, (X) e del fabbisogno di energia elettrica, in migliaia di megawatt, (Y) in Italia nel periodo 1998– 2002 anni X Y 1998 27,8 279 1999 31,1 286 2000 32,6 299 2001 305 2002 35,1 311

LA REGRESSIONE LINEARE

LA REGRESSIONE LINEARE Esiste una relazione (lineare) tra X e Y? In caso affermativo: Come varia una variabile (dipendente) in funzione dell’altra (esplicativa)? Per convenzione: Y = variabile dipendente X = variabile esplicativa

Esempi Relazione tra comportamenti di acquisto e caratteristiche dei consumatori Relazione tra numero di esami sostenuti nei primi due anni di corso e voto alla maturità Relazione tra prezzo di vendita e quantità venduta di un bene

Motivi che spingono ad adottare modelli di regressione lineare Semplicità  facilità di interpretazione dei parametri yi = a + bxi + ei i = 1, …, n dove: a + bxi rappresenta una retta: a = ordinata all’origine  intercetta b = coeff. angolare  coeff. di regressione ei è un termine di errore (accidentale)

Motivi che spingono ad adottare modelli di regressione lineare Effettiva linearità  molte relazioni sono molto vicine alla linearità Trasformazioni  la relazione è lineare dopo aver trasformato opportunamente la dipendente e/o l’esplicativa Es. y = a bx log y = log a + (log b) x y’ = a’ + b’ x

Motivi che spingono ad adottare modelli di regressione lineare Limitatezza dell’intervallo

Motivi che spingono ad adottare modelli di regressione lineare Ragioni di teoria statistica: lo studio delle funzioni lineari nei parametri ha una trattazione più agevole

Diagramma di dispersione Come variano le vendite in funzione del numero di dipendenti?

MODELLO DI REGRESSIONE yi = a + bxi + ei i = 1, …, n dove: a + bxi rappresenta una retta: a = ordinata all’origine  intercetta b = coeff. angolare  coeff. di regressione ei è un termine di errore (accidentale)

= valore teorico (valore stimato) di yi  funzione lineare di RETTA DI REGRESSIONE i = 1, …, n = valore teorico (valore stimato) di yi  funzione lineare di i = 1, …, n Residui

Come si calcolano i parametri a e b?

Come si calcolano i parametri a e b? METODO DEI MINIMI QUADRATI Le incognite sono i parametri della retta

Visualizzazione grafica dei residui (ei)

Come si calcolano i parametri a e b? METODO DEI MINIMI QUADRATI

Come si calcolano i parametri a e b? METODO DEI MINIMI QUADRATI

Come si calcolano i parametri a e b? METODO DEI MINIMI QUADRATI

Sistema di equazioni normali 2 equazioni e 2 incognite (a e b)

Dalla prima equazione

Sostituendo il valore trovato di a nella seconda equazione

Espressioni alternative per a e b

ESEMPIO (7 supermercati) rxy=0,96 N. dipendenti (X) Fatturato in milioni di € (Y) A 10 1,9 B 18 3,1 C 20 3,2 D 8 1,5 E 30 6,2 F 12 2,8 G 14 2,3 Medie 16 3

Calcolo di a e b xi yi xi2 yi2 xiyi A 10 1,9 100 3,61 19 B 18 3,1 324 9,61 55,8 C 20 3,2 400 10,24 64 D 8 1,5  E 30 6,2 F 12 2,8 G 14 2,3 Tot. 112 21 2128 77,28 402,6

Calcolo di a e b xi yi xi2 yi2 xiyi A 10 1,9 100 3,61 19 B 18 3,1 324 9,61 55,8 C 20 3,2 400 10,24 64 D 8 1,5  E 30 6,2 F 12 2,8 G 14 2,3 Tot. 112 21 2128 77,28 402,6

