TEORIA DEI PROTOCOLLI DI RETE. Tecniche e strumenti per l analisi delle prestazioni dei protocolli di rete
|
|
- Celia Corso
- 5 anni fa
- Visualizzazioni
Transcript
1 TEORIA DEI PROTOCOLLI DI RETE Tecniche e strumenti per l analisi delle prestazioni dei protocolli di rete Ing. Luigi Patrono Facoltà di Ingegneria Università degli Studi di Lecce Tel luigi.patrono@unile.it 1/73 Obiettivi Dare una conoscenza di base delle tecniche e degli strumenti per la modellazione e l analisi delle prestazioni di sistemi complessi. Una particolare enfasi è data all approccio basato sulla simulazione ad eventi-discreti per valutare le prestazioni di protocolli in scenari di rete che adottano tecnologie Wireless di ultima generazione. 2/73
2 Bibliografia di riferimento J. Banks, J. S. Carson II, B. L. Nelson, D. M. Nicol, Discrete-Event System Simulation, Third edition, Prentice Hall (Cap. 11) Altro materiale di riferimento: Network Simulator vers. 2 (ns2), Program and Manuals 3/73 Roadmap Introduzione alle Tecniche di Modellazione e Simulazione Concetti nelle Simulazioni ad Eventi-Discreti Ambiente di Simulazione Ns2 Verifica e Validazione di Modelli di Simulazione Analisi dell Output 4/73
3 Introduzione La Simulazione è il processo di progettazione di un modello di un sistema reale e di esecuzione di campagne di sperimentazione con esso al fine sia di capire il comportamento di un sistema e sia di valutare varie strategie per l operatività del sistema stesso. R.E. Shannon 5/73 Che cos è un sistema? Un sistema è definito come un gruppo di oggetti che interagiscono tra loro per il raggiungimento di un fissato e ben preciso obiettivo. La definizione di un sistema è fortemente influenzata dagli obiettivi fissati nell analisi e nello studio di ogni sistema. Un sistema è spesso influenzato da cambiamenti che si verificano all esterno dello stesso. Risulta fondamentale definire il confine tra sistema ed ambiente esterno. 6/73
4 Componenti di un Sistema Un entità è un oggetto di interesse nel sistema. Un attributo è una proprietà di un entità. Una data entità può avere molti attributi. Un attività rappresenta un periodo di tempo di lunghezza specificata. Lo stato di un sistema è definito come quella collezione di variabili (entità, attributi, attività, ecc.) necessarie per descrivere il sistema in ogni istante relativamente ai prefissati obiettivi dello studio. Un evento è definito come un istantaneo evento che potrebbe cambiare lo stato del sistema. L avanzamento del sistema è studiato seguendo i cambiamenti nello stato del sistema. Un sistema con uno stato variabile è detto dinamico. 7/73 Che cos è un Modello? Un modello è definito come una rappresentazione astratta del sistema reale finalizzata agli obiettivi dello studio. Il modello dovrebbe essere sufficientemente dettagliato per permettere di ottenere valide conclusioni sul comportamento del sistema reale. I modelli possono essere: o Fisici: modelli in scala, prototipi, ecc. o Matematici: modelli analitici, modelli di simulazione, ecc. La Modellazione è un arte che consente di pensare e ragionare su sistemi. 8/73
5 Come studiare un Sistema? SISTEMA Esperimenti con il sistema reale Esperimenti con un modello del sistema Modello fisico Modello matematico Soluzione analitica Simulazione 9/73 Che cos è un simulatore? Un Simulatore è uno strumento che riproduce il comportamento di un sistema reale, definendo i componenti del sistema, le loro relazioni ed i processi di input che controllano il sistema simulato. L output del simulatore sono un insieme di misure che sintetizzano le performance del sistema reale. Le misure rilevate sono solo delle stime di quelle che dovrebbero caratterizzare il sistema reale. 10/73
6 Quando non simuliamo? Sistema semplicissimo o trattabile analiticamente Maggiore facilità ad eseguire direttamente sperimentazioni Il costo della simulazione eccede i possibili vantaggi ottenibili dallo studio Carenza di risorse e tempo per eseguire efficacemente la simulazione Mancanza di adeguata abilità ad eseguire efficientemente verifica e validazione di un modello di simulazione Sistema reale troppo complesso per essere astratto con un modello 11/73 Alcuni settori di applicazione Progettazione ed analisi di sistemi di telecomunicazione, produttivi, ecc.. Valutazione di dispositivi militari. Dimensionamento e valutazione di mezzi di trasporto. Progettazione ed organizzazione per i servizi (ospedali, banche, ecc.). Analisi di sistemi economici e finanziari. 12/73
7 Classificazione dei Modelli Deterministico Un modello che non contiene alcun elemento probabilistico (variabile casuale). Assegnati i valori degli input, l output è univocamente determinato (e.g. reazione chimica). Stocastico Un modello in cui i valori degli input o le probabilità di accadimento degli eventi non sono univocamente determinati, ma variabili secondo distribuzioni statistiche (variabili stocastiche) (e.g. sistema sportello bancario). 13/73 Classificazione dei Modelli Discreto Un modello caratterizzato da cambiamenti di stato solo in un insieme discreto di istanti di tempo. Un esempio è il numero di clienti in una banca, cambia solo quando un cliente arriva o è servito. Continuo Un modello caratterizzato da una variazione dello stato del sistema che avviene con continuità rispetto alla variabile tempo. Un esempio è la variazione della temperatura in un corpo durante il processo di riscaldamento o di raffredamento. 14/73
8 Classificazione dei Modelli Un modello di simulazione è: Dinamico - Statico: se rappresenta o meno la variazione del sistema nel tempo. Deterministico Stocastico: se i parametri sono assegnati deterministicamente o con distribuzioni statistiche. Continuo Discreto: se i valori delle variabili di stato variano in modo continuo o discreto rispetto alla variabile tempo. La scelta del modello di simulazione è funzione delle caratteristiche del sistema reale e degli obiettivi dello studio. 15/73 Step di uno studio di simulazione 1. Formulazione del problema Rappresenta la fase più difficile e richiede una singolare abilità dell analista nell analizzare e formalizzare il sistema reale in esame. 2. Definizione degli obiettivi e pianificazione Gli obiettivi rappresentano le domande alle quali si desidera dare una risposta attraverso la simulazione. Pianificazione dello studio in termini di persone, costo e tempo. 16/73
