Richiami di teoria della probabilitá e Modelli Grafici

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Richiami di teoria della probabilitá e Modelli Grafici"

Transcript

1 Modelli di computazione affettiva e comportamentale Data: 23 Aprile 2010 Richiami di teoria della probabilitá e Modelli Grafici Docente: Prof. Giuseppe Boccignone Scriba: Matteo Battistini 1 Richiami di teoria delle probabilitá Ricordiamo che in generale si utilizza la notazione P per indicare la probabilitá discreta e p la probabilitá continua. Laddove non vi sia situazione di ambiguit le utilizzeremo indifferentemente. Gli eventi x, y si definiscono condizionalmente indipendenti se: P (x y, H) = P (x H) (1) L equazione 1 rappresenta la proprietá che avvenga un dato evento x posto come giá accaduto y, in relazione alle ipotesi H Ricordiamo che da un punto di vista Bayesiano: Non si fanno inferenze senza ipotesi. Dunque assumeremo queste come sempre presenti, anche quando, per semplicitá notazionale non le indichiamo esplicitamente. In questo caso essendo x e y condizionalmente indipendenti il risultato e dato dalla sola probabilitá che avvenga l evento x. La probabiliá condizionata si ricava dalla seguente formula: P (x y, H) = P (x, y H) P (y H) (2) Dalla (2) si puó ricavare la regola del prodotto: P (x, y H) = P (x y, H)P (y H) (3) Nel caso x e y siano condizionalmente indipendenti (3) puó essere semplificata come: P (x, y H) = P (x H)P (y H) (4) Due eventi si definiscono mutuamenti escusivi se la probabilitá congiunta é uguale a 0. P (x, y H) = 0 (5) Dalla probabilitá congiunta é possibile ricavare la probabilitá marginale. 1

2 2 Richiami di teoria della probabilitá e Modelli Grafici P (x H) = y P (x, y H) (6) che, tramite la regola del prodotto, puó essere anche scritta come: P (x H) = y P (x, y H) = y P (x y, H)P (y H) (7) ovvero, nel caso continuo : P (x H) = P (x, y H)dy (8) y 2 Introduzione ai modelli grafici Consideriamo un esempio concreto. Analizziamo quale sia la probabilitá che il mal di denti sia derivato, o meno, dalle carie. Esprimiamo le probabilitá tramite una tabella. Eventi Mal di denti No mal di denti Carie No carie Tabella 1: Tabella della probabilitá congiunta P (carie, maldidenti) Diamo una breve spiegazione su come deve essere interpretata la tabella; il valore 0.12 identifica la probabilitá congiunta di avere carie e mal di denti, in linguaggio formale P (carie, maldidenti) = Denotiamo ora con la variabile C l asserzione che sia o non sia presente una carie. Dunque, i valori che assume C sono nell insieme 1,0 dove uno rappresenta la presenza di carie (C = carie) e 0 l assenza di carie (C = noncarie) Di seguito verranno riportati alcuni esempi che mostrano come calcolare le probabilitá tramite marginalizzazione. Esempio 1: Qual é la probabilitá di avere le carie ovvero l evento {P (C = 1)}? Tramite marginalizzazione si calcola P (C = 1, M) con M {0, 1} (non avere o avere il mal di denti). M P (C = 1) = M P (C = 1, M) = P (C = 1, M = 1) + P (C = 1, M = 0) = = 0.2 (9) Esempio 2: Qualeé la probabilitá di non avere le carie, {P (C = 0)}?. P (C = 1) = M P (C = 0, M) = P (C = 0, M = 1) + P (C = 0, M = 0) = = 0.8 (10) La probabilitá marginale prende questo nome perché i suoi risultati potrebbero essere scritti ai margini della tabella calcolando le somme sulle righe o sulle colonne, come mostrato in Tabella 2.

3 Richiami di teoria della probabilitá e Modelli Grafici 3 Eventi Mal di denti No mal di denti P marginale Carie No carie P marginale Tabella 2: Probabilitá marginale La probabilitá condizionata puó essere espressa anche attraverso un modello grafico: questo permette di schematizzare l osservazione e rappresentare le relazioni di dipendenza tra i vari eventi. Nella Figura 1 a) viene rappresentata tramite modello grafico la seguente osservazione: data una caria qual é la probabiltá di avere mal di denti, formalmente P (M = 1 C = 1) (si noti che la variabile osservata sulla quale condiziono a livello grafico viene scurita). Essendo tale probabilitá condizionata la soluzione si ricava da (2), il risultat sará 0.12/0.2, Lo stesso risultato si ricava condizionando sul mal di denti, vedi Figura 1 b). Figura 1: Modello grafico: a) puó essere utilizzato per calcolare P (M = 1 C = 1) b)il modello graico inverso per calcolare P (C = 1 M = 1). Il problema principale del calcolo della probabiliá Bayesiana, é dato del calcolo della congiunta: infatti dati N possibili stati ed M possibili condizioni il numero di calcoli da compiere aumenterá in modo esponenziale M N. Nell esempio precedente abbiamo solo due condizioni e due possibili stati. 3 Inferire variabili, modelli e parametri Assumiamo la seguente rappresentazione: y = dati osservati. H = M = ipotesi, quindi la rappresentazione di un modello. θ = parametri del modello La probalilitá di un dato evento sará data P (y θ, M), quindi le inferenze definite nell esempio precedente dovrebbero essere P (C, M θ, M), in questo caso parametri e modello sono noti, sono definiti tramite la tabella delle probabiliá.

