Pattern recognition. II Parte. Intelligenza Artificiale - Pattern Recognition 2
|
|
- Natalia Patrizia Pizzi
- 5 anni fa
- Visualizzazioni
Transcript
1 Pattern recognton II Parte 1
2 Classfcazone d pattern medante funzon d dstanza Per stablre una msura d smlartà fra pattern, che possono essere consderat punt n uno spazo eucldeo, s può rcorrere al concetto d prossmtà. Esempo 2
3 È ntutvo concludere che x appartene alla classe ω perché pù vcno a punt che appartengono a questa classe. Questo vale quando punt d una classe s aggregano n cluster. 3
4 Se cò non accade, s possono avere dffcoltà nella classfcazone, come nel seguente esempo ( x è vcno sa agl element d ω e a quell d ) ω j 4
5 Classfcazone a mnma dstanza È usata quando le class de pattern presentano un lmtato grado d varabltà. S possono verfcare vare stuazon, a seconda d come s possono rappresentare le class. 5
6 a) Sngol prototp Ogn classe è rappresentata da un unco elemento (prototpo). È l caso n cu la varabltà de pattern e altre font d dsturbo possono essere trascurate. Esempo: rconoscmento d caratter OCR ben stampat. Il numero delle class sa M ed ogn classe sa rappresentata dal pattern prototpo z z,..., 1, 2 z M 6
7 La dstanza eucldea tra un generco vettore x e l -esmo prototpo è: D = x z = ( x z ) ( x z ) Il vettore x è assegnato alla classe ω che soddsfa la relazone D < per tutt. D j j 7
8 Poché le dstanze sono defnte postve, trovare l mnmo D è equvalente a trovare l mnmo dove Poché è ndpendente da, l problema s rduce a sceglere l massmo d. 2 D 8 ( ) ( ) = + = = = z z z x x x z z z x x x z x z x z x D ' 2 1 ' 2 ' ' ' 2 ' 2 2 x x' z z z x ' 2 1 '
9 Pertanto la funzone d decsone è: d 1 ( x) = x' z z ' z con = 2 1,2,..., M x dove l pattern è assegnato alla classe ω se d ( x) d ( x) per tutt > j j 9
10 S osserv che d ( ) x è una funzone d decsone lneare: se z j con j=1,2,,n sono le component d z, s può porre: w j =z j con j=1,2,,n 1 w, n+ 1 = z' z 2 x = x x M 1 2 x n 1 10
11 e s può rscrvere la relazone precedente come : d ( x) = w ' x con = 1,2, K, M 11
12 Esempo con due class (due prototp): S può dmostrare faclmente che la superfce d decsone che separa ogn coppa d prototp z e z j è l perpano che bseca perpendcolarmente l segmento d lnea che congunge due punt. 12
13 Concluson: l classfcatore a mnma dstanza è un partcolare caso s classfcatore lneare. Poché questa classfcazone è basata sull accoppamento (match) tra un pattern e l prototpo d classe pù vcno, questo approcco è detto anche correlazone oppure cluster matchng. 13
14 b) Prototp multpl Le consderazon fatte nel caso d sngol prototp s possono estendere al caso n cu pattern d cascuna classe ω tendano ad aggregars ( clusterzzare ) ntorno ad un set 1 2 N d prototp z,, z,..., z dove N è l numero d prototp nella -esma classe. 14
15 d La funzone dstanza tra un vettore ordnaro e la classe ω è: D = mn x z, l = 1,2,..., l Anche qu s può rcavare la funzone d decsone che assume la forma d e è assegnata alla classe ω se per tutt j. l ( ) l ( l )( l x = max x' z ) z z con l = 1,2,..., N x l 1 2 d N x ( x) d ( x) > j 15
16 Esempo con due class, cascuno rappresentato da due prototp: 16
17 Il confne tra le class ω e ω j è una spezzata (pecewse lnear boundares). L approcco basato sulla mnma dstanza è un caso partcolare d una forma pù generale d classfcator a spezzate (pecewse lnear classfer). 17
18 d Le funzon d decsone n questo caso assumono la forma: { } con ( ) l x max d ( x) d = = 1,2,..., M e l l = 1,2,..., Dove cascuna dstanza è N ( ) l l l l l x w x + w x + + w x + w x w x l = n n, n+1 = 1 2 (s not che queste funzon non corrspondono alle spezzate della fgura precedente). 18
19 Estensone del concetto d mnma dstanza Nel caso pù generale, s ha un set d pattern d classfcazone noto { s 1, s,..., s } dove s assume 2 N che cascun pattern appartene ad una delle class ω ω,...,. 1, 2 ω M S defnsce regola d classfcazone dell ntorno pù vcno (nearest neghbor, NN) quella che assegna un vettore ncognto alla classe del vcno pù prossmo, dove s dce che s ( { s1, s2,..., sn }) è l vcno pù prossmo (nearest neghbor) se D ( s x) mn{ D( s x) }, = l = 1,2,..., N l, l 19
20 Se s usa un solo vcno per la classfcazone, questo schema è detto anche 1-NN rule. Se, nvece, s consderano q vcn a x e s adotta un crtero d maggoranza, la regola è detta q-nn rule (s assegna x alla maggoranza de q vcn pù prossm). Come è ntutvo, n questo modo s rduce la probabltà d errata attrbuzone. 20
21 Esempo d realzzazone: 21
22 La formazone de cluster Goca un ruolo fondamentale per la classfcazone basata sul crtero d mnma dstanza. La defnzone de cluster d dat deve essere fondata d una msura d smlartà. Un crtero, gà ntrodotto, è quello basato sulla dstanza defnta come D = x z 22