9 Step di uno studio di simulazione 3. Definizione del Modello Concettuale Un modello concettuale rappresenta un astrazione del sistema reale con un livello di dettaglio che dipende dagli obiettivi dello studio. 4. Collezione dati di input Tale fase impegna una larga porzione del tempo totale richiesto per eseguire una simulazione e dovrebbe iniziare il prima possibile. 5. Scelta dello strumento di simulazione Il modello concettuale è trasformato nel modello software utilizzando un linguaggio di programmazione general purpose oppure uno speciale package di simulazione orientato al problema. 17/73 Step di uno studio di simulazione 6. Verifica Controllo della correttezza formale del modello software costruito con lo strumento di simulazione (debugging). 7. Validazione Controllo che il modello di simulazione sia, dal punto di vista concettuale, coerente con il sistema che si vuole analizzare. Tale fase consente di calibrare il modello. 8. Pianificazione Campagne di Simulazione Scelta del tipo di simulazione (Terminante o Steady- State ) Definizione condizioni iniziali, lunghezza dei run, numero di repliche di ciascun run, ecc. 18/73
10 Step di uno studio di simulazione 9. Esecuzione ed Analisi dell Output Esecuzione dei run Applicazione delle tecniche di analisi dell Output: stima puntuale, intervallo di confidenza, ecc. 10.Documentazione e Reporting Documentazione sul modello di simulazione e sulle ipotesi di lavoro adottate per lo studio. Documentazione sui risultati ottenuti dalle campagne di simulazione. 19/73 Tre Aree della Computer Simulation Progettazione Modello Esecuzione Modello Esecuzione Analisi 20/73
11 Simulazioni ad Eventi Discreti: Terminologia Un modello di simulazione ad eventi discreti astrae un sistema reale il cui stato potrebbe cambiare solo in un insieme discreto di istanti di tempo. Si assume che tra due consecutive transazioni di stato non accade nulla di importante ai fini dello studio. Il sistema è composto da un insieme di oggetti chiamati entità che possiedono determinate proprietà dette attributi. Lo stato del sistema è una collezione di attributi o variabili di stato che descrivono il sistema in un determinato istante di tempo. 21/73 Un evento è un occorrenza istantanea che potrebbe alterare lo stato del sistema. Una lista di eventi contiene gli eventi futuri, ordinati secondo il tempo di occorrenza. Tale lista è anche conosciuta come Future Event List (FEL). Un evento segna l inizio di un attività la cui durata ha una precisa lunghezza (benchè possa essere specificata da una distribuzione statistica). Il clock è una variabile rappresentante il tempo simulato. Il periodo di tempo per il quale perdura un run di simulazione è riferito come durata della simulazione. Simulazioni ad Eventi Discreti: Terminologia 22/73
12 Simulazioni ad Eventi Discreti: Terminologia Un processo è una sequenza di eventi che potrebbero racchiudere diverse attività. Processo arrivo evento inizio_serv evento Attività fine_serv evento t Relazione tra Eventi, Attività e Processi 23/73 Avanzamento del tempo Simulato Approccio Sincrono: basato su incrementi temporali ( t) del clock del simulatore. Il principale svantaggio di tale approccio risiede nel determinare t. Approccio Asincrono: il clock del simulatore è avanzato dall istante dell evento corrente a quello dell evento successivo tenendo in conto quanto riportato nella lista degli eventi (FEL). Il principale vantaggio è quello che il simulatore salta i periodi di inattività (assenza di eventi). 24/73
13 Avanzamento del tempo Simulato Il simulatore è caratterizzato da una particolare routine, detta executive, che è in grado di gestire il clock e la lista degli eventi. Essa esegue un fetching del prossimo evento schedulato, avanza il tempo simulato e trasferisce il controllo all opportuna ruotine operativa. Generalmente la executive routine lavora seguendo un approccio event scheduling. 25/73 Network Simulator v2 (NS2) 26/73
14 Obiettivi di NS-2 Supportare la ricerca in ambito di networking Progettazione di protocolli, Confronto tra protocolli, etc Fornire un ambiente dove vari soggetti della comunità di ricerca posssono collaborare tra di loro Distribuzione libera, open source Permette di confrontare facilmente protocolli simili Aumenta l'affidabilità dei risultati Più persone possono controllare i modelli proposti in più situazioni I modelli possono essere sviluppati da esperti Più livelli di dettaglio in un solo simulatore 27/73 Componenti di NS Ns, il simulatore Nam, network animator Nam editor: GUI interfaccia per generare gli script di ns Visualizza l'output di ns 28/73
15 NS-2, il simulatore Simulatore ad eventi discreti (asincrono) Modello di elaborazione semplice Simulatore object-oriented (scritto in C++ ed OTcl) Specializzato nella validazione di protocolli di rete Wired, wireless, satellite TCP, UDP, multicast, unicast Web, telnet, ftp Ad hoc routing, sensor networks 29/73 NS-2: Visione semplificata 30/73
16 Event Driven Simulation Modella ogni cosa come eventi Il simulatore ha una lista di eventi Estrae dalla coda il prossimo evento, lo esegue, passa al successivo solo quando ha eseguito quello attuale Ogni evento accade in un istante di tempo virtuale (simulato), ma può richiedere una quantità arbitraria di tempo (reale) di esecuzione Ns utilizza un modello semplice di elaborazione: controllo a thread singolo 31/73 Architettura di NS 32/73
17 Struttura Gerarchica di NS2 TclObject NsObject Connector Classifier Queue Delay Agent Trace AddrClassifier McastClasifier DropTail RED TCP Enq Deq Drop Reno SACK 33/73 Linguaggi C++ ed Otcl (1/2) Separazione tra flusso di elaborazione e comandi di controllo C++ per l'elaborazioni dei dati: Processamento per paccheto, nucleo di ns Veloce da eseguire, dettagliato, controllo completo OTcl per il controllo: Configurazione degli scenari di simulazione Manipolazione di oggetti C++ esistenti Veloce da scrivere e cambiare 34/73
18 Linguaggi C++ ed Otcl (2/2) Dimensioni del Programma, Complessità 35/73 Collegamento tra C++ ed Otcl C++ Otcl C++/OTcl split objects OTcl (variante a oggetti del Tcl) ed il C++ condividono la gerarchia delle classi TclCL è la libreria che collega i due linguaggi e permette di condividere facilmente funzioni, variabili, etc 36/73