Scatter con retta di regressione

Interpretazione dei parametri ESEMPIO (7 supermercati) a = –0,17  fatturato teorico quando N. di dipendenti = 0 b = 0,198  incremento medio nel fatturato quando il numero di dipendenti aumenta di 1 unità

Interpretazione di b b= indica l’entità della variazione teorica della variabile dipendente in corrispondenza di un incremento unitario della variabile esplicativa

Interpretazione di b a+bx a+b(x+1) Qual è la differenza tra i due precedenti valori teorici(prima e dopo l’incremento unitario)? a+b(x+1)-(a+bx)=b

Sistema di equazioni normali Analizziamo le implicazioni dei due precedenti vincoli

Proprietà delle stime dei minimi quadrati La retta di regressione passa sempre per il punto di coordinate

Proprietà delle stime dei minimi quadrati

Calcolo dei valori teorici e dei residui yi=-0,17+0,198xi xi yi Valori teorici Residui xi ×residuoi A 10 1,9 -0,17+0,198*10=1,81 0,09 0,89 B 18 3,1 -0,17+0,198*18=3,40 -0,30 -5,34 C 20 3,2 -0,17+0,198*20= 3,79 -0,59 -11,86 D 8 1,5 1,41 0,69 E 30 6,2 5,78 0,43 12,75 F 12 2,8 2,21 0,59 7,11 G 14 2,3 2,60 -4,25 Tot. 112 21

Regressione in termini di scostamenti Dato che la sommatoria degli scostamenti dalla media è zero Si ottiene che a=0

Modi alternativi di esprimere b Dato che Si ricava

ESEMPIO (7 supermercati):

Es. n. 5. 7 famiglie Spesa per manifestazioni culturali (Z) A 200 1,9 Costruire il diagramma di dispersione Calcolare e commentare rYZ Sulla base dei risultati ottenuti si dica se è ragionevole adattare una retta di regressione; in questo caso quale sarebbe la dipendente e quale sarebbe l’esplicativa? Spesa per manifestazioni culturali (Z) Reddito mensile del capofamiglia (x 1000 Euro) (Y) A 200 1,9 B 420 4,0 C 250 2,5 D 70 1,6 E 180 2,2 F 300 2,8 G 100 1,5

Diagramma di dispersione rxy=0,97; il grafico mostra la forte relazione lineare diretta tra le 2 variabili. Il reddito mensile è utile per prevedere la spesa per manifestazioni culturali

Diagramma di dispersione con retta di regressione

Scomposizione di yi

BONTA’ DI ADATTAMENTO Occorre analizzare i residui DEVIANZA RESIDUA L’adattamento è buono quando DEV(E) è “piccola” Problemi: DEV(E) cresce all’aumentare del numero di osservazioni (n) DEV(E) dipende dall’unità di misura e dall’ordine di grandezza di Y

In qualsiasi modello di regressione con o senza intercetta è valida la relazione che segue Questa relazione sfrutta la terza proprietà delle stime dei minimi quadrati (vincolo della derivata parziale rispetto a b posta uguale a 0)

Dimostrazione L’ultimo termine è zero dato che

Esempio supermercati (continua) yi=-0,17+0,198xi xi yi Valori teorici Residui Xi ×residuoi yi2 (Valori teorici)2 residui2 A 10 1,9 1,81 0,09 0,89 3.61 3.279 0.008 B 18 3,1 3,40 -0,30 -5,34 9.61 11.536 0.088 C 20 3,2 3,79 -0,59 -11,86 10.24 14.386 0.351 D 8 1,5 1,41 0,69 2.25 2.000 0.007 E 30 6,2 5,78 0,43 12,75 38.44 33.351 0.181 F 12 2,8 2,21 0,59 7,11 7.84 4.871 G 14 2,3 2,60 -4,25 5.29 6.779 0.092 Tot. 112 21 77.28 76.201 1.079 77.28=76.201+1.079