23 Il crtero stablsce che mnore dstanza pù grande smlartà. Ovvamente non è l unca defnzone d dstanza che s possa adottare. Se ad esempo s tene conto d propretà statstche, una defnzone d dstanza molto usata è quella detta dstanza d Mahalanobs : dove x m C D = 1 ( x m ) C ( x m ) è una varable pattern rappresenta l vettore medo è la matrce d covaranza d una popolazone d pattern. 23
24 Le msure d smlartà non sono necessaramente rstrette alle msure d dstanza. È nfatt mportante rlevare da dat (e dal problema) l attrbuto - o gl attrbut - comun che rendono sml sml e dfferenzano dssml. Se, ad esempo, le regon d cluster tendono a dstenders lungo degl ass, s può sceglere come msura d smlartà l angolo tra vettor (o un parametro a questo correlato). 24
25 Ad esempo, S ( x r ), = x' r x r fornsce l coseno tra vettor e r, ovvero la proezone d uno sull altro: x x r1 2 è pù smle a che a perché r cos( ϑ ) > ( ϑ ) 1 cos 2 25
26 Lo stesso ndce d smlartà, avere altre nterpretazon. x' x r r può Se pattern hanno le component che assumono valor bnar (0,1), l termne x' r fornsce l numero d component (attrbut) che x' e r condvdono (nfatt x' possede l esmo attrbuto se x =1!). 26
27 ( )( ) Poché noltre x r = x' x r' r può essere nterpretato come l numero d attrbut possedut da x' e r, l numero d component comun è normalzzato rspetto al numero totale d component present. 27
28 Nelle applcazon d recupero dell nformazone (nformaton retreval), d nosologa e d tassonoma s usa una varante detta msura d Tanmoto così defnta: x' r S( x, r ) = x' x + r' r x' r che ha l ovva nterpretazone d rapporto tra element comun ed element dssml ne due vettor. 28
29 Crter d clusterng Dopo aver adottato una msura d smlartà, occorre fssare l crtero d aggregazone: può essere basato su uno schema eurstco oppure sulla mnmzzazone (o massmzzazone) d qualche ndce d prestazone. 29
30 Ad esempo, rcade nel prmo gruppo l crtero basato sulla dstanza eucldea: nfatt la vcnanza d due pattern è una msura relatva d smlartà, per cu occorre stablre ancora una sogla al fne d defnre l grado d accettabltà d un pattern come smle ad un altro (o appartenente ad un cluster). 30
31 Nel secondo gruppo rcade, ad esempo, l crtero d mnmzzare l errore quadratco medo defnto come dove: J N = c j= 1 x S j x m j 2 N c S j m j è l numero de cluster è l set d campon appartenent al j-esmo cluster = 1 x è l vettore medo del set S j N j x S j Esstono anche algortm brd, che mescolano l ottmzzazone rspetto a qualche ndce con l eurstca. 31
32 Un semplce algortmo d clusterzzazone { x x,..., } S abbano N pattern. S scegle un pattern a caso come centro del prmo cluster, coè come. z 1 1, 2 S scegle ancora una sogla non negatva T. S supponga d aver scelto x1 come 1 (l prmo del set). x N z 32
33 x 1 S calcola po la dstanza d 2 da : sa D 21 questa dstanza. Se D 21 > T, allora 2 è assunto come, l centro del secondo cluster, altrment s scarta come appartenente al prmo cluster. S supponga D 21 > T : s calcola allora D 31 e D 32, rspettvamente la dstanza d x3 da z1 e z2. Se sono entrambe >T, allora x 3 è l centro del terzo cluster, altrment s assegna al cluster pù prossmo. z z x 2 33
34 S procede così per tutt gl altr pattern del set. S osserv che l rsultato dpende da: La scelta nzale l ordne con cu s analzzano pattern la sogla T Ad esempo, al varare d T s possono avere stuazon come nella seguente fgura: 34
35 Nonostante lmt evdent, è un algortmo semplce, rapdo (l set d pattern è vstato una volta sola), può dare ndcazon d massma sulla dsposzone de dat. 35
36 Nella pratca, s usano alcun accorgment agguntv. S prova con dvers valor d sogla; s consderano le dstanze tra centr de cluster e l numero d campon che cadono n cascun cluster; s consdera la dstanza dal centro del pù vcno e del pù lontano pattern per cascun cluster, nonché la varanza. Questa procedura è effcace partcolarmente quando dat esbscano un aggregazone caratterstca a sacchettn (o nuvolette ). 36
37 Algortmo Maxmn-Dstance È smle al precedente, ma cerca prma cluster pù lontan. S supponga che pattern sano dspost come nella fgura seguente. 37
38 38
39 x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 x 10 z 1 z 2 z 3 S pongono campon n una tabella (a snstra). All nzo la tabella d destra è vuota. 39
40 S scegle un campone a caso, ad esempo x 1, come prmo centro d cluster, e lo s desgna come. z 1 A questo punto s selezona l punto pù lontano,, come secondo centro d cluster z. x6 2 S calcola la dstanza degl altr punt rspetto a z1 z2 e, memorzzando la mnma tra le due. 40