4 4 Richiami di teoria della probabilitá e Modelli Grafici 3.1 Livello 1: Inferire il modello L inferenza del modello implica quindi il calcolo della probabilitá condizionata sui dati osservati, detta anche probabilitá a posteriori dove, P (M y) = P (y M)P (M) P (y) (11) P (y M) = P (y, θ M)dθ = P (y θ, M)P (θ M)d (12) 3.2 Livello 2: Inferenza sui parametri Dato un modello M si puó inferire l insieme dei parametri del modello, essendo i parametri rappresentati da θ. E importante notare che in un contesto Bayesiano i parametri sono variabili aleatorie che danno origine ad una distribuzione di probabilit. Il learning dei parametri in tale contesto dunque ricondotto ad un problema di inferenza della P (θ y, M), P (θ y, M) = P (y θ, M)P (θ, M) P (y M) (13) seguito da una decisione sulla distribuzione a posteriori. Per un numero molto elevato di osservazioni i valori di probabilitá bayesiana e quella frequentistica convergono, mentre per campioni sparsi, il valore della probabilitá bayesiana é migliore perché tiene conto della probabilitá a priori sui paramentri P (θ M). Si noti come il fattore di normalizzazione (l evidenza marginale) P (y M) sia necessario qualora si voglia calcolare l eq.12 per inferire il modello. Inoltre: P (y θ, M) = x P (y, x θ, M)dx = x P (y x,, M)P (x θ, M)dx (14) 3.3 Livello 3: Inferire variabili Si supponga il seguente modello generativo in cui le osservazioni y sono generate da uno stato nascosto x: Nel modello generativo rappresentato in Fig. 2 posso definire P (y x) se sono conosciuti il modello M e i parametri θ. Si supponga per esempio che x rappresenti uno stato emotivo, e y un espressione facciale osservata. Se volessi determinare lo stato emotivo nascosto x conoscendo modello e parametri dovrei utilizzare la formula di Bayes: P (y x, θ, M)P (x θ, M) P (x y, θ, y, M) = (15) P (y θ, M) In altri termini, si possono riconoscere stati emotivi, conoscendo modello e parametri; nel caso non si fosse in possesso dei parametri si utilizza (13) per il learning dei parametri, nel caso in cui vi siano molti modelli e si debba identificare quello maggiormente efficace per lo specifico caso si utilizza (11), calcolata rispetto a

5 Richiami di teoria della probabilitá e Modelli Grafici 5 Figura 2: Modello grafico: P (y x). tutti i possibili parametri. Questo permette di fare inferenze su inferenze, per la definizione di un modello. 4 Graphical Models Un Modello grafico viene utilizzato per la definizione dei rapporti di dipendenza tra le variabili del modello: infatti, tramite il modello grafico é possibile definire le proprietá condizionate. Nel caso pi semplice modello grafico non é altro che un grafo diretto G = {V, E}. Figura 3: Modello grafico. 5 Vincoli fisici I vincoli fisici del problema servono a definire le frecce di condizionamento, e dunque a scegliere lo sviluppo della probabilit congiunta mediante la regola del prodotto. Verrá mostrato come definire una probabilitá condizionata nel rispetto dei vincoli fisici, tramite un esempio. Alice si sveglia la mattina e trova il prato del giardino bagnato, vuole capire se é bagnato perché é piovuto o perché si é dimenticata l irrigatore aperto durante la notte. Osserva i prato di Bob, il suo vicino, anche

6 6 Richiami di teoria della probabilitá e Modelli Grafici questo e bagnato e si chiede se sia dovuto alla pioggia o al fatto che anche Bob si sia dimenticato l irrigatore aperto. passo 1: identificare le variabili: Eventi Variabili Prato di Alice bagnato A = 1, A {0, 1} Prato di Bob bagnato B = 1, B {0, 1} Piovuto P = 1, P {0, 1} Irrigatore aperto I = 1, I {0, 1} Tabella 3: Tabella delle Variabili passo 2: identificare la congiunta (probabilitá di tutto): P (A, B, P, I) = 2 4 = 16 possibili stati usando la regola del prodotto, si verifica che gli stati effettivi sono 2 n 1. Dimostrazione P (A, B, P, I) = P (A B, P ; I)P (B, P, I) = P (A B, P ; I)P (B P, I)P (P, I) = P (A B, P ; I)P (B P, I)P (P I)P (I) passo 3: Considerare i vincoli fisici dati dal modello: P (A B, P, I) = P (A P, I) la probabilitá che il prato di Alice sia bagnato non dipenderá dalle condizioni del prato di Bob. P (B P, I) = P (B P ) la probabilitá che il prato di Bob sa bagnato non puó dipendere dell irrigatore di Alice. P (P I) = P (P ) La probabilitá che sia piovuto non puó dipendere dall irrigatore di Alice. Sotto questi vincoli fisici posso definire il modello, che graficamente puó essere rappresentato come in Figura fig:modello Grafico.

7 Richiami di teoria della probabilitá e Modelli Grafici 7 Figura 4: Modello grafico nel rispetto dei vincoli fisici.

Computazione per l interazione naturale: Modelli dinamici

Computazione per l interazione naturale: Modelli dinamici Computazione per l interazione naturale: Modelli dinamici Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html

Dettagli

Microeconomia per la Finanza - Esercitazione 3 Bayesian updating

Microeconomia per la Finanza - Esercitazione 3 Bayesian updating Microeconomia per la Finanza - Esercitazione 3 Bayesian updating pcrosetto@luiss.it 6 Maggio 2010 1. Che faremo? Dove trovare i materiali: http://docenti.luiss.it/crosetto/ 1 Ripasso di probabilità 2 Regola

Dettagli

Incertezza probabilità a priori probabilità a posteriori condizionata preferenze esiti utilità proposizione variabile aleatoria dominio

