Modelli di utilità aleatoria

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Modelli di utilità aleatoria"

Transcript

1 Corso d Teora de Sstem d Trasporto + prof. ng. Antono Com gugno 8

2 Struttura del sstema d modell per la smulazone de sstem d trasporto Modell d offerta OFFERTA DI INFRASTRUTTURE E SERVIZI DI TRASPORTO MODELLO DI LOCALIZZAZIONE E LIVELLO DELLE ATTIVITÀ SISTEMI DELLE ATTIVITÀ MODELLO DI OFFERTA Ret d trasporto Attrbut d lvello d servzo (temp, cost MODELLO DI DOMANDA Fluss MODELLI DI ASSEGNAZIONE MATRICI OD Funzon d prestazone Valutazone effett MODELLO DEL SISTEMA DI TRASPORTO

3 ( Ipotes general I modell d utltà aleatora (o casuale s basano sulla potes che ogn utente sa un decsore razonale ovvero un massmzzatore dell utltà relatva alle propre scelte: a Il generco decsore nell effettuare la scelta consdera tutte le m alternatve dsponbl che costtuscono l suo nseme d scelta I. L nseme d scelta può essere dfferente per utent dvers. b Il decsore assoca a cascuna alternatva del suo nseme d scelta una utltà o attrattvtà percepta U e scegle l alternatva che massmzza tale utltà. 3

4 ( Ipotes general c L utltà assocata a cascuna alternatva d scelta dpende da una sere d caratterstche msurabl o attrbut propr dell alternatva stessa e del decsore U U (X con: X vettore degl attrbut relatv all alternatva e al decsore. d L utltà assocata dal generco decsore all alternatva non è nota con certezza all osservatore esterno (analsta, e pertanto è rappresentata come una varable aleatora. 4

5 Modello probablstco d scelta p I Pr U U, I posto: Utltà sstematca U V + I Var U V E U, Resduo aleatoro s ha: ( E U V ( Var V ( E Var (, p I Pr V V, I 5

6 Esempo Scelta del percorso Inseme delle alternatve I A, B v A 3 mh v B 5 mh d m O A U A U (X A D decsore B U B U (X B p I Pr U U, I 6

7 Espressone dell utltà sstematca L utltà sstematca rappresenta la meda dell utltà percepta fra tutt gl ndvdu che hanno gl stess valor degl attrbut. È espressa come funzone d attrbut relatv alle alternatve e al decsore: V con ndce del generco attrbuto. ( X In genere per ragon d convenenza analtca s assume che la utltà sstematca V sa una funzone lneare ne coeffcent b degl attrbut o d loro trasformazon funzonal: V ( X b X b X T 7

8 Esempo Scelta del percorso Attrbut Attrbut lvello d servzo tempo d vaggo costo d vaggo Attrattvtà del percorso confort pacevolezza.. 8

9 Esempo Scelta del percorso Utltà percepta e sstematca UA VA + V A A E U A,A Var U A UB VB + B VB E U B,B Var U B Tempo d vaggo V b X b T + b C A A A A B b B b B + b B V X T C Costo d vaggo 9

10 Classfcazone degl attrbut (3 Attrbut d lvello d servzo: attrbut propr del sstema d trasporto (es. temp, cost, frequenza de servz, comfort etc.. Attrbut del sstema d attvtà: attrbut dpendent dall uso del terrtoro dell area d studo (es. numero d negoz o numero d scuole d una zona. Attrbut soco-economc: attrbut propr dell utente o del suo nucleo famlare (es. possesso d patente, numero d autovetture possedute n famgla etc..

11 Classfcazone degl attrbut (3 Attrbut generc: attrbut che compaono con stessa forma funzonale e stesso coeffcente n pù d una alternatva. Attrbut specfc: attrbut che compaono con forme funzonal eo coeffcent dvers n dverse alternatve.

12 Classfcazone degl attrbut (33 Attrbuto Specfco dell Alternatva (ASA: rappresenta attrbut non esplctamente consderat nella funzone d utltà (dfferenza fra l utltà meda e quella spegata dagl altr attrbut utlzzat.

13 Esempo Scelta modale Inseme delle alternatve I ped, auto, bus V ped b t p V auto b t pa + b t ba + b 3 c a + b 4 DISP + b 5 REDD + b 6 AUTO V bus b t pb + b t bb + b 3 c b + b 7 t wb + b 8 BUS Attrbut Specfc della Alternatva AUTO BUS Attrbut d Lvello d Servzo t b tempo a bordo (generco t w tempo d attesa alla fermata (specfco t p tempo a ped (generco c costo monetaro (generco Attrbut Soco-Economc DISP n auton patentat REDD se reddto> 3. ; altrment 3

14 Cause d aleatoretà dell utltà percepta ( Error dell analsta Approssmazon nella msura degl attrbut consderat nella funzone d utltà sstematca (es. attrbut d lvello d servzo rcavat con un modello d rete Attrbut omess: varabl non osservabl drettamente, d dffcle valutazone o comunque non ncluse nel vettore d attrbut (es. comfort d marca, affdabltà del tempo totale d vaggo 4

15 Cause d aleatoretà dell utltà percepta ( Error d ch scegle Varazon d gust o d preferenze fra decsor (es. dstanza da percorrere a ped e, per lo stesso decsore, nel tempo a causa del verfcars d dverse condzon fsche o pscologche. Error nelle valutazone degl attrbut da parte del decsore (es. valutazon errate del tempo d vaggo. 5