41 S selezona la massma tra queste dstanze mnme: se è una frazone apprezzable della dstanza tra z1 e z, per esempo la metà, s 2 scegle l campone corrspondente come centro d cluster (nell esempo x ). z3 7 S procede così, selezonando sempre la massma delle dstanze mnme. Se questa dstanza è una frazone apprezzable delle tpche dstanze massme precedent (per esempo s scegle l valore medo come valore tpco ), s desgna l pattern corrspondente come nuovo centro d cluster, altrment l algortmo s ferma. 41
42 Alla fne s assegnano pattern al cluster d appartenenza e, per avere un valore pù rappresentatvo, s scegle l valore medo calcolato all nterno del cluster come centro. z 42
43 Algortmo k-means È basato sul crtero d mnmzzare un ndce d prestazone, defnto come somma de quadrat delle dstanze tra tutt punt d cascun cluster rspetto al propro centro d cluster. 43
44 È un algortmo basato su seguent pass: 1. S scelgono k centr d cluster nzal n modo arbtraro, e s desgnano come z ( ) ( ) ( ) 1 1, z2 1,..., zk 1. Ad esempo, s scelgono prm k campon. 2. Alla k-esma terazone, s dstrbuscono campon x tra k cluster usando la relazone { } S J x ( k) S J ( k) se x z ( k) < x z ( k) per = 1,2,..., k e ndca l cluster che ha come centro j j z J ( k) 44
45 3. S calcola per ogn cluster l nuovo centro z ( ) J k +1 con j = 1,2,..., k n modo che sa mnmzzata la dstanza quadratca d tutt punt del cluster rspetto al centro. In formule, s vuole che sa mnmo l ndce d prestazone J J = x S J x z J ( k + 1) 2 con j = 1,2,..., k È noto che basta calcolare l valore medo d : z ( k + 1) = donde l nome k-means J 1 N J x x S ( k ) J x 45
46 ( ) ( ) k 4. Se zj k + 1 = zj k per j = 1,2,..., la procedura è termnata, altrment s va al passo 2. 46
47 Il comportamento d questo algortmo, d cu non esste una prova d convergenza d tpo generale, è nfluenzato da: l numero k d centr prescelto la scelta nzale de centr d cluster l ordne con cu vengono pres campon le propretà geometrche (d dsposzone) de dat. 47
48 Esempo numerco Sano dat campon n fgura: 48
49 1. S potzza k = 2. S scegle z = x = 0,0, z 1 = = 1, 0 () ( ) () ( ) x2 2. Poché ( ) () 1 z1 1 < x1 z 1, con = 2, x appartene a S 1 (1). Idem per x 3. Gl altr campon sono pù prossm a z ( ) 2 1. Qund: S () { } ( ) { } 1 1 = x1, x3, S2 1 = x2, x4,..., x20 x 1 49
50 3. S aggorna l valore de centr de cluster z z 1 2 ( ) 2 x x S () ( ) = = ( x + x ) = N = x = ( x ) 2 x4... x = N 2 x S () ( ) ( ) 4. Poché zj 2 zj 1 con j=1, 2 s va al passo 2 50
51 5. Rcalcolando le dstanze rspetto a nuov centr s conclude che S S 1 2 ( 2) = { x, x,..., x } 1 ( 2) = { x, x,..., x } 9 6. S calcolano d nuovo centr de cluster z z , 20 () 3 = { x + x x } , () 3 = { x + x x } = = 20 51
52 ( ) ( ) 7. È ancora z z 2, s torna al passo 2 J 3 J 8. S ottene lo stesso rsultato dell terazone precedente, per cu S = 3 S ( ) = ( 3) e ( ) ( ) 1 4 S1 2 4 S2 9. Idem come operazone precedente 10.Ora è ( ) z ( 3) z = J 4 J, l algortmo fnsce. 52
53 S osserv che nel caso pù generale non è possble una spezone vsva (dmenson > 2) e non è possble valutare a pror k: s procede per tentatv, con var valor d k. 53
54 Algortmo Isodata L algortmo Isodata (Iteratve Self-Organzng Data Analyss Technque A 1 ) è smle alla procedura K-Means: s aggungono n pù delle procedure eurstche (mportante, tra le altre, quella detta d splt and merge). All nzo s fssa un numero d cluster nzal N c (non necessaramente quello che s desdera come defntvo) e loro centr (arbtrar) z z,..., 1 La A fnale è aggunta per comodtà d pronunca 1, 2 z Nc 54
55 Passo 1) S specfcano seguent parametr d processo: K numero de centr d cluster desderat ϑ Ν numero d campon con cu confrontare l numero d campon n un cluster ϑ S parametro d devazone standard ϑ c parametro d aggregazone d un blocco L massmo numer d coppe d centr d cluster che possono essere aggregate I numero d terazon permesse 55
56 Passo 2) S dstrbuscono gl N campon { x } 1,..., x N tra gl attual centr d cluster n base alla relazone: x S J se, con x z < x j z = 1,2,..., Nc; j Passo 3) S scarcano cluster con meno d ϑ N campon; formalmente: Se per un j è N j < ϑ N, allora s elmna S j e s rduce N C d 1. 56
57 Passo 4) S rcalcolano centr de cluster z j, j = 1,2,..., N c, ponendol ugual alla meda de campon n cascun cluster, 1 z j = x, con j = 1,2,..., N c N j x S j Passo 5) S calcola la dstanza meda D j 1 = N j x S j x z j con j = 1,2,..., N c 57
58 Passo 6) S calcola la meda pesata delle dstanze mede, coè N 1 = c D N D j j N Passo 7) a) Se questa è l ultma terazone porre ϑ c = 0 e andare al passo 11. b) Se N c k/2 (poch cluster rspetto al prevsto), andare al passo 8 (fase d splt). c) Se questa è un'terazone par oppure N c 2k (tropp cluster), andare al passo 11 (fase d merge); altrment contnuare. j= 1 58