Incertezza probabilità a priori probabilità a posteriori condizionata preferenze esiti utilità proposizione variabile aleatoria dominio Incertezza Quando un agente logico possiede tutte le informazioni necessarie sull'ambiente e sugli effetti delle sue azioni sul mondo, riesce a determinare la sequenza di azioni che lo portano al raggiungimento

Dettagli

((e ita e itb )h(t)/it)dt. z k p(dz) + r n (t),

((e ita e itb )h(t)/it)dt. z k p(dz) + r n (t), SINTESI. Una classe importante di problemi probabilistici e statistici é quella della stima di caratteristiche relative ad un certo processo aleatorio. Esistono svariate tecniche di stima dei parametri

Dettagli

Statistica inferenziale

Statistica inferenziale Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo

Dettagli

Domanda e offerta di lavoro

Domanda e offerta di lavoro Domanda e offerta di lavoro 1. Assumere (e licenziare) lavoratori Anche la decisione di assumere o licenziare lavoratori dipende dai costi che si devono sostenere e dai ricavi che si possono ottenere.

Dettagli

Prezzi vischiosi e domanda aggregata

Prezzi vischiosi e domanda aggregata Prezzi vischiosi e domanda aggregata Ciò che rende differente il lungo periodo dal breve è il comportamento dei prezzi. Nel lungo periodo i prezzi sono flessibili, nel breve sono vischiosi. Il fatto che

Dettagli

Concetti di base sulla Teoria delle Probabilità e sulle Reti bayesiane

Concetti di base sulla Teoria delle Probabilità e sulle Reti bayesiane Concetti di base sulla Teoria delle Probabilità e sulle Reti bayesiane Mariagrazia Semenza IA: Probabilità e Reti bayesiane - 1 Concetti preliminari A cosa si applica la teoria delle probabilità? All incertezza,

Dettagli

Capacità di canale in molte salse

Capacità di canale in molte salse Capacità di canale in molte salse. Bernardini 6 maggio 008 Indice 1 Introduzione 1 Modelli di canale 1.1 Matrice di transizione........................................ 1. Funzione aleatoria..........................................

Dettagli

1 Probabilità. 1.1 Primi esercizi di probabilità con l uso del calcolo combinatorio

1 Probabilità. 1.1 Primi esercizi di probabilità con l uso del calcolo combinatorio Indice 1 Probabilità 1 1.1 Primi esercizi di probabilità con l uso del calcolo combinatorio.. 1 1.2 Probabilità condizionata, indipendenza e teorema di Bayes.... 2 1 Probabilità 1.1 Primi esercizi di probabilità

Dettagli

Introduzione alla probabilità

Introduzione alla probabilità Introduzione alla probabilità Luca Mari, versione 2.3.15 Contenuti La generazione combinatoria di campioni...1 L algebra dei campioni...4 Il calcolo delle frequenze relative dei campioni...5 Indipendenza

Dettagli

Compito di SISTEMI E MODELLI. 19 Febbraio 2015

Compito di SISTEMI E MODELLI. 19 Febbraio 2015 Compito di SISTEMI E MODELLI 9 Febbraio 5 Non é ammessa la consultazione di libri o quaderni. Le risposte vanno giustificate. Saranno rilevanti per la valutazione anche l ordine e la chiarezza di esposizione.

Dettagli

APPLICAZIONI LINEARI

APPLICAZIONI LINEARI APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)

Dettagli

Tecniche di DM: Link analysis e Association discovery

Tecniche di DM: Link analysis e Association discovery Tecniche di DM: Link analysis e Association discovery Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Architettura di un generico algoritmo di DM. 2 2 Regole di associazione:

Dettagli

Le operazioni di assicurazione e la teoria

Le operazioni di assicurazione e la teoria Capitolo 1 Le operazioni di assicurazione e la teoria dell utilità 1.1 Introduzione In questo capitolo si discutono alcuni aspetti di base della teoria delle assicurazioni. In particolare, si formalizza

Dettagli

Capitolo 26: Il mercato del lavoro

Capitolo 26: Il mercato del lavoro Capitolo 26: Il mercato del lavoro 26.1: Introduzione In questo capitolo applichiamo l analisi della domanda e dell offerta ad un mercato che riveste particolare importanza: il mercato del lavoro. Utilizziamo

Dettagli

BASI DI DATI DIPENDENZE FUNZIONALI E FORME NORMALI

BASI DI DATI DIPENDENZE FUNZIONALI E FORME NORMALI BASI DI DATI DIPENDENZE FUNZIONALI E FORME NORMALI Prof. Fabio A. Schreiber Dipartimento di Elettronica e Informazione Politecnico di Milano ERRORI DI PROGETTAZIONE INSERIMENTO DI ELEMENTI RIDONDANTI SPRECO

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Teoria delle Decisioni. Lezioni 1 e 2 a.a. 2006 2007. J. Mortera, Università Roma Tre mortera@uniroma3.it

Teoria delle Decisioni. Lezioni 1 e 2 a.a. 2006 2007. J. Mortera, Università Roma Tre mortera@uniroma3.it Teoria delle Decisioni Lezioni 1 e 2 a.a. 2006 2007 J. Mortera, Università Roma Tre mortera@uniroma3.it Decisioni in Condizioni di Incertezza Sia singoli individui che gruppi di individui (società, governi,

Dettagli

Matematica finanziaria: svolgimento prova di esonero del 15 maggio 2007

Matematica finanziaria: svolgimento prova di esonero del 15 maggio 2007 Matematica finanziaria: svolgimento prova di esonero del 5 maggio 2 a. Assumendo che il colore dei capelli negli esseri umani sia determinato da una coppia di alleli, diciamo (B, S), presi a caso con probabilità

Dettagli

Teoria della probabilità: eventi, proprietà additiva e moltiplicativa. L incertezza