19 Tecniche di Verifica e Validazione La Validità di un modello dovrebbe essere giudicata tenendo in conto la sua adeguatezza al particolare scopo dello studio. Un modello è valido ed affidabile se riporta ciò che è atteso da esso. Questo significa che la validità, come un concetto astratto separato dallo scopo, non ha un utile significato. Ciò che potrebbe essere un eccellente modello per uno scopo potrebbe essere non significativo od errato per un altro scopo. J. W. Forrester, /73 Verifica e Validazione La Verifica è il processo di controllo di un modello e dei relativi programmi per assicurarsi che essi eseguano come desiderato. La verifica di un modello software si esegue attraverso la fase di debugging del programma. Doing the thing right La Validazione è il processo per determinare se il modello, inteso come astrazione, è una rappresentazione significativa ed accurata del sistema reale. Doing the right thing 38/73
20 Verifica e Validazione Modellazione Verifica Validazione (calibrazione) Sistema reale Modello concettuale Programma di simulazione Risultati disponibili credibili Programmazione Run di simulazioni 39/73 Verifica La scrittura di codice ben strutturato consente di semplificare la lettura e l individuazione di errori. Un sufficiente numero di simulazioni di prova, variando i parametri di input, permette di aumentare i casi di verifica del modello software di simulazione. L esecuzione di simulazioni di casi noti, dei quali si possiedono già dei risultati, permette un confronto del modello software sulla base di dati reali. La funzione trace nelle simulazioni ad eventi discreti permette il controllo della lista degli eventi che si succedono nell esecuzione della simulazione. 40/73
21 Validazione Realizzare un modello che abbia validità per quelle persone che possiedono conoscenze relative al sistema in studio: o Raccolta di tutte le informazioni possibili per ottenere una visione complessiva del sistema. o Confronto dei risultati del modello proposto con quelli ottenuti con altri modelli. o E necessaria, specie nei sistemi complessi, una notevole esperienza ed intuizione. Eseguire un test quantitativo, attraverso l analisi di sensitività, sulle ipotesi fatte che consenta di determinare se gli output della simulazione subiscono un cambiamento significativo al variare dei valori dei dati in input. 41/73 Validazione Determinare quanto siano significativi i risultati in output alla simulazione: o Nel caso in cui esista un applicazione reale di un sistema simile a quello simulato, occorre confrontare i dati di output della simulazione con quelli rilevati dal sistema esistente. o E possibile utilizzare test statistici per la validazione. o In assenza di un sistema reale di confronto, i risultati devono essere validati da un esperto. o La validazione di un modello deve tenere in conto sia i dati storici che il comportamento futuro (usando la predizione) del sistema. 42/73
22 Analisi dell Output Obiettivi: Concetti e metodologie di base per l analisi dell output di un modello di simulazione al fine di ottenere dei risultati significativi ed utili per l interpretazione e lo studio del sistema reale. Argomenti: Introduzione Stima Puntuale e Stima dell Intervallo Classificazione degli studi di simulazione: Terminanti Steady-State Metodi per l analisi dell Output 43/73 Introduzione L Analisi dell Output per un modello di simulazione rappresenta l insieme di attività che consentono di esaminare i dati generati da una simulazione. In particolare, il suo principale obiettivo è quello di predire le performance di un sistema o di confrontare le performance di due o più sistemi alternativi. La necessità di un analisi statistica dei risultati di una simulazione risiede proprio nella natura variabile e stocastica del modello di simulazione. I risultati di una simulazione rappresentano delle stime del parametro in esame. La precisione di uno stimatore, misurata con la varianza, è fortemente correlata al modo con cui l analisi dell output è stata condotta. Alcuni degli argomenti toccati dall analisi dell output sono: Stima puntuale, Stima dell intervallo (ovvero misura dell errore nella stima puntuale), condizioni iniziali, tipo di simulazione (terminante o steady-state), ecc.. 44/73
23 Introduzione Se le performance di un sistema sono valutate per mezzo del parametro θ, il risultato di una singola simulazione rappresenterà solo una singola osservazione di θ. La precisione dello stimatore può essere misurata attraverso la varianza. L obiettivo dell analisi statistica è di stimare questa varianza, o di determinare il numero di osservazioni necessarie per ottenere una desiderata precisione. Sia l output di una simulazione identificato con una variabile casuale discreta X, costituita da n osservazioni: {X 1, X 2,, X n } 45/73 Stima Puntuale Una stima del valore del parametro θ sconosciuto è detto Stima Puntuale di quel parametro. Dato l output {X 1, X 2,, X n } di una simulazione, definiamo stimatore puntuale di θ la seguente quantità: dove rappresenta la media campione basata sulle n osservazioni. Lo stimatore puntuale θˆ è detto corretto o non distorto (unbiased) per il parametro θ se: θˆ 1 θˆ = n i= 1 La distorsione (bias) di uno stimatore è definita come: B n E( ˆ θ ) = θ X i ( ˆ θ ) = E( ˆ θ ) θ 46/73
24 Stima dell Intervallo Spesso non è possibile avere uno stimatore corretto, ovvero con distorsione nulla, e pertanto si cerca di ottenerne uno caratterizzato da una piccola bias relativamente alla grandezza di θ. Benché lo stimatore puntuale sia importante, la sua accuratezza è altrettanto importante. L accuratezza è quantificata dalla stima dell intervallo o intervallo di confidenza per il parametro θ. 47/73 Stima dell Intervallo 48/73
25 Stima dell Intervallo Deviazione Standard dello stimatore 49/73 Stima dell Intervallo 50/73
26 Stima dell Intervallo 51/73 Stima dell Intervallo 52/73
27 Stima dell Intervallo In conclusione, l intervallo di confidenza per il parametro θ con un livello di confidenza pari a 100(1-α)% è dato dalla seguente disequazione: ˆ θ ( ˆ θ ) θ ˆ θ t ˆ σ ( ˆ θ ) t ˆ σ + α / 2, f α / 2, f dove t α/2,f è definito come la P(t t α/2,f ) = α/2 53/73 Classificazione degli studi di Simulazione 54/73