59 Passo 8) Calcolare l vettore d devazon standard σ ( j = σ1 j, σ 2 j,..., σ nj )' per cascun cluster, secondo la relazone σ j dove : 1 2 = N j x S j ( x ) k zj, = 1,2,..., n, j = 1,2,..., N c n è la dmensonaltà de vettor x k è la -esma componente del k-esmo campone d S j z j è la -esma componente del j-esmo centro d cluster x 59
60 In pratca, l vettore rappresenta la devazone standard de campon n lungo gl ass prncpal delle coordnate. Passo 9) S cerca la componente massma d cascun σ, con j = 1,2,..., N e s denota come σ j max j c 60
61 Passo 10) Se per ogn σ questa stuazone: σ j max > ϑ S a) D e j max + s spezza n due cluster e. z j j > b) D e N N c s trova d fronte a > oppure C j K z j 2 / ( ϑ + 1) 2 N z j 61
62 Il nuovo centro d cluster z j è rcavato da sommando una data quanttà γ j alla componente d z j che corrsponde alla massma componente d ; σ j + z j z j per nvece γ j vene sottratto. γ j n pratca vene calcolato come γ j = kσ j max con 0 k 1. 62
63 L obettvo è quello d creare una perturbazone, coè una dfferenza sensble nella dstanza tra un generco campone e due nuov centr d cluster, senza tuttava modfcare la dsposzone degl altr cluster n modo apprezzable. Se avvene lo splttng, s va al passo 2 altrment s contnua al passo 14; (è evdente che la z j orgnara scompare, N C aumenta d 1) Passo 10bs) Va a 14) 63
64 Passo 11) S calcolano le dstanze a coppe D j tra centr de cluster: D j = z z j, = 1,2,..., N 1 e j = 1,2,..., C N C Passo 12) S confrontano le dstanze D j con l parametro ϑ c. S ordnano le L pù pccole dstanze che sono mnor d ϑ c n ordne crescente: [ D, D,..., D ] (s rcord che L è 1 j 1 2 j l numero massmo 2 L j L d centr d cluster che s possono aggregare). 64
65 Passo 13) A partre dalla dstanza pù pccola s aggregano centr a coppe ze e z je (a condzone che ze e z je non sano gà stat usat per una aggregazone). D e j e In pratca da ze e z je s crea un nuovo centro come somma pesata de due ( pes sono l numero d campon n ogn cluster) z * e = N e 1 + N j e [ N ( z ) + N ( z )] * ( Pratcamente z è l barcentro) e e j e j e 65
66 S cancellano qund ze e z je, rducendo N C d 1. S osserv che, poché ogn centro d cluster è usato al pù una volta, non è detto che s rescano a fare L aggregazon. Passo 14) Se questa è l ultma terazone, fne. Altrment andare al passo 2 (è prevsto che s possa andare anche al passo 1 per modfcare qualche parametro, se l utente lo rtene opportuno per una mglore adattatvtà). 66
67 Esempo numerco Con dat dell esempo precedente (N=8, n=2) 67
68 S può partre con N C =1 e parametr scelt come: k = ( 0, 0) = 2, ϑ = 1, ϑ = 1, ϑ = 4, L = 0, I = N S e e s può verfcare che s raggungono rsultat molto vcn a precedent (s ha uno splttng s suggersce d rpetere pass dell'algortmo per eserczo). C z
ANALISI STATISTICA DELLE INCERTEZZE CASUALI
AALISI STATISTICA DELLE ICERTEZZE CASUALI Consderamo l caso della msura d una grandezza fsca che sa affetta da error casual. Per ottenere maggor nformazone sul valore vero della grandezza rpetamo pù volte
Elementi di teoria bayesiana della decisione Teoria bayesiana della decisione: caratteristiche
Element d teora bayesana della decsone Teora bayesana della decsone: caratterstche La teora bayesana della decsone è un approcco statstco fondamentale al problema del pattern recognton. Il suo obettvo
Pattern Recognition. Bayes decision theory
Computer Scence Department Unversty of Verona A.A. 015-16 Pattern Recognton Bayes decson theory 1 Rev. Thomas Bayes, F.R.S 170-1761 Introduzone Approcco statstco fondamentale d classfcazone d pattern Ipotes:
Definizione di campione
Defnzone d campone S consder una popolazone fnta U = {1, 2,..., N}. Defnamo campone ordnato d dmensone n qualsas sequenza d n etchette della popolazone anche rpetute. s = ( 1, 2,..., n ), dove j è l etchetta
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
LA VARIABILITA. IV lezione di Statistica Medica
LA VARIABILITA IV lezone d Statstca Medca Sntes della lezone Il concetto d varabltà Campo d varazone Dfferenza nterquartle La varanza La devazone standard Scostament med Il concetto d varabltà S defnsce
Classificazione di immagini con GRASS
Classfcazone d mmagn con GRASS Classfcazone d mmagn Scopo della classfcazone: rcavare da una mmagne nformazon sulla superfce. Foto nterpretazone sfrutta le conoscenze a pror dell operatore. Classfcazone
Precisione e Cifre Significative
Precsone e Cfre Sgnfcatve Un numero (una msura) è una nformazone! E necessaro conoscere la precsone e l accuratezza dell nformazone. La precsone d una msura è contenuta nel numero d cfre sgnfcatve fornte
3 CAMPIONAMENTO DI BERNOULLI E DI POISSON
3 CAMPIOAMETO DI ROULLI E DI POISSO 3. ITRODUZIOE In questo captolo esamneremo due schem d camponamento che dversamente dal camponamento casuale semplce non producono campon d dmensone fssa ma varable.