Teoria della probabilità: eventi, proprietà additiva e moltiplicativa. L incertezza La probabilità Teoria della probabilità: eventi, proprietà additiva e moltiplicativa L incertezza Nella maggior parte delle situazioni la nostra condizione è caratterizzata dallincertezza Incertezza relativa

Dettagli

PIANO DI LAVORO ANNUALE

PIANO DI LAVORO ANNUALE PIANO DI LAVORO ANNUALE ISTITUTO TECNICO ECONOMICO: INSEGNANTE: Consiglia Mazzone MATERIA DI INSEGNAMENTO: Matematica Applicata CLASSE IV sezione ITE Anno Scolastico 2014/2015 PARTE 1 LIVELLO COMPETENZE

Dettagli

A.1 Rappresentazione geometrica dei segnali

A.1 Rappresentazione geometrica dei segnali Appendice A Rappresentazione dei segnali A.1 Rappresentazione geometrica dei segnali Scomporre una generica forma d onda s(t) in somma di opportune funzioni base è operazione assai comune, particolarmente

Dettagli

Calcolo delle Probabilità A.A. 2013/2014 Corso di Studi in Statistica per l Analisi dei dati Università degli Studi di Palermo

Calcolo delle Probabilità A.A. 2013/2014 Corso di Studi in Statistica per l Analisi dei dati Università degli Studi di Palermo Calcolo delle Probabilità A.A. 2013/2014 Corso di Studi in Statistica per l Analisi dei dati Università degli Studi di Palermo docente Giuseppe Sanfilippo http://www.unipa.it/sanfilippo giuseppe.sanfilippo@unipa.it

Dettagli

b) Costruire direttamente le relazioni e poi correggere quelle che presentano anomalie

b) Costruire direttamente le relazioni e poi correggere quelle che presentano anomalie TEORIA RELAZIONALE: INTRODUZIONE 1 Tre metodi per produrre uno schema relazionale: a) Partire da un buon schema a oggetti e tradurlo b) Costruire direttamente le relazioni e poi correggere quelle che presentano

Dettagli

online La situazione operativa. In ambito aziendale i processi decisionali richiedono assunzioni di responsabilità a vari LABORATORIO 1

online La situazione operativa. In ambito aziendale i processi decisionali richiedono assunzioni di responsabilità a vari LABORATORIO 1 LABORATORIO 1 Scelta tra preventivi per l acquisto di un impianto di Luca CAGLIERO Materie: Informatica, Matematica, Economia aziendale (Triennio IT) L attività da svolgere in laboratorio, di carattere

Dettagli

Capitolo 7 TEST DELLE IPOTESI

Capitolo 7 TEST DELLE IPOTESI B. Chiandotto F. Cipollini Versione 3 Cap. 7 Capitolo 7 TEST DELLE IPOTESI In questo capitolo si affronta il problema della verifica d ipotesi statistiche limitando la trattazione alla cosiddetta teoria

Dettagli

Il modello relazionale dei dati

Il modello relazionale dei dati Il modello relazionale dei dati Master Alma Graduate School Sistemi Informativi Home Page del corso: http://www-db.deis.unibo.it/courses/alma_si1/ Versione elettronica: 04Relazionale.pdf Obiettivi della

Dettagli

Economia, Corso di Laurea Magistrale in Ing. Elettrotecnica, A.A. 2013-2014. Prof. R. Sestini SCHEMA DELLE LEZIONI DELLA QUARTA SETTIMANA

Economia, Corso di Laurea Magistrale in Ing. Elettrotecnica, A.A. 2013-2014. Prof. R. Sestini SCHEMA DELLE LEZIONI DELLA QUARTA SETTIMANA Economia, Corso di Laurea Magistrale in Ing. Elettrotecnica, A.A. 2013-2014. Prof. R. Sestini SCHEMA DELLE LEZIONI DELLA QUARTA SETTIMANA SURPLUS del CONSUMATORE E utile poter disporre di una misura monetaria

Dettagli

ESERCITAZIONI per il corso di ECONOMIA DELL ARTE E DELLA CULTURA 1 1 MODULO (prof. Bianchi) a.a. 2007-2008

ESERCITAZIONI per il corso di ECONOMIA DELL ARTE E DELLA CULTURA 1 1 MODULO (prof. Bianchi) a.a. 2007-2008 ESERCITAZIONI per il corso di ECONOMIA DELL ARTE E DELLA CULTURA 1 1 MODULO (prof. Bianchi) a.a. 2007-2008 A. Il modello macroeconomico in economia chiusa e senza settore pubblico. A.1. Un sistema economico

Dettagli

L impresa che non fa il prezzo

L impresa che non fa il prezzo L offerta nei mercati dei prodotti L impresa che non fa il prezzo L impresa che non fa il prezzo (KR 10 + NS 6) Dipartimento di Economia Politica Università di Milano Bicocca Outline L offerta nei mercati

Dettagli

Macroeconomia, Esercitazione 2. 1 Esercizi. 1.1 Moneta/1. 1.2 Moneta/2. 1.3 Moneta/3. A cura di Giuseppe Gori (giuseppe.gori@unibo.

Macroeconomia, Esercitazione 2. 1 Esercizi. 1.1 Moneta/1. 1.2 Moneta/2. 1.3 Moneta/3. A cura di Giuseppe Gori (giuseppe.gori@unibo. acroeconomia, Esercitazione 2. A cura di Giuseppe Gori (giuseppe.gori@unibo.it) 1 Esercizi. 1.1 oneta/1 Sapendo che il PIL reale nel 2008 è pari a 50.000 euro e nel 2009 a 60.000 euro, che dal 2008 al

Dettagli

Caso e probabilità. Il caso. Il caso. Scommesse e probabilità Fenomeni aleatori Probabilità

Caso e probabilità. Il caso. Il caso. Scommesse e probabilità Fenomeni aleatori Probabilità Introduzione Il caso Il caso commesse e probabilità Il caso i chiama evento casuale quello che si verifica in una situazione in cui gli eventi possibili sono più d uno, ma non si sa a priori quale si verificherà.