Varia nell’intervallo [0 1] Indice di bontà di adattamento nei modelli di regressione senza intercetta Varia nell’intervallo [0 1]

BONTA’ DI ADATTAMENTO Retta di regressione: DEVIANZA TOTALE DEVIANZA DI REGRESSIONE DEVIANZA RESIDUA

Scomposizione della devianza di Y (modelli di regressione con intercetta) Questa relazione sfrutta le Proprietà 1 e 3 delle stime dei minimi quadrati Proprietà 1 Proprietà 3

Dimostrazione

Indice di determinazione lineare (R2)  =1 se  =0 se

Esempio 7 supermercati (continua) Calcolo di R2 (δ)   xi yi A 10 1,9 1,81 0.008 1,416 B 18 3,1 3,394 0.088 0,155 C 20 3,2 3,79 0.351 0,624 D 8 1,5 1,414 0.007  E 30 6,2 5,77 0.181 F 12 2,8 2,206 G 14 2,3 2,602 0.092 Tot. 112 21 1,079 13,201 DEV(Y) = 7(1,428)2 =14,28 My = 3 DevTOT=DevREGR+DevRES 14,28 = 13,201 + 1,079

Nell’esempio precedente Relazione tra indice di determinazione δ e coefficiente di correlazione lineare rxy δ = rxy2 Nell’esempio precedente  = (0,9615)2 = 0,924

Relazione tra δ e rxy

Esempio 7 supermercati (continua). Diagnostiche sui residui   xi Residui A 10 0,09 B 18 -0,30 C 20 -0,59 D 8 E 30 0,43 F 12 0,59 G 14 Tot. 112 Modello soddisfacente: distribuzione casuale dei residui → componente erratica

ESTRAPOLAZIONE Si tenta di valutare in maniera attendibile il valore che assumerà la variabile dipendente in corrispondenza di un valore noto della variabile esplicativa. CONDIZIONI Validità della retta di regressione ( prossimo ad 1) valore noto della variabile esplicativa non lontano dai valori utilizzati nel calcolo della retta

ESEMPIO (Es. 4.14 Eserciziario) Y = contenuto nell’aria di un inquinante (microgrammi per m3) X = numero di imprese manifatturiere con più di 20 addetti Città Y X A 13 91 B 12 453 C 17 254 D 56 412 E 29 334 F 35 428 G 49 341 H 27 125 Retta di regressione di Y in funzione di X Bontà di adattamento Diagramma di dispersione

Dalle formule (o calcolatrice o Excel) b = 0,0474 Interpretazione oppure Adattamento scadente

Scatter (x,y) con retta di regressione

Punti segnati in attacco Esercizio: giocatori titolari d’una squadra di pallavolo: la seguente tabella riporta il numero di punti segnati in attacco ed il numero di punti segnati a muro in una partita. Giocatore Punti segnati in attacco Punti segnati a muro A 14 4 B 10 3 C 1 D 15 E 18 2 F 9 5 Calcolare rxy e commentarlo Diagramma di dispersione. Si confrontino le informazioni traibili dal diagr. di dispersione con il valore prima calcolato di rxy. C’è accordo tra le due analisi? A quale causa possono essere imputate le differenze riscontrate?

L’INTERPOLAZIONE DI UNA SERIE STORICA

% di persone il cui pasto principale è il pranzo ESEMPIO Anni t % di persone il cui pasto principale è il pranzo 1993 1 69,3 1994 2 69,4 1995 3 66,9 1996 4 65,6 1997 5 64,1 1998 6 63,3 1999 7 61,6 2000 8 59,2

Esempio: Percentuale di persone il cui pasto principale è il pranzo Obiettivo: stima del trend con una funzione (retta)

Regressione in cui: Variabile dipendente: fenomeno di cui si stima il trend (Y) Variabile esplicativa: tempo  successione convenzionale: t = 1; t = 2; … t = T Tempi Valori di Y 1 y1 … t yt T yT