Ad esempio, potremmo voler verificare la legge di caduta dei gravi che dice che un corpo cade con velocità uniformemente accellerata: v = v 0 + g t
Relazon lnear Uno de pù mportant compt degl esperment è quello d nvestgare la relazone tra due varabl. Il caso pù mportante (e a cu spesso c s rconduce, come vedremo è quello n cu la relazone che s ntende
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
Capitolo 3. Cap. 3-1
Statstca Captolo 3 Descrzone Numerca de Dat Cap. 3-1 Obettv del Captolo Dopo aver completato l captolo, sarete n grado d: Calcolare ed nterpretare la meda, la medana e la moda d un set tdd dat Trovare
= = = = = 0.16 NOTA: X P(X) Evento Acquisto PC Intel Acquisto PC Celeron P(X)
ESERCIZIO 3.1 Una dtta vende computer utlzzando on-lne, utlzzando sa processor Celeron che processor Intel. Dat storc mostrano che l 80% de clent preferscono acqustare un PC con processore Intel. a) Sa
Laboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica
Laboratoro B A.A. 01/013 Elaborazone Dat Lab B CdL Fsca Lab B CdL Fsca Elaborazone dat spermental Prncpo della massma verosmglanza Quando eseguamo una sere d msure relatve ad una data grandezza fsca, quanto
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
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
x 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n
Corso d Statstca docente: Domenco Vstocco La msura della varabltà per varabl qualtatve ordnal Lo studo della varabltà per varabl qualtatve ordnal può essere condotto servendos degl ndc d omogenetà/eterogenetà
ELEMENTI DI STATISTICA
ELEMENTI DI STATISTICA POPOLAZIONE STATISTICA E CAMPIONE CASUALE S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..)
Classificazione di immagini con GRASS
Classfcazone d mmagn con GRASS Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento Classfcazone d mmagn Scopo della classfcazone: rcavare da una mmagne nformazon sulla superfce. Foto
Propagazione degli errori
Propagazone degl error Msure drette: la grandezza sca vene msurata drettamente (ad es. Spessore d una lastrna). Per questo tpo d msure, la teora dell errore svluppata nelle lezone precedent é sucente per
Funzione di matrice. c i λ i. i=0. i=0. m 1. γ i A i. i=0. Moltiplicando entrambi i membri di questa equazione per A si ottiene. α i 1 A i α m 1 A m
Captolo INTRODUZIONE Funzone d matrce Sa f(λ) una generca funzone del parametro λ svluppable n sere d potenze f(λ) Sa A una matrce quadrata d ordne n La funzone d matrce f(a) èdefnta nel modo seguente
Propagazione degli errori
Propagaone degl error Voglamo rcavare le ncertee nelle msure ndrette. Abbamo gà vsto leone un prma stma degl error sulle grandee dervate valda n generale. Consderamo ora l caso specco d grandee aette da
Misure dirette utilizzate per il calcolo della misura indiretta X:
Propagazone degl error Msure drette utlzzate per l calcolo della msura ndretta X: ( ) a a a = ± Δ b = ( b ± Δ b) Il calcolo dell errore assoluto X ( espresso nella stessa untà d msura della grandezza X
ESERCIZIO 4.1 Si consideri una popolazione consistente delle quattro misurazioni 0, 3, 12 e 20 descritta dalla seguente distribuzione di probabilità:
ESERCIZIO. S consder una popolazone consstente delle quattro msurazon,, e descrtta dalla seguente dstrbuzone d probabltà: X P(X) ¼ ¼ ¼ ¼ S estrae casualmente usando uno schema d camponamento senza rpetzone
si utilizzano per confrontare le distribuzioni
Dspersone o Varabltà Defnzone: Le Msure d Dspersone: sono par a zero n caso d dspersone nulla s utlzzano per confrontare le dstrbuzon permettono d valutare la rappresentatvtà delle msure d centraltà. 89
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 }
Propagazione delle incertezze
Propagazone delle ncertezze In questa Sezone vene trattato l problema della propagazone delle ncertezze quando s msurano pù grandezze dfferent,,,z soggette a error d tpo casuale e po s utlzzano tal grandezze
1 La domanda di moneta
La domanda d moneta Eserczo.4 (a) Keynes elenca tre motv per detenere moneta: Scopo transattvo Scopo precauzonale Scopo speculatvo Il modello d domanda d moneta a scopo speculatvo d Keynes consdera la
Principio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
Principio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
IL MODELLO DI MACK. Materiale didattico a cura di Domenico Giorgio Attuario Danni di Gruppo Società Cattolica di Assicurazioni
IL MODELLO DI MACK Materale ddattco a cura d Domenco Gorgo Attuaro Dann d Gruppo Socetà Cattolca d Asscurazon CHAIN-LADDE CLASSICO Metodo pù utlzzato per la stma della rserva snstr. Semplctà. Dstrbuton-ree
{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo
Element d teora de goch Govann D Bartolomeo Unverstà degl Stud d Teramo 1. Descrzone d un goco Un generco goco, Γ, che s svolge n un unco perodo, può essere descrtto da una Γ= NSP,,. Ess sono: trpla d
y. E' semplicemente la media calcolata mettendo
COME FUNZIONA L'ANOVA A UN FATTORE: SI CONFRONTANO TANTE MEDIE SCOMPONENDO LA VARIABILITA' TOTALE Per testare l'potes nulla che la meda d una varable n k popolazon sa la stessa, s suddvde la varabltà totale
Il procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria.