Dettagli

È fatta male? Perché? Come si può correggere?

È fatta male? Perché? Come si può correggere? UNA TABELLA N Inv Stanza Resp Oggetto Produttore Descrizione 1012 256 Ghelli Mac Mini Apple Personal Comp 1015 312 Albano Dell XPS M1330 Dell Notebook 2 GHZ 1034 256 Ghelli Dell XPS M1330 Dell Notebook

Dettagli

Corso di Matematica per la Chimica

Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano

Dettagli

UNA STORIA PROBABILE di Francesca D Iapico

UNA STORIA PROBABILE di Francesca D Iapico UNA STORIA PROBABILE di Francesca D Iapico Si mostrano qui alcune delle tappe attraverso le quali si è compiuto il cammino che ha portato al calcolo delle probabilità come lo usiamo oggi Un racconto pensato

Dettagli

Computazione per l interazione naturale: macchine che apprendono

Computazione per l interazione naturale: macchine che apprendono Computazione per l interazione naturale: macchine che apprendono Corso di Interazione Naturale! Prof. Giuseppe Boccignone! Dipartimento di Informatica Università di Milano! boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html

Dettagli

Indice. 1 Il settore reale --------------------------------------------------------------------------------------------- 3

Indice. 1 Il settore reale --------------------------------------------------------------------------------------------- 3 INSEGNAMENTO DI ECONOMIA POLITICA LEZIONE VI IL MERCATO REALE PROF. ALDO VASTOLA Indice 1 Il settore reale ---------------------------------------------------------------------------------------------

Dettagli

Dall italiano alla logica proposizionale

Dall italiano alla logica proposizionale Rappresentare l italiano in LP Dall italiano alla logica proposizionale Sandro Zucchi 2009-10 In questa lezione, vediamo come fare uso del linguaggio LP per rappresentare frasi dell italiano. Questo ci

Dettagli

FUNZIONI. N indica l insieme dei numeri naturali; Z indica l insieme dei numeri relativi interi; Q indica l insieme dei numeri razionali;

FUNZIONI. N indica l insieme dei numeri naturali; Z indica l insieme dei numeri relativi interi; Q indica l insieme dei numeri razionali; 1 FUNZIONI Introduzione Una lingua è fatta di parole; essa si impara soprattutto con la pratica. La matematica, per esprimere i concetti logici, usa un proprio alfabeto fatto di simboli; anche questo si

Dettagli

PROPRIETÀ DEI CIRCUITI DI RESISTORI

PROPRIETÀ DEI CIRCUITI DI RESISTORI CAPITOLO 5 PROPRIETÀ DEI CIRCUITI DI RESISTORI Nel presente Capitolo, verrà introdotto il concetto di equivalenza tra bipoli statici e verranno enunciati e dimostrati alcuni teoremi (proprietà) generali

Dettagli

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA Esercizi su eventi, previsioni e probabilità condizionate Nota: Alcuni esercizi sono tradotti, più o meno fedelmente, dal libro A first course in probability

Dettagli

Raffinamento dello schema e forme normali. T. Catarci, M. Scannapieco, Corso di Basi di Dati, A.A. 2008/2009, Sapienza Università di Roma

Raffinamento dello schema e forme normali. T. Catarci, M. Scannapieco, Corso di Basi di Dati, A.A. 2008/2009, Sapienza Università di Roma Raffinamento dello schema e forme normali 1 Forme Normali Le forme normali consentono di valutare la qualità delle relazione Sono state proposte diverse forme normali che includono, in ordine di generalità:

Dettagli

Lezione 23 Legge di Walras

Lezione 23 Legge di Walras Corso di Economia Politica prof. S. Papa Lezione 23 Legge di Walras Funzione del Consumo Facoltà di Economia Università di Roma La Sapienza Perché la macroeconomia I problem illustrati nelle lezione precedente

Dettagli

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco ANALISI DI SITUAZIONE - LIVELLO COGNITIVO La classe ha dimostrato fin dal primo momento grande attenzione e interesse verso gli

Dettagli

Processi. Giuseppe Sanfilippo. 27 febbraio 2006. 1 Catene di Markov a tempo discreto DTMC

Processi. Giuseppe Sanfilippo. 27 febbraio 2006. 1 Catene di Markov a tempo discreto DTMC Processi Giuseppe Sanfilippo 27 febbraio 2006 1 Catene di Markov a tempo discreto DTMC 11 Introduzione ed esempi DTCM (vedi [3]) Sia {X n, n = 0, 1, 2, } un processo stocastico a parametro discreto e a

Dettagli

Una sperimentazione. Probabilità. Una previsione. Calcolo delle probabilità. Nonostante ciò, è possibile dire qualcosa.

Una sperimentazione. Probabilità. Una previsione. Calcolo delle probabilità. Nonostante ciò, è possibile dire qualcosa. Una sperimentazione Probabilità Si sta sperimentando l efficacia di un nuovo farmaco per il morbo di Parkinson. Duemila pazienti partecipano alla sperimentazione: metà di essi vengono trattati con il nuovo

Dettagli

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili:

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili: Incertezze di misura Argomenti: classificazione delle incertezze; definizione di incertezza tipo e schemi di calcolo; schemi per il calcolo dell incertezza di grandezze combinate; confronto di misure affette

Dettagli

Capitolo 11 Test chi-quadro

Capitolo 11 Test chi-quadro Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 11 Test chi-quadro Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università di Padova

Dettagli

CONTRATTI E TASSI SWAP

CONTRATTI E TASSI SWAP CONTRATTI E TASSI SWAP FLAVIO ANGELINI Sommario. In queste note vengono definite, analizzate e valutate le tipologie più comuni di contratti interest rate swap e si discute l importanza che i tassi swap

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

Algebra booleana. Si dice enunciato una proposizione che può essere soltanto vera o falsa.