Funzione interpolante lineare: Stima parametri: metodo dei minimi quadrati Interpretazione parametri

Stima parametri: metodo dei minimi quadrati

Stima parametri: metodo dei minimi quadrati

Interpretazione parametri a = valore teorico del fenomeno per t=0 (tempo precedente al primo considerato)  l’intercetta ha sempre un significato operativo b = variazione teorica media da un tempo al successivo

% di persone il cui pasto principale è il pranzo ESEMPIO Anni t % di persone il cui pasto principale è il pranzo 1993 1 69,3 1994 2 69,4 1995 3 66,9 1996 4 65,6 1997 5 64,1 1998 6 63,3 1999 7 61,6 2000 8 59,2 a = 71,46 b = –1,45 Funzione interpolante: Interpretazione

Bontà di adattamento: Previsione di valori futuri Esempio: % stimata di persone il cui pasto principale è il pranzo nel 2001 (t=9):

Condizioni per la validità della proiezione  elevato Mantenimento nel futuro delle condizioni che hanno determinato l’andamento passato  funz. interpolante lineare: variazioni di ammontare costante b

Significato della proiezione I valori futuri stimati per estrapolazione dovranno essere correttamente intesi come valutazioni non di ciò che accadrà, ma di ciò che dovrebbe accadere, qualora si manifestassero anche in futuro le condizioni che hanno determinato la precedente evoluzione del fenomeno.

Esempio (Es. 4.24 eserciziario) Y = concentrazione di anidride carbonica nell'aria, in parti per milione, al Polo Sud dal 1981 al 1995: anni Y 1981 325 1983 327 1985 329 1987 332 1989 335 1991 338 1993 340 1995 343 Grafico della serie storica. Calcolo dei parametri della funzione interpolante lineare Bontà di adattamento Valore previsto della concentrazione di anidride carbonica nel 2005

Grafico della serie storica.

Scelta della scala anni Y 1981 325 1983 327 1985 329 1987 332 1989 335 biennale annuale Y 1981 1 325 1983 2 3 327 1985 5 329 1987 4 7 332 1989 9 335 1991 6 11 338 1993 13 340 1995 8 15 343

Calcolo dei parametri della funzione interpolante lineare Scala dei tempi biennale  t = 1, 2, 3, 4, 5, 6, 7, 8 Scala dei tempi annuale  t = 1, 3, 5, 7, 9, 11, 13, 15 Interpretazione

Relazione tra le due intercette Scala biennale  321,786 = valore teorico al 1979 anni 1981 1983 1985 1987 1989 1991 1993 1995 Scala annuale  323,101 = valore teorico al tempo t = 1980

Relazione tra le due intercette 321,786= valore teorico1979= valore teorico1980- variazione teorica da un anno al successivo variazione teorica da un anno al successivo = coeff. angolare della regressione su scala annuale 321,786=323,101-1,3155

Bontà di adattamento In entrambi i casi: = 0,996  Adattamento quasi perfetto

Previsione al 2005 Scala biennale (t = 13) Scala annuale (t = 25) anni biennale annuale 1981 1 1983 2 3 1985 5 1987 4 7 1989 9 1991 6 11 1993 13 1995 8 15 … 2005 25 Scala biennale (t = 13) Scala annuale (t = 25) Significato e limiti della previsione

Esercizio: idrocarburi estratti (in milioni di tonnellate) n. 13 (integrativi)

Serie storica delle quantità estratte di idrocarburi dal 1986 al 1998 Anno Idrocarburi estratti 1986 15,4 1988 18,3 1990 1992 18,6 1994 19,8 1996 19,7 1998 19,1 Adottando un’opportuna scala dei tempi si calcolino i parametri della funzione interpolante lineare della quantità di idrocarburi in funzione del tempo Significato e bontà di adattamento Si stimino gli idrocarburi estratti nel 2004 e si dica se tale stima può ritenersi attendibile