SCELTA OTTIMALE DEL PROCEDIMENTO PER PESARE Il procedmento può essere pensato come una rcerca n un nseme ordnato, l peso ncognto può essere cercato con l metodo della rcerca bnara. PESI CAMPIONE IN BASE
Sistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese
Sstem Intellgent Relazone tra ottmzzazone e statstca - IV Alberto Borghese Unverstà degl Stud d Mlano Laboratory of Appled Intellgent Systems (AIS-Lab) Dpartmento d Informatca borghese@dunmt Anals dell
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
PRIMA PROVA INTERMEDIA DI STATISTICA (COD /6045/5047/4038/371/377) 26 ottobre 2015 COMPITO D
FIRMA DELLO STUDENTE Cognome PRIMA PROVA INTERMEDIA DI STATISTICA (COD. 3000/6045/5047/4038/37/377) 26 ottobre 20 Nome Numero d matrcola Corso d Laurea Cod. corso COMPITO D A fn della valutazone s terrà
Lezione 2 a - Statistica descrittiva per variabili quantitative
Lezone 2 a - Statstca descrttva per varabl quanttatve Esempo 5. Nella tabella seguente sono rportat valor del tasso glcemco rlevat su 10 pazent: Pazente Glcema (mg/100cc) 1 1 =103 2 2 =97 3 3 =90 4 4 =119
Stabilità dei Sistemi Dinamici. Stabilità Semplice. Stabilità Asintotica. Stabilità: concetto intuitivo che può essere formalizzato in molti modi
Gustavo Belforte Stabltà de Sstem Dnamc Gustavo Belforte Stabltà de Sstem Dnamc Stabltà de Sstem Dnamc Il Pendolo Stabltà: concetto ntutvo che può essere formalzzato n molt mod Intutvamente: Un oggetto
Strada B. Classe Velocità valore frequenza Frequ. ass Frequ. % hi Freq. Cum
Eserczo SINTESI S supponga d avere eseguto 70 msure della veloctà stantanea de vecol che transtano nelle sezon d due strade A e B. S supponga che tal msure sano state eseguta n corrspondenza d valor modest
Incertezza di sensibilità < fluttuazione intrinseca delle misure.
Error casual no ad ora abbamo correlato la bontà d una msura alla sensbltà degl strument utlzzat. Samo partt da una stuazone n cu effettuata una sere d msure rpetute, le msure hanno tutte dato lo stesso
Geometria 1 a.a. 2011/12 Esonero del 23/01/12 Soluzioni (Compito A) sì determinarla, altrimenti dimostrare che ciò è impossibile.
Geometra 1 a.a. 2011/12 Esonero del 23/01/12 Soluzon (Compto A) (1) S consder su C 2 l prodotto Hermtano, H assocato alla matrce ( ) 2 H =. 2 (a) Dmostrare che, H è defnto postvo e determnare una base
Apprendimento Automatico: Apprendimento Non Supervisionato
Apprendmento Automatco: Apprendmento Non Supervsonato 1 Supervsone nell Apprendmento (aranco, rotondo, classe= ) (gallo, lungo, classe= ) (gallo, rotondo, classe= ) colore forma (gallo, lungo, classe=
RAPPRESENTAZIONE DI MISURE. carta millimetrata
carta mllmetrata carta mllmetrata non è necessaro rportare sul foglo la tabella (ma auta; l mportante è che sta da qualche parte) carta mllmetrata 8 7 6 5 4 3 smbolo della grandezza con untà d msura!!!
L ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella
L AALISI MOOVARIATA: Varabltà e mutabltà Prof. Mara Carella Varabltà Le msure d tendenza centrale non sono suffcent alla comprensone de fenomen. Una sntes approprata deve tener conto del modo n cu s dstrbuscono
* 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
Analisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986
Anals degl error Introduzone J. R. Taylor, Introduzone all anals degl error, Zanchell, Bo 1986 Sstem d untà d msura, rappresentazone numerca delle quanttà fsche e cfre sgnfcatve Resnck, Hallday e Krane
Variabili statistiche - Sommario
Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su
Lezione 2 a - Statistica descrittiva per variabili quantitative
Lezone 2 a - Statstca descrttva per varabl quanttatve Esempo 5. Nella tabella seguente sono rportat valor del tasso glcemco rlevat su 10 pazent: Pazente Glcema (mg/100cc) 1 x 1 =103 2 x 2 =97 3 x 3 =90
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,
Teoria e Tecniche del Riconoscimento. Teoria della decisione di Bayes
Facoltà d Scenze MM. FF. NN. Unverstà d Verona A.A. 00- Teora e Tecnche del Rconoscmento Teora della decsone d Bayes Teora e Tecnche del Rconoscmento Rev. Thomas Bayes, F.R.S 70-76 Teora e Tecnche del
Indicatori di dimensione e di concentrazione
Indcator d dmensone e d concentrazone 1 Indcator d dmensone Lo studo delle caratterstche struttural ed evolutve d un sstema produttvo necessta dell mpego d ndcator per msurare la dmensone delle untà economche
L ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella
L AALISI MOOVARIATA: Varabltà e mutabltà Prof. Mara Carella Varabltà Le msure d tendenza centrale non sono suffcent alla comprensone de fenomen. Una sntes approprata deve tener conto del modo n cu s dstrbuscono
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
Modello del Gruppo d Acquisto
InVMall - Intellgent Vrtual Mall Modello del Gruppo d Acqusto Survey L attvtà svolta per la realzzazone dell attvtà B7 Defnzone del Gruppo d Acqusto e de Relatv Algortm d Inferenza, prevsta dal captolato
Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 20: 16 maggio 2012
Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2011-2012 lezone 20: 16 maggo 2012 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/25? Errata slde 14: 8 maggo 2012 Rendta perpetua
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
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
Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne
Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che
Le quote e q sono incognite. Il sistema è ridondante: 3 equazioni (osservazioni) e 2 incognite.