Algebra booleana. Si dice enunciato una proposizione che può essere soltanto vera o falsa. Algebra booleana Nel lavoro di programmazione capita spesso di dover ricorrere ai principi della logica degli enunciati e occorre conoscere i concetti di base dell algebra delle proposizioni. L algebra

Dettagli

Introduzione alla crittografia. Il crittosistema RSA e la sua sicurezza

Introduzione alla crittografia. Il crittosistema RSA e la sua sicurezza Introduzione alla crittografia. Il crittosistema RSA e la sua sicurezza Prof. Massimiliano Sala MINICORSI 2011. Crittografia a chiave pubblica: oltre RSA Università degli Studi di Trento, Lab di Matematica

Dettagli

Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali Note A.A. 2009-10 C. Meneghini

Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali Note A.A. 2009-10 C. Meneghini Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali Note A.A. 2009-10 C. Meneghini 1 Elementi di calcolo delle probabilitá, teorema di Bayes e applicazioni 1.1 Definizione di probabilitá

Dettagli

LA STATISTICA BAYESIANA IN MEDICINA - PARTE II: LE PRINCIPALI APPLICAZIONI E L INFERENZA 1

LA STATISTICA BAYESIANA IN MEDICINA - PARTE II: LE PRINCIPALI APPLICAZIONI E L INFERENZA 1 GIORNALE ITALIANO DI NEFROLOGIA / ANNO 25 N. 4, 2008 / PP. 422-431 RASSEGNA LA STATISTICA BAYESIANA IN MEDICINA - PARTE II: LE PRINCIPALI APPLICAZIONI E L INFERENZA 1 C. Montomoli, M. Nichelatti Dipartimento

Dettagli

STATISTICA IX lezione

STATISTICA IX lezione Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri

Dettagli

RELAZIONE TRA DUE VARIABILI QUANTITATIVE

RELAZIONE TRA DUE VARIABILI QUANTITATIVE RELAZIONE TRA DUE VARIABILI QUANTITATIVE Quando si considerano due o più caratteri (variabili) si possono esaminare anche il tipo e l'intensità delle relazioni che sussistono tra loro. Nel caso in cui

Dettagli

LICEO SCIENTIFICO opzione delle scienze applicate MATEMATICA LICEO SCIENTIFICO MATEMATICA

LICEO SCIENTIFICO opzione delle scienze applicate MATEMATICA LICEO SCIENTIFICO MATEMATICA LICEO SCIENTIFICO MATEMATICA PROFILO GENERALE E COMPETENZE Al termine del percorso liceale lo studente dovrà padroneggiare i principali concetti e metodi di base della matematica, sia aventi valore intrinseco

Dettagli

LICEO SCIENTIFICO opzione delle scienze applicate MATEMATICA

LICEO SCIENTIFICO opzione delle scienze applicate MATEMATICA LICEO SCIENTIFICO opzione delle scienze applicate MATEMATICA PROFILO GENERALE E COMPETENZE Al termine del percorso liceale lo studente dovrà padroneggiare i principali concetti e metodi di base della matematica,

Dettagli

Analisi statistica degli errori

Analisi statistica degli errori Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale

Dettagli

Corso di Calcolo delle Probabilità e Statistica. Esercizi su variabili aleatorie discrete

Corso di Calcolo delle Probabilità e Statistica. Esercizi su variabili aleatorie discrete Corso di Calcolo delle Probabilità e Statistica Esercizi su variabili aleatorie discrete Es.1 Da un urna con 10 pallina bianche e 15 palline nere, si eseguono estrazioni con reimbussolamento fino all estrazione

Dettagli

ELEMENTI DI STATISTICA PER IDROLOGIA

ELEMENTI DI STATISTICA PER IDROLOGIA Carlo Gregoretti Corso di Idraulica ed Idrologia Elementi di statist. per Idrolog.-7//4 ELEMETI DI STATISTICA PER IDROLOGIA Introduzione Una variabile si dice casuale quando assume valori che dipendono

Dettagli

Servizio Nazionale di Valutazione a.s. 2014/15 Guida alla lettura Prova di Matematica Classe seconda Scuola primaria

Servizio Nazionale di Valutazione a.s. 2014/15 Guida alla lettura Prova di Matematica Classe seconda Scuola primaria Servizio Nazionale di Valutazione a.s. 2014/15 Guida alla lettura Prova di Matematica Classe seconda Scuola primaria I quesiti sono distribuiti negli ambiti secondo la tabella seguente Ambito Numero di

Dettagli

Dispense di Identificazione e Analisi dei Dati

Dispense di Identificazione e Analisi dei Dati Dispense di Identificazione e Analisi dei Dati Antonello Giannitrapani, Andrea Garulli Versione 1.1 26 gennaio 2007 Indice 1 Teoria della probabilità 1 1.1 Spazi di probabilità........................

Dettagli

Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica

Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica Esame di Geometria (Prof. F. Tovena) Argomenti: Proprietà di nucleo e immagine di una applicazione lineare. dim V = dim

Dettagli

PROVE D'ESAME DI CPS A.A. 2009/2010. 0 altrimenti.