28 Simulazione Terminante Per definizione in un sistema a termine le condizioni iniziali sono fissate e il sistema ritorna sempre alle condizioni iniziali, per esempio sistema vuoto e fermo. Le condizioni iniziali e la lunghezza del run di simulazione e di conseguenza fissato. L obiettivo della simulazione e quello di definire il comportamento del sistema in un fissato intervallo di tempo simulato. 55/73 Simulazione Steady-state L obiettivo della simulazione e definire il comportamento in condizioni di regime. Per definizione in un sistema non a termine le condizioni iniziali non sono fissate. Nella simulazione con modelli stocastici e presente una fase iniziale, fase di transitorio, in cui i valori assunti dai responsi differiscono sostanzialmente dai valori assunti in condizioni di funzionamento a regime, fase di regime. 56/73
29 Simulazione Steady-state I più comuni metodi per ridurre l influenza della fase di transitorio sono: o o o Swamping : lunghi run di simulazione in modo tale che gli effetti del transitorio iniziale siano trascurabili sulla fase di regime. Preloading : scegliere condizioni iniziali simili alle condizioni di funzionamento a regime. Deletion : eliminare dall analisi dei dati i risultati raccolti durante la fase di transitorio. 57/73 Simulazione Steady-state Svantaggi dei metodi: o Swamping : elevati run di simulazione comportano elevati tempi di calcolo e non assicurano l eliminazione degli effetti della fase di transitorio. o Preloading : difficoltà nella determinazione delle condizioni di funzionamento a regime. Nel confronto tra due alternative A e B, che hanno differenti situazioni di funzionamento a regime, quale delle due situazioni utilizzo per definire le condizioni di partenza? o Deletion : non può essere definito un metodo standard per definire il punto in cui troncare la serie dei dati raccolti. 58/73
30 Metodi di Analisi dell Output Generalmente per simulazioni terminanti il metodo di analisi più adottato è quello delle REPLICHE INDIPENDENTI. Al contrario, per simulazioni steady-state il metodo di analisi più adottato è quello dei BATCH-MEANS. 59/73 Analisi dell Output per Sim. Terminanti 60/73
31 Analisi dell Output per Sim. Terminanti 61/73 Analisi dell Output per Sim. Terminanti 62/73
32 Analisi dell Output per Sim. Terminanti 63/73 Analisi dell Output per Sim. Terminanti 64/73
33 Analisi dell Output per Sim. Terminanti 65/73 Analisi dell Output per Sim. Steady-State 66/73
34 Analisi dell Output per Sim. Steady-State Nelle simulazioni steady-state i due principali problemi da affrontare sono: l individuazione del periodo di warm-up e la determinazione della lunghezza della simulazione. Il periodo di warm-up è costituito da un insieme di osservazioni che non risultano significative rispetto alla misura che si desidera effettuare, in quanto sono legate alle particolari condizioni iniziali (ad es. metodo di Welch). I due principali metodi di analisi dell output in presenza di simulazioni steady-state sono: o o Replication method Batch Means method 67/73 Analisi dell Output per Sim. Steady-State 68/73
35 Analisi dell Output per Sim. Steady-State 69/73 Analisi dell Output per Sim. Steady-State Batch Means Method 70/73
36 Analisi dell Output per Sim. Steady-State Batch Means Method 71/73 Analisi dell Output per Sim. Steady-State Dettagli sul Batch-Means Method 1. Determinare il periodo di warm-up (T 0 ). 2. Eseguire un sufficientemente lungo ed unico run di simulazione. 3. Determinare la dimensione ottima del batch, ovvero la minima dimensione che consente di garantire l indipendenza statistica fra gli stimatori (valor medio delle osservazioni) associati ai singoli batch. o Suddividere il lungo run in singoli batch. Il numero dei batch deve essere compreso tra 100 e 400. Si inizia con pochi ma grandi batch per poi passare a numerosi e più piccoli batch. o Ad ogni partizionamento del lungo run si procede al calcolo del coefficiente di autocorrelazione dei valori medi (lag-1, ovvero separati da un solo passo) associati ai singoli batch. o L operazione di partizionamento si arresta non appena il valore calcolato del coefficiente di autocorrelazione risulta inferiore ad una soglia, pari circa a 0.1, tale da poterlo approssimare, senza grossi problemi, al valor nullo. 72/73
37 Analisi dell Output per Sim. Steady-State Dettagli sul Batch Means Method 4. Dopo aver determinato la dimensione del batch (D ott,batch ), con coefficiente di autocorrelazione minore di 0.1, che garantisce l indipendenza tra i batch, si riorganizzano gli intervalli. 5. Un numero conveniente di batch per un intera simulazione potrebbe essere 30. Si è verificato che un numero di batch superiore a 30 non comporta un rilevante vantaggio. 6. Infine, si determina l evento di fine simulazione (T E =D ott,batch *30) e quindi la lunghezza totale della simulazione T TOT = T 0 + T E. 73/73
Modulo Simulazione Parte 1. Simulazione ad Eventi Discreti: Concetti Base. Organizzazione del modulo
Modulo Simulazione Parte 1 Simulazione ad Eventi Discreti: Concetti Base Ing. R.G. Garroppo Organizzazione del modulo Simulazione ad eventi discreti: concetti base Testo: J. Banks, J.S. Carson, B.L. Nelson
Modelli e Metodi per la Simulazione (MMS)
Modelli e Metodi per la Simulazione (MMS) adacher@dia.uniroma3.it Programma La simulazione ad eventi discreti, è una metodologia fondamentale per la valutazione delle prestazioni di sistemi complessi (di
Introduzione alla Simulazione
Introduzione alla Simulazione Discrete-event simulation (DES) Modelli Stocastici e Dinamici Le variabili di stato cambiano valore solo in corrispondenza di eventi discreti, determinati a loro volta da
TECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE Verifica e validazione dei modelli Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Passi del processo Simulativo Formulare
Simulazione. D.E.I.S. Università di Bologna DEISNet
Simulazione D.E.I.S. Università di Bologna DEISNet http://deisnet.deis.unibo.it/ Introduzione Per valutare le prestazioni di un sistema esistono due approcci sostanzialmente differenti Analisi si basa
Introduzione. Corso di Tecniche di Simulazione, a.a. 2005/2006. Francesca Mazzia. Dipartimento di Matematica Università di Bari.
Introduzione Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 6 Marzo 2006 Francesca Mazzia (Univ. Bari) Introduzione 6/03/2006 1 / 23 Introduzione
Introduzione alla simulazione
Introduzione alla simulazione emiliano.casalicchio@uniroma2.it http://www.uniroma2.it/didattica/mmi I fondamenti (1) Per studiare scientificamente un Sistema è spesso necessario fare delle assunzioni semplificative
MODELLISTICA DI IMPIANTI E SISTEMI Syllabus e Testi di Riferimento Prof. Giuseppe Iazeolla
Syllabus e Testi di Riferimento MIS 1 di 7 MODELLISTICA DI IMPIANTI E SISTEMI Syllabus e Testi di Riferimento Prof. Giuseppe Iazeolla Syllabus da testo 1 (la numerazione fa riferimento ai capitoli del
PRINCIPI GENERALI. Corso di Tecniche di Simulazione, a.a. 2005/2006. Francesca Mazzia. Dipartimento di Matematica Università di Bari.
PRINCIPI GENERALI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 7 Marzo 2006 Francesca Mazzia (Univ. Bari) PRINCIPI GENERALI 7/03/2006
Richiami di inferenza statistica Strumenti quantitativi per la gestione
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Parametri e statistiche Esempi Tecniche di inferenza Stima Precisione delle stime Intervalli
Richiami di inferenza statistica. Strumenti quantitativi per la gestione. Emanuele Taufer
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Inferenza statistica: insieme di tecniche che si utilizzano per ottenere informazioni su una
Sistemi e modelli. Sistemi
Sistemi e modelli Obbiettivo: sviluppare metodologie e strumenti di analisi quantitativa della QoS di sistemi costruzione e soluzione di modelli per la valutazione di prestazioni e affidabilità di sistemi
CALCOLO DELL ERRORE E VALUTAZIONE DI UN METODO ANALITICO
CALCOLO DELL ERRORE E VALUTAZIONE DI UN METODO ANALITICO In chimica analitica un settore importante riguarda il calcolo dell errore e la valutazione della significatività di una misura. Generalmente nell
D.E.I.S. Università di Bologna DEISNet IC3N 2000 N. 1
Programmi per la simulazione D.E.I.S. Università di Bologna DEISNet http://deisnet.deis.unibo.it/ IC3N 2000 N. 1 Introduzione La maggior parte delle simulazione ad eventi discreti richiede le seguenti
MODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai modelli dell ingegneria dei trasporti
Corso di TRASPORTI E TERRITORIO e TEORIA E TECNICA DELLA CIRCOLAZIONE MODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai modelli dell ingegneria dei trasporti DOCENTI Agostino
Un nuovo concetto di classe
Un nuovo concetto di classe Un sistema discreto è caratterizzato dalla particolarità che i suoi cambiamenti di stato hanno luogo a distanza di tempo comunque spaziati; nel simulare un sistema del genere,
La simulazione è l'imitazione di un processo o di un sistema reale per un
1 2 La simulazione è l'imitazione di un processo o di un sistema reale per un determinato periodo di tempo. La simulazione è l'imitazione di un processo o di un sistema reale per un determinato periodo
Sistema : collezione di componenti (elementi, entità) interdipendenti che interagiscono fra loro in accordo a specifiche predefinite.
Sistema : collezione di componenti (elementi, entità) interdipendenti che interagiscono fra loro in accordo a specifiche predefinite. Studio, analisi del sistema al variare delle caratteristiche operative.
Giovanni A. Cignoni 1
Simulazione software di sistemi dinamici Simulazione Lezione n. 2 Corso di Laurea in Informatica Applicata Università di Pisa, sede di La Spezia Giovanni A. Cignoni Simulazione www.di.unipi.it/~giovanni
5. Analisi dei dati di output
Anno accademico 2006/07 Analisi dei dati di Output Y 1, Y 2,..., Y m : output della simulazione. Le variabili casuali Y 1, Y 2,..., Y m non sono in generale indipendenti Se supponiamo però di avere effettuato
VALIDAZIONE DEL MODELLO
VALIDAZIONE DEL MODELLO Validazione del Modello Non è sufficiente stimare il vettore θ per dichiarare concluso il processo di identificazione. E necessario ottenere una misura della sua affidabilità L
Analisi statistica dell output prodotto dalla simulazione
Analisi statistica dell output prodotto dalla simulazione Teso di riferimento: Steven Lavenberg "Computer Performance Modeling Handbook" Academic Press, Il simulatore realizza un adeguato modello del
IL PROCESSO di PROGETTAZIONE
IL PROCESSO di PROGETTAZIONE In questa lezione vedremo: Ruolo della modellazione nella comunicazione tipi di modello nel progetto I modelli del prodotto Interpretazione delle informazioni del progetto
Verifica e validazione dei modelli
Verifica e validazione dei modelli Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 12 Maggio 2006 Francesca Mazzia (Univ. Bari) Verifica
Introduzione alla simulazione
Introduzione alla simulazione Simulazione & Logistica, I modulo Lezione n. 1 Corso di Laurea in Informatica Applicata Università di Pisa, sede di La Spezia A.a. 2008/09, I semestre Giovanni A. Cignoni
Matematica per psicologi
Matematica per psicologi Docente: prof. Gabriella Caristi, E-mail: caristi@units.it http://www.dsm.univ.trieste.it/~caristi Tel.: 040 558 2605 Testo: Statistical methods for the social sciences, A. Agresti-B.
Elementi di Automazione Lezione 2 - Sistemi e modelli
Elementi di Automazione Lezione 2 - Sistemi e modelli Ing. Gianmaria De Tommasi A.A. 2006/07 1 2 Modello di 3 Modelli Ingresso-Stato-Usicta (I-S-U) per sistemi dinamici Definizione qualitativa di sistema
TECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE Analisi e scelta dei dati di input Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Dati di input Per l esecuzione di una
Esercitazioni di Sistemi di commutazione LS
Esercitazioni di Sistemi di commutazione LS Ing. ichele Savi DEIS - Universita di Bologna msavi@deis.unibo.it Analisi di architetture di commutazione Valutazione delle prestazioni di architetture di commutazione:
Il calcolo del VAR operativo mediante la metodologia stocastica parametrica. Simona Cosma
Il calcolo del VAR operativo mediante la metodologia stocastica parametrica Simona Cosma Contenuti Il VAR operativo: inquadramento concettuale La metodologia attuariale EVT (Extreme Value Theory) Il VAR
Teoria dei Fenomeni Aleatori AA 2012/13
Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono
Indice. Prefazione all edizione italiana. Gli Autori e i Curatori dell edizione italiana PARTE PRIMA ASPETTI GENERALI
Indice Prefazione all edizione italiana Gli Autori e i Curatori dell edizione italiana XI XII PARTE PRIMA ASPETTI GENERALI Capitolo 1. Introduzione 1 1.1 La psicologia scientifica 1 1.2 I contesti della
Modellazione di sistemi ingegneristici (parte 2 di 2)
Corso di Teoria dei Sistemi Modellazione di sistemi ingegneristici (parte 2 di 2) Prof. Ing. Daniele Testi DESTeC, Dipartimento di Ingegneria dell Energia, dei Sistemi, del Territorio e delle Costruzioni
Analisi dei Processi Chimici e. Biotecnologici Anno Accademico
Biotecnologici Anno Accademico 2017 2018 Massimiliano Grosso E-mail: massimiliano.grosso@dimcm.unica.it Telefono: 070 675 5075 Indirizzo web: http://people.unica.it/massimilianogrosso Obiettivi del Gli
Parametri e statistiche. Parametri e statistiche. Distribuzioni campionarie. Popolazione Parametri Valori fissi, Statistiche o Stimatori.
Parametri e statistiche Popolazione Parametri Valori fissi, spesso non noti Campione Statistiche o Stimatori Variabili casuali, le cui determinazioni dipendono dalle particolari osservazioni scelte Parametri
Analisi statistica classica. Analisi statistica in simulazione. Stima della media. Stima della media
Analisi statistica in simulazione Analisi statistica classica Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati Analisi dei dati di di input definizione
Cenni di statistica statistica
Cenni di statistica La statistica è una disciplina che ha come fine lo studio quantitativo e qualitativo di un particolare fenomeno in condizioni di incertezza o non determinismo, ovvero di non completa
Analisi e scelta dei dati di input
Analisi e scelta dei dati di input Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) Analisi e
Misura della performance di ciascun modello: tasso di errore sul test set
Confronto fra modelli di apprendimento supervisionato Dati due modelli supervisionati M 1 e M costruiti con lo stesso training set Misura della performance di ciascun modello: tasso di errore sul test
E relativamente semplice realizzare una simulazione. E difficile realizzare modelli accurati. Esamineremo aspetti relativi alla validazione e
E relativamente semplice realizzare una simulazione. E difficile realizzare modelli accurati. Esamineremo aspetti relativi alla validazione e verifica dei modelli di simulazione. 1 2 Verifica e Validazione
UML Introduzione a UML Linguaggio di Modellazione Unificato. Corso di Ingegneria del Software Anno Accademico 2012/13
UML Introduzione a UML Linguaggio di Modellazione Unificato Corso di Ingegneria del Software Anno Accademico 2012/13 1 Che cosa è UML? UML (Unified Modeling Language) è un linguaggio grafico per: specificare
λ è detto intensità e rappresenta il numero di eventi che si
ESERCITAZIONE N 1 STUDIO DI UN SISTEMA DI CODA M/M/1 1. Introduzione Per poter studiare un sistema di coda occorre necessariamente simulare gli arrivi, le partenze e i tempi di ingresso nel sistema e di
Università degli Studi di Napoli Federico II CdL Ing. Elettrica Corso di Laboratorio di Circuiti Elettrici
Università degli Studi di Napoli Federico II CdL Ing. Elettrica Corso di Laboratorio di Circuiti Elettrici Dr. Carlo Petrarca Dipartimento di Ingegneria Elettrica Università di Napoli FEDERICO II 1 Introduzione
Analisi dei Processi Chimici e. Biotecnologici Anno Accademico
Biotecnologici Anno Accademico 2017 2018 Massimiliano Grosso E-mail: massimiliano.grosso@dimcm.unica.it Telefono: 070 675 5075 Indirizzo web: http://people.unica.it/massimilianogrosso Outline Obiettivi
Classificazione sistema statico: l uscita y(t) non dipende dall ingresso u(τ), τ < t. sistema dinamico: l uscita y(t) dipende dall ingresso u(τ), τ <
Classificazione dei Modelli Classificazione sistema statico: l uscita y(t) non dipende dall ingresso u(τ), τ < t. sistema dinamico: l uscita y(t) dipende dall ingresso u(τ), τ < t. Classificazione sistema
Introduzione a PSPICE
Università degli Studi di Napoli Federico II CdL Ing. Elettrica Corso di Laboratorio di Circuiti Elettrici Introduzione a PSPICE Dr. Carlo Petrarca Dipartimento di Ingegneria Elettrica Università di Napoli
Processi decisionali e modelli di simulazione
Anno accademico 2008/09 Il Processo decisionale Realtà Sistema Modello Simulazione Decisioni Il sistema e i suoi confini Modelli I modelli sono lo strumento normale con cui interagiamo con la realtà, la
TECNICO SUPERIORE PER L AUTOMAZIONE INDUSTRIALE
UNITA CAPITALIZZABILI PER LA FIGURA PROFESSIONALE TECNICO SUPERIORE PER L AUTOMAZIONE INDUSTRIALE ISTRUZIONE E FORMAZIONE TECNICA SUPERIORE 73 74 ISTRUZIONE E FORMAZIONE TECNICA SUPERIORE UNITÀ CAPITALIZZABILE
STIMARE GLI ELEMENTI ECONOMICI DI UN ALTERNATIVA (O DI UN PROGETTO)
STIMARE GLI ELEMENTI ECONOMICI DI UN ALTERNATIVA (O DI UN PROGETTO) Stime economiche di un investimento Aspetto CRITICO ma COMPLESSO ELEMENTI DI COMPLESSITA - Tecnici - Economici - Organizzativi Per stimare
Statistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
2 Simulazione. rappresentare sistemi reali anche complessi tenendo conto anche delle sorgenti di incertezza;
2 Simulazione Con il termine simulazione si intende la riproduzione del comportamento di un sistema. In generale, si parla di simulazione sia nel caso in cui viene utilizzato un modello concreto, sia nel
I Fondamenti della Simulazione. Concetto di Sistema. Confronto tra modelli matematici e modelli simulativi Meccanismi i di avanzamento del tempo
Agenda Introduzione alla simulazione AA 27/28 I Fondamenti della Simulazione Cosa è e a cosa serve Concetto di Metodi per studiare il comportamento di un sistema Confronto tra modelli matematici e modelli
Sistemi e modelli. Introduzione alla simulazione. Obbietivi. Motivazioni
Introduzione alla simulazione Sistemi e modelli Obbiettivo: simulazione discreta per l analisi quantitativa della QoS di sistemi costruzione di modelli di simulazione soluzione della simulazione: generazione
Introduzione alla simulazione
Introduzione alla simulazione Obbiettivo: simulazione discreta per l analisi quantitativa della QoS di sistemi costruzione di modelli di simulazione soluzione della simulazione: generazione e analisi della
INTRODUZIONE AD OMNET++
INTRODUZIONE AD OMNET++ Omnet++ OMNET++ è una piattaforma di simulazione : È utile per: Modulare: gerarchia di moduli Ad eventi Orientata agli Oggetti (in C++) Open Source Versione comm. OMNEST analizzare
2. Simulazione discreta: approcci alla simulazione
Anno accademico 2008/09 Elementi di un programma di simulazione Controllore Tempo di simulazione Generatore dei dati di input Entità Eventi Attività Stati Processi Simulazione per eventi: le classi L approccio
Sistemi e Modelli. 1.1 Definizione di sistemi e modelli
Sistemi e Modelli In questo capitolo vengono introdotti i concetti e una classificazione dei sistemi e dei modelli ed il procedimento di creazione ed uso di un modello al fine di valutare le prestazioni
18/05/2014. Università di Ferrara Corso di Ingegneria del Software AA 2013/2014
Università di Ferrara Corso di Ingegneria del Software AA 2013/2014 La misura come strumento scientifico Misure, metriche e indicatori Metriche del software Metriche per software orientato agli oggetti
Modelli matematici e Data Mining
Modelli matematici e Data Mining Introduzione I modelli matematici giocano un ruolo critico negli ambienti di business intelligence e sistemi di supporto alle decisioni. Essi rappresentano un astrazione
Maria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
STATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
DI IDROLOGIA TECNICA PARTE III
FACOLTA DI INGEGNERIA Laurea Specialistica in Ingegneria Civile N.O. Giuseppe T. Aronica CORSO DI IDROLOGIA TECNICA PARTE III Idrologia delle piene Lezione XIX: I metodi indiretti per la valutazione delle
Tecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
Corso di probabilità e statistica
Università degli Studi di Verona Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Corso di probabilità e statistica (Prof. L.Morato) Esercizi Parte IV: statistica inferenziale a cura di: S.Poffe
05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
BLAND-ALTMAN PLOT. + X 2i 2 la differenza ( d ) tra le due misure per ognuno degli n campioni; d i. X i. = X 1i. X 2i
BLAND-ALTMAN PLOT Il metodo di J. M. Bland e D. G. Altman è finalizzato alla verifica se due tecniche di misura sono comparabili. Resta da comprendere cosa si intenda con il termine metodi comparabili
Modellazione di sistemi ingegneristici (parte 1 di 2)
Corso di Teoria dei Sistemi Modellazione di sistemi ingegneristici (parte 1 di 2) Prof. Ing. Daniele Testi DESTeC, Dipartimento di Ingegneria dell Energia, dei Sistemi, del Territorio e delle Costruzioni
ANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
Tel Web:
UNIVERSITÀ DEGLI STUDI DI PAVIA FACOLTÀ DI INGEGNERIA Introduzione a Network Simulator 2 Emanuele Goldoni Riferimenti Emanuele Goldoni Laboratorio Reti (MN) Tel. 376-286234 Web: http://netlab-mn.unipv.it
Approccio alla modellizzazione, alla simulazione e al test di protocolli di rete Sistemi Wireless, a.a. 2011/2012
Approccio alla modellizzazione, alla simulazione e al test di protocolli di rete Sistemi Wireless, a.a. 2011/2012 Un. of Rome La Sapienza Chiara Petrioli Department of Computer Science University of Rome
Tipi di variabili. Indici di tendenza centrale e di dispersione
Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)
LA RICERCA OPERATIVA (R.O.)
LA RICERCA OPERATIVA (R.O.) La R.O. si sviluppo' in Inghilterra durante la seconda guerra mondiale nello studio di problem di difesa militare, successivamente, negli Stati Uniti, fu impiegata per lo studio
Basi di Dati: Introduzione
Basi di Dati: Introduzione Tutte le organizzazioni trattano informazioni che vanno individuate, raccolte e memorizzate per RECUPERARLE AGGIUNGERLE MODIFICARLE CANCELLARLE Necessità nata molto prima dell
RICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
C.I. di Metodologia clinica
C.I. di Metodologia clinica Modulo 5. I metodi per la sintesi e la comunicazione delle informazioni sulla salute Quali errori influenzano le stime? L errore casuale I metodi per la produzione delle informazioni
Utilizzato per trattenere entità che vengono poi successivamente rilasciate e tipicamente per: trattenere entità che devono ricevere un
Utilizzato per trattenere entità che vengono poi successivamente rilasciate e tipicamente per: trattenere entità che devono ricevere un autorizzazione; controllare lo stato di una macchina o di un operatore
Stima diretta della domanda di trasporto
Corso di PIANIFICAZIONE DEI TRASPORTI Prof. Ing. Agostino Nuzzolo Aprile 005 Stima diretta della domanda di trasporto Stima della domanda di trasporto STIMA DELLA DOMANDA ATTUALE STIMA DELLA DOMANDA ATTUALE
MODELLO e RAPPRESENTAZIONE
MODELLO e RAPPRESENTAZIONE I calcolatori elaborano informazione e restituiscono nuova informazione: questa deve essere rappresentata in forma simbolica Esempio : Per poter gestire una biblioteca dobbiamo
La progettazione di un indagine statistica
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Outline 1 L indagine campionaria 2 3 Outline 1 L indagine campionaria 2 3 L indagine campionaria [1/2] Principalmente influenzata da: tempi costi
Indice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
C.I. di Metodologia clinica
C.I. di Metodologia clinica Modulo 5. I metodi per la sintesi e la comunicazione delle informazioni sulla salute Obiettivo Conoscere e utilizzare i principali strumenti per organizzare e descrivere le
3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
Lezione 1. 1 Probabilità e statistica. 2 Definizioni di probabilità. Statistica e analisi dei dati Data: 22 Febbraio 2016
Statistica e analisi dei dati Data: 22 Febbraio 2016 Lezione 1 Docente: Prof. Giuseppe Boccignone Scriba: Nicolò Pisaroni 1 Probabilità e statistica Probabilità: Un modello probabilistico é una descrizione
L azienda, i dati, le informazioni e la statistica. Lo statistico che lavora nel campo aziendale dovrebbe avere le seguenti capacità:
L azienda, i dati, le informazioni e la statistica Lo statistico che lavora nel campo aziendale dovrebbe avere le seguenti capacità: saper formulare in termini statistici quesiti posti in linguaggio naturale;
Corso in Statistica Medica
Corso in Statistica Medica Introduzione alle tecniche statistiche di elaborazione dati Intervalli di confidenza Dott. Angelo Menna Università degli Studi di Chieti G. d Annunziod Annunzio Anno Accademico
Statistica Metodologica Avanzato Test 1: Concetti base di inferenza
Test 1: Concetti base di inferenza 1. Se uno stimatore T n è non distorto per il parametro θ, allora A T n è anche consistente B lim Var[T n] = 0 n C E[T n ] = θ, per ogni θ 2. Se T n è uno stimatore con
Fondamenti statistici : Test d Ipotesi (1)
Fondamenti statistici : Test d Ipotesi (1) Ipotesi statistica: È una assunzione formulata su un particolare aspetto della popolazione considerazioni teoriche Informazioni relative a popolazioni analoghe
Strumentazione biomedica
UNIVERSITÀ DI PISA Corso di Laurea in Scienze Motorie Tecnologie e strumentazione biomedica Caratteristiche della strumentazione biomedica Nicola Vanello Dipartimento di Ingegneria dell Informazione A
Contenuto del capitolo
Capitolo 8 Stima 1 Contenuto del capitolo Proprietà degli stimatori Correttezza: E(Stimatore) = parametro da stimare Efficienza Consistenza Intervalli di confidenza Per la media - per una proporzione Come
- 2 - Introduzione a Network Simulator (NS)
Politecnico di Milano Dipartimento di Elettronica e Informazione - 2 - Introduzione a Network Simulator (NS) Laboratorio di Reti di Telecomunicazione 1 Informazioni e link Sito dei Laboratori di Reti di
L indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
Teoria e tecniche dei test
Teoria e tecniche dei test Lezione 9 LA STANDARDIZZAZIONE DEI TEST. IL PROCESSO DI TARATURA: IL CAMPIONAMENTO. Costruire delle norme di riferimento per un test comporta delle ipotesi di fondo che è necessario
- 2 - Introduzione a Network Simulator (NS)
Politecnico di Milano Dipartimento di Elettronica e Informazione - 2 - Introduzione a Network Simulator (NS) Laboratorio di Reti di Telecomunicazione 1 Informazioni e link Sito dei Laboratori di Reti di
LETTURA CRITICA DELLA LETTERATURA SCIENTIFICA
LA STATISTICA NELLA RICERCA Raccolta dei dati Elaborazione Descrizione Una raccolta di dati non corretta, una loro presentazione inadeguata o un analisi statistica non appropriata rendono impossibile la
sistemi di controllo di gestione
sistemi di controllo di gestione SG001 1 Una classificazione delle informazioni Informazioni consistono di Informazioni non quantitative Informazioni quantitative consistono di Informazioni monetarie Informazioni