Compensazone con l metodo de mnm quadrat Introduzone Le msure geodetche e topografche, che n molt cas non rguardano solo dstanze e angol, ma anche quanttà non puramente geometrche, come ad esempo l'ntenstà
Misure indipendenti della stessa grandezza, ciascuna con una diversa precisione.
Msure ndpendent della stessa grandezza, cascuna con una dversa precsone. Consderamo d avere due msure o n generale della stessa grandezza, ndpendent, caratterzzate da funzone denstà d probabltà d Gauss.
una variabile casuale è continuase può assumere un qualunque valore in un intervallo
Varabl casual contnue Se samo nteressat alla temperatura massma gornaleraquesta è una varable casuale msurata n un ntervallo contnuoe qund è una v.c. contnua una varable casuale è contnuase può assumere
1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x
TEORIA 1) Le mede e le varanze calcolate su n osservazon relatve alle varabl quanttatve X ed Y sono tal che 1 e. Consderando le corrspondent varabl standardzzate delle seguent affermazon rsulta vera 1
La likelihood. , x 3. , x 2. ,...x N
La lkelhood È dato un set d msure {x 1, x 2, x 3,...x N } (cascuna delle qual può essere multdmensonale) Supponamo che la pdf (f) dpenda da un parametro (anch'esso eventualmente multdmensonale) La verosmglanza
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
Misure Ripetute ed Indipendenti
Msure Rpetute ed Indpendent Una delle metodologe pù semplc per valutare l affdabltà d una msura consste nel rpeterla dverse volte, nelle medesme condzon, ed esamnare dvers valor ottenut. Ovvamente, una
4.6 Dualità in Programmazione Lineare
4.6 Dualtà n Programmazone Lneare Ad ogn PL n forma d mn (max) s assoca un PL n forma d max (mn) Spaz e funzon obettvo dvers ma n genere stesso valore ottmo! Esempo: l valore massmo d un flusso ammssble
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
Intelligenza Artificiale II. Ragionamento probabilistico Rappresentazione. Marco Piastra. Intelligenza Artificiale II - AA 2007/2008
Intellgenza rtfcale II Ragonamento probablstco Rappresentazone Marco astra Ragonamento probablstco: rappresentazone - arte Mond possbl sottonsem event artzon e varabl aleatore robabltà Margnalzzazone Condzonal
SERIE STORICHE, TREND, MEDIE MOBILI, REGRESSIONE Andrea Prevete
SERIE STORICHE, TREND, MEDIE MOBILI, REGRESSIONE Andrea Prevete Una sere storca o temporale è un nseme d dat costtut da una sequenza d osservazon su un fenomeno d nteresse X, effettuate n stant (per le
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
Lezione 2 le misure di sintesi: le medie
Lezone le msure d sntes: le mede Cattedra d Bostatstca Dpartmento d Scenze spermental e clnche, Unverstà degl Stud G. d Annunzo d Chet-Pescara Prof. Enzo Ballone Lezone a- Statstca descrttva per varabl
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata
Valutazione dei Benefici interni
Corso d Trasport Terrtoro prof. ng. Agostno Nuzzolo Valutazone de Benefc ntern Valutazone degl ntervent Indvduazone degl effett rlevant La defnzone degl effett rlevant per un ntervento sul sstema d trasporto
UNIVERSITA DEGLI STUDI DI CASSINO FACOLTA DI INGEGNERIA
UNIVERSITA DEGI STUDI DI CASSINO FACOTA DI INGEGNERIA ANTONIO RUSSO, ANGEO EOPARDI ANAISI DE ERRORE CONNESSO A APPROSSIMAZIONE DEE UNGHEZZE E DEE CEERITA NE METODO DI INTEGRAZIONE DEE CARATTERISTICHE (MOC)
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
Soluzioni 3.1. n(n 1) (n k + 1) z n k! k + 1 n k. lim k
(1) La sere bnomale è B n (z) = k=0 Con l metodo del rapporto s ottene R = lm k Soluzon 3.1 n(n 1) (n k + 1) z n k! c k c k+1 = lm k k + 1 n k lm k c k z k. k=0 1 + 1 k 1 n k = 1 (2) La multfunzone f(z)
Claudio Biancalana
Semnar d sstem nformatc Text Categorzaton metodologa d apprendmento medante approcc statstc e ret neuronal artfcal Claudo Bancalana 1 Contatt Claudo Bancalana c.bancalana@opennformatca.org 2 Informaton
Dinamica del corpo rigido
Anna Nobl 1 Defnzone e grad d lbertà S consder un corpo d massa totale M formato da N partcelle cascuna d massa m, = 1,..., N. Il corpo s dce rgdo se le dstanze mutue tra tutte le partcelle che lo compongono
1. La domanda di moneta
1. La domanda d moneta Esercz svolt Eserczo 1.1 (a) S consder l modello della domanda d moneta a scopo speculatvo d Keynes. Un ndvduo può sceglere d allocare la propra rcchezza sottoscrvendo un ttolo rredmble
03/03/2012. Campus di Arcavacata Università della Calabria