PROVE D'ESAME DI CPS A.A. 2009/2010. 0 altrimenti. PROVE D'ESAME DI CPS A.A. 009/00 0/06/00 () (4pt) Olimpiadi, nale dei 00m maschili, 8 nalisti. Si sa che i 4 atleti nelle corsie centrali hanno probabilità di correre in meno di 0 secondi. I 4 atleti delle

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1 Dott.ssa Antonella Costanzo a.costanzo@unicas.it A.Studio dell interdipendenza tra variabili: riepilogo Concetto relativo allo studio delle relazioni tra

Dettagli

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 7 - Pag. 1. Capitolo 7. Probabilità, verosimiglianze e teorema di Bayes.

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 7 - Pag. 1. Capitolo 7. Probabilità, verosimiglianze e teorema di Bayes. Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 7 - Pag. 1 Capitolo 7. Probabilità, verosimiglianze e teorema di Bayes. Probabilità, verosimiglianza e teorema di Bayes Se A e B sono

Dettagli

LA RICERCA OPERATIVA E I PROBLEMI DI SCELTA

LA RICERCA OPERATIVA E I PROBLEMI DI SCELTA LA RICERCA OPERATIVA E I PROBLEMI DI SCELTA La ricerca operativa può essere considerata: L applicazione del metodo scientifico da parte di gruppi interdisciplinari a problemi che implicano il controllo

Dettagli

Esercitazioni 2013/14

Esercitazioni 2013/14 Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta

Dettagli

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y =

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y = ESERCIZI Testi (1) Un urna contiene 20 palline di cui 8 rosse 3 bianche e 9 nere; calcolare la probabilità che: (a) tutte e tre siano rosse; (b) tutte e tre bianche; (c) 2 rosse e una nera; (d) almeno

Dettagli

Equivalenza economica

Equivalenza economica Equivalenza economica Calcolo dell equivalenza economica [Thuesen, Economia per ingegneri, capitolo 4] Negli studi tecnico-economici molti calcoli richiedono che le entrate e le uscite previste per due

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Fondamenti di calcolo booleano

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Fondamenti di calcolo booleano Breve introduzione storica Nel 1854, il prof. Boole pubblica un trattato ormai famosissimo: Le leggi del pensiero. Obiettivo finale del trattato è di far nascere la matematica dell intelletto umano, un

Dettagli

PROVINCIA DI LIVORNO Osservatorio trasporti PROGETTO SIRSS

PROVINCIA DI LIVORNO Osservatorio trasporti PROGETTO SIRSS PROVINCIA DI LIVORNO Osservatorio trasporti PROGETTO SIRSS Analisi multivariata degli incidenti su tutte le strade della Provincia di Livorno nell anno 2008, sulla base dei dati pervenuti al 16/11/2009.

Dettagli

Esercizi di Matematica Finanziaria

Esercizi di Matematica Finanziaria Esercizi di Matematica Finanziaria Un utile premessa Negli esercizi di questo capitolo, tutti gli importi in euro sono opportunamente arrotondati al centesimo. Ad esempio,e2 589.23658 e2 589.24 (con un

Dettagli

Può la descrizione quantomeccanica della realtà fisica considerarsi completa?

Può la descrizione quantomeccanica della realtà fisica considerarsi completa? Può la descrizione quantomeccanica della realtà fisica considerarsi completa? A. Einstein, B. Podolsky, N. Rosen 25/03/1935 Abstract In una teoria completa c è un elemento corrispondente ad ogni elemento

Dettagli

Reti sequenziali e strutturazione firmware

Reti sequenziali e strutturazione firmware Architettura degli Elaboratori, a.a. 25-6 Reti sequenziali e strutturazione firmware Alla parte di corso sulle reti sequenziali è apportata una sensibile semplificazione rispetto a quanto contenuto nel

Dettagli

RELAZIONE E PROGRAMMA FINALE DI MATEMATICA

RELAZIONE E PROGRAMMA FINALE DI MATEMATICA Allegato A Istituto paritario di Istruzione Secondaria Superiore Ivo de Carneri Civezzano Indirizzo I.T.A.S. indirizzo Biologico RELAZIONE E PROGRAMMA FINALE DI MATEMATICA A.S. 2010/2011 CLASSE 5 a Biologico

Dettagli

CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1

CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1 1.1 Che cos è un algoritmo CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1 Gli algoritmi sono metodi per la soluzione di problemi. Possiamo caratterizzare un problema mediante i dati di cui si dispone all inizio

Dettagli

MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti. Enrico Saltari Università di Roma La Sapienza

MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti. Enrico Saltari Università di Roma La Sapienza MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti Enrico Saltari Università di Roma La Sapienza 1 Dotazioni iniziali Il consumatore dispone ora non di un dato reddito monetario ma di un ammontare

Dettagli

Corso di ELEMENTI DI STATISTICA Alcuni problemi di probabilità, con soluzioni

Corso di ELEMENTI DI STATISTICA Alcuni problemi di probabilità, con soluzioni Corso di ELEMENTI DI STATISTICA Alcuni problemi di probabilità, con soluzioni Si tratta di problemi elementari, formulati nel linguaggio ordinario Quindi, per ogni problema la suluzione proposta è sempre

Dettagli

Rappresentazione della conoscenza. ha poco potere espressivo in quanto ha un ontologia limitata: il mondo consiste di fatti, es.

Rappresentazione della conoscenza. ha poco potere espressivo in quanto ha un ontologia limitata: il mondo consiste di fatti, es. Scaletta argomenti: Rappresentazione della conoscenza Logica del primo ordine Logiche non-monotone Reti semantiche Frame e script Regole di produzione Logica del Primo Ordine - Logica proposizionale ha

Dettagli

Variabili Casuali Continue e Distribuzione Normale

Variabili Casuali Continue e Distribuzione Normale Variabili Casuali Continue e Distribuzione Normale Nel Capitolo 5 si è definita variabile casuale continua una variabile casuale che può assumere tutti valori compresi fra gli estremi di un intervallo

Dettagli

Implicazione logica. p q p q falsa falsa vera falsa vera vera vera falsa falsa vera vera vera

Implicazione logica. p q p q falsa falsa vera falsa vera vera vera falsa falsa vera vera vera Implicazione logica L implicazione logica è un connettivo logico attraverso il quale, a partire da due proposizioni p e q, si forma una nuova proposizione,chiamata p implica q e si scrive p q, la quale

Dettagli

DIPARTIMENTO DI MATEMATICA Liceo scientifico e liceo scientifico delle scienze applicate

DIPARTIMENTO DI MATEMATICA Liceo scientifico e liceo scientifico delle scienze applicate 1. Profilo generale DIPARTIMENTO DI MATEMATICA Liceo scientifico e liceo scientifico delle scienze applicate PRIMO BIENNIO L insegnamento di matematica nel primo biennio ha come finalità l acquisizione

Dettagli

La Funzione Caratteristica di una Variabile Aleatoria

La Funzione Caratteristica di una Variabile Aleatoria La Funzione Caratteristica di una Variabile Aleatoria La funzione caratteristica Φ densità di probabilità è f + Φ ω = ω di una v.a., la cui x, è definita come: jωx f x e dx E e j ω Φ ω = 1 La Funzione

Dettagli

Probabilità e Statistica Esercitazioni. a.a. 2006/2007

Probabilità e Statistica Esercitazioni. a.a. 2006/2007 Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile

Dettagli

Company Overview. Settembre 2015 www.pangeaformazione.it

Company Overview. Settembre 2015 www.pangeaformazione.it Company Overview Settembre 2015 www.pangeaformazione.it Chi siamo! L azienda Siamo specializzati nella progettazione di modelli statistico-matematici a supporto delle decisioni strategiche, fornendo anche

Dettagli

STATISTICA DESCRITTIVA - SCHEDA N. 1 VARIABILI QUALITATIVE

STATISTICA DESCRITTIVA - SCHEDA N. 1 VARIABILI QUALITATIVE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) STATISTICA DESCRITTIVA

Dettagli

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Se a e b sono numeri interi, si dice che a divide b, in simboli: a b, se e solo se esiste c Z tale che b = ac. Si può subito notare che:

Dettagli

Modulo 2. Domanda aggregata e livello di produzione

Modulo 2. Domanda aggregata e livello di produzione Modulo 2 Domanda aggregata e livello di produzione Esercizio. In un sistema economico privo di settore pubblico, la funzione di consumo è: C = 200 + 0.8Y; gli investimenti sono I= 50. a) Qual è il livello

Dettagli

COORDINAMENTO PER MATERIE SETTEMBRE 2014

COORDINAMENTO PER MATERIE SETTEMBRE 2014 Pagina 1 di 8 COORDINAMENTO PER MATERIE SETTEMBRE 2014 AREA DISCIPLINARE [ ] Biennio, Attività e Insegnamenti di area generale (Settore Tecnologico) [ ] Biennio, Attività e Insegnamenti obbligatori di

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

Dettagli

PRIMAVERA IN BICOCCA

PRIMAVERA IN BICOCCA PRIMAVERA IN BICOCCA 1. Numeri primi e fattorizzazione Una delle applicazioni più rilevanti della Teoria dei Numeri si ha nel campo della crittografia. In queste note vogliamo delineare, in particolare,

Dettagli

Cristian Secchi Pag. 1

Cristian Secchi Pag. 1 CONTROLLI DIGITALI Laurea Magistrale in Ingegneria Meccatronica SISTEMI A TEMPO DISCRETO Ing. Tel. 0522 522235 e-mail: cristian.secchi@unimore.it http://www.dismi.unimo.it/members/csecchi Richiami di Controlli

Dettagli

Al Dirigente Scolastico dell I.T.S.T. F. Algarotti Venezia

Al Dirigente Scolastico dell I.T.S.T. F. Algarotti Venezia PIANO DI LAVORO ANNUALE Al Dirigente Scolastico dell I.T.S.T. F. Algarotti Venezia prof.ssa LAURA MARCHETTO Classe 3 sez. H MATEMATICA a.s 2014/15 B Obiettivi generali da raggiungere: Lo studente rispetti

Dettagli

5.7. Assicurazione, selezione e equilibri di separazione.

5.7. Assicurazione, selezione e equilibri di separazione. ELBORTO SULL BSE DEL PR ON LINE 5.7 DI NICIT-SCOPP, ECONOMI DEI CONTRTTI (versione CZ del 10.12.2012) 5.7. ssicurazione, selezione e equilibri di separazione. In questo paragrafo esaminiamo l attività

Dettagli

Guida al livellamento delle risorse con logica Critical Chain (1^ parte)

Guida al livellamento delle risorse con logica Critical Chain (1^ parte) Paolo Mazzoni 2011. E' ammessa la riproduzione per scopi di ricerca e didattici se viene citata la fonte completa nella seguente formula: "di Paolo Mazzoni, www.paolomazzoni.it, (c) 2011". Non sono ammesse

Dettagli

Politecnico di Milano I a Facoltà di Ingegneria C.S. in Ing. per l Ambiente e il Territorio

Politecnico di Milano I a Facoltà di Ingegneria C.S. in Ing. per l Ambiente e il Territorio MODELLISTICA E SIMULAZIONE febbraio 007 a prova Cognome e Nome:... Autorizzo Politecnico di Milano I a Facoltà di Ingegneria C.S. in Ing. per l Ambiente e il Territorio Non autorizzo la pubblicazione su

Dettagli