16 Inseme d scelta L nseme delle alternatve dsponbl I probabltà d scelta delle stesse condzona sgnfcatvamente la Se tale nseme non è noto all analsta (o non s può assumere come tale deve essere smulato: modellzzazone mplcta dell nseme d scelta: vene smulata la percezonedsponbltà d una alternatva mplctamente nel modello d scelta d tale alternatva (es. ntroduzone nella funzone d utltà d varabl d percezone come la dsponbltà dell auto modellzzazone esplcta dell'nseme d scelta: vene smulata la generazone del choce-set (nseme d scelta esplctamente n un modello separato 6

17 Inseme d scelta Modellzzazone esplcta con: p C generco choce-set G nseme costtuto da tutt possbl choce-set non vuot per l ndvduo. p (C probabltà congunta che s verfch l evento: C choce set dell ndvduo alternatva scelta dall ndvduo ( ( p C p ( C p ( C CG CG p (C probabltà che l ndvduo scelga l alternatva essendo C l suo choce set p (C probabltà che C sa l choce set dell ndvduo. 7

18 Il modello Logt ( Ipotes: resdu aleator Indpendentemente ed Identcamente Dstrbut (I.I.D secondo una varable aleatora (v.a. d Gumbel con meda nulla e parametro a : F ε ( x Prob( ε x exp exp( αx Φ con f : costante d Eulero (f.577. E ( ε Var ( ε σ ε π 6α Cov(,, h I h F U V + ε U Prε U V exp exp( α( U V ( U Pr Φ E( U V Var ( U π 6α 8

19 Il modello Logt ( A B C D o π ε 6α A B C D A B C D p( m exp ( αv h exp ( αv h 9

20 Esemp d funzon d denstà d probabltà d Gumbel

21 Propretà delle varabl d Gumbel Propretà della stabltà rspetto alla massmzzazone: Il massmo d varabl d Gumbel ndpendent e d uguale parametro q è ancora una varable d Gumbel d parametro q (a. U G(V, q U M max U G(V M, q con: VM E(U M q log exp(v q (utltà nclusva Y log exp ( V q (varable log-sum

22 Propretà delle varabl d Gumbel Dmostrazone F U M u Probmax U ( u Prob U M,,N u ndpendenza delle U ( U u F ( u exp exp ( u V,,N Prob,,N U,,N q f ( ( ( exp f exp u q exp V q exp exp ( u V exp q f M

23 Modello logt multnomale p( m exp(v exp(v q q + exp (V V q q a caso bnomale: p( A exp( VA q exp( V q + exp( V q + exp ( V V q A B B A P(A q.5 q q q.5 q.5 q V B -V A

24 Modello addtvo nvaranza rspetto all aggunta d costant V' V h + h ( q exp( V q exp ( V + q exp exp V p( m m m exp ( V + q exp exp ( q exp( V q h h h ( q ( V q (propretà valda per tutt modell addtv h V attrbut specfc dell alternatva (ASA possono comparre n tutte le alternatve meno una V' + b b p( m exp ( b + V' exp q CSA exp( V' ( b + V' q exp( V' q + exp(( b b + V' q q

25 Indpendenza delle Alternatve Irrlevant (I.I.A. Nel modello Logt l rapporto delle probabltà d scelta d due alternatve è costante ed ndpendente dal numero e dalla utltà sstematca delle altre, eventual, alternatve d scelta: p ( p( h exp V exp V ( q ( q Questa propretà può comportare de problem quando le alternatve sono sml h V Auto V Bus blu p ( Auto p( Busblu.5 p p( Auto ( Busblu V p Auto V Bus blu V Bus rosso ( Auto p( Busblu p( Bus rosso.33 p p( Auto ( Busblu

26 Esempo Scelta del percorso Modello Logt Multnomale,.. d A B. G ( q E ( A Var ( A 6a E ( B Var ( B 6a Cov(, Cov(, A B B A ( p A ( p B a ( A ( A ( B a ( B ( ( exp V a exp a V + exp a V q exp V a exp a V + exp a V q A B V b T + b C V b T + b C A A A B B B 6

27 Esempo Scelta del percorso O B A I temp espress n mnut e cost n Euro. D I A,B exp a ( VA ( ( v A 3 mh v B 5 mh d m V.T.93 C V.T.93C A A A B B B p(a p(b p(a exp a V + exp a V A B T A C A.86 V A -5.6 T B 4 C B.3 V B -4.6 α. α. α. p A p B

28 Esempo Scelta del percorso Indagne su utent: A 7 utent B 73 utent a. Aumento del costo del percorso A del 5% T A C A.4 V A -6. T B 4 C B.3 V B -4.6 p A.8 p B.8 D A -34% D B 3% 8

29 Appendce 9

30 Il modello Logt Gerarchzzato a lvello U V + V + + I E E E o, q q con: p( p ( p( p ( p( p( probabltà d scelta dell alternatva probabltà d scelta dell alternatva dato l gruppo probabltà d scelta del gruppo 3

31 3 Probabltà d scelta dell alternatva dato l gruppo [p(] I V U +,, I V prob(v U prob(u p( Ipotes: resdu delle alternatve dsponbl ad ogn nodo d decsone sono I.I.D. Gumbel (, I α π τ Var, I τ E, I α G τ 6 ( (, I αv αv p exp( exp( (

32 3 Probabltà d scelta del gruppo [p(] ( ( ( I I * V max max U U + + ( + I I * * Y V exp( ln max V E E U V a a a * * * ε Y α η τ θy U ( α G τ *, h ε ε Y α