Campus d Arcavacata Unverstà della Calabra Corso d statstca RENDE a.a 0-00 3 4 5 6 7 8 9 0 3 4 5 6 7 8 9 Concentrazone Un altro aspetto d un nseme d dat che s aggunge alla meda e alla varabltà è costtuto
Segmentazione di immagini
Segmentazone d mmagn Introduzone Segmentazone: processo d partzonamento d un mmagne n regon dsgunte e omogenee. Esempo d segmentazone. Tratta da [] Introduzone (def. formale ( Sa R l ntera regone spazale
PRIMA PROVA INTERMEDIA DI STATISTICA CLEA (COD. 5047/4038/371/377) 3 Novembre 2004 COMPITO A1
PRIMA PROVA INTERMEDIA DI STATISTICA CLEA (COD. 5047/4038/37/377) 3 Novembre 004 Cognome Numero d matrcola Nome COMPITO A A fn della valutazone s terrà conto solo ed esclusvamente d quanto rportato negl
Equilibrio e stabilità di sistemi dinamici. Stabilità dell equilibrio di sistemi dinamici non lineari per linearizzazione
Equlbro e stabltà d sstem dnamc Stabltà dell equlbro d sstem dnamc non lnear per lnearzzazone Stabltà dell equlbro d sstem dnamc non lnear per lnearzzazone Stabltà dell equlbro d sstem NL TC Crter d stabltà
Modelli decisionali su grafi - Problemi di Localizzazione
Modell decsonal su graf - Problem d Localzzazone Massmo Paolucc (paolucc@dst.unge.t) DIST Unverstà d Genova Locaton Problems: modell ed applcazon Decson a medo e lungo termne (panfcazone) Caratterstche
Support Vector Machines. Macchine a vettori di supporto
Support Vector Machnes Macchne a vettor d supporto Separator Lnear Percettrone La classfcazone bnara può essere vsta come un problema d separazone d class nello spazo delle feature m b b b > 0 b 0 b
Matematica Computazionale(6cfu) Ottimizzazione(8cfu) (a.a , lez.9)
Docente: Marco Gavano (e-mal:gavano@unca.t) Corso d Laurea n Infomatca Corso d Laurea n Matematca Matematca Computazonale(6cfu) Ottmzzazone(8cfu) (a.a. 03-4, lez.9) Matematca Computazonale, Ottmzzazone,
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
Statistica Descrittiva II
Organzzazone de dat Statstca Descrttva II Indc d poszone Indc d varabltà Indc d asmmetra Indc d normaltà Outler Box-plot Sere statstche monovarate Carattere: Cellular possedut Popolazone: 7 student d Botecnologe
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.
6. Catene di Markov a tempo continuo (CMTC)
6. Catene d Markov a tempo contnuo (CMTC) Carla Seatzu, 8 Marzo 28 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
Università degli Studi di Urbino Facoltà di Economia
Unverstà degl Stud d Urbno Facoltà d Economa Lezon d Statstca Descrttva svolte durante la prma parte del corso d corso d Statstca / Statstca I A.A. 004/05 a cura d: F. Bartolucc Lez. 8/0/04 Statstca descrttva
S O L U Z I O N I. 1. Effettua uno studio qualitativo della funzione. con particolare riferimento ai seguenti aspetti:
S O L U Z I O N I 1 Effettua uno studo qualtatvo della funzone con partcolare rfermento a seguent aspett: f ( ) ln( ) a) trova l domno della funzone b) ndca qual sono gl ntervall n cu f() rsulta postva
di una delle versioni del compito di Geometria analitica e algebra lineare del 12 luglio 2013 distanza tra r ed r'. (punti 2 + 3)
Esempo d soluzone d una delle verson del compto d Geometra analtca e algebra lneare del luglo 3 Stablre se la retta r, d equazon parametrche x =, y = + t, z = t (nel parametro reale t), è + y + z = sghemba
La sincronizzazione. (Libro) Trasmissione dell Informazione
La sncronzzazone (Lbro) Problem d sncronzzazone La trasmssone e la dverstà tra gl OL del trasmetttore e del rcevtore ntroducono (anche n assenza d fadng) un errore d d frequenza, d fase e d camponamento
Statistica Descrittiva II
Organzzazone de dat Statstca Descrttva II Indc d poszone Indc d varabltà Indc d asmmetra Indc d normaltà Outler Box-plot Sere statstche monovarate Carattere: Cellular possedut Popolazone: 7 student d Botecnologe
Università di Cassino. Esercitazione di Statistica 1 del 4 dicembre Dott.ssa Simona Balzano
Unverstà d Cassno Eserctazone d Statstca del 4 dcembre 6 Dott.ssa Smona Balzano Eserczo Sa la varable casuale che descrve l rsultato del lanco d dad, sulle cu facce v sono numer: 5, 5, 7, 7, 9, 9. a) Defnre
6 Prodotti scalari e prodotti Hermitiani
6 Prodott scalar e prodott Hermtan 6.1 Prodott scalar S fss K = R. Defnzone 6.1 Sa V un R-spazo vettorale. Un prodotto scalare su V è un applcazone che gode delle seguent propretà: ) (lneartà rspetto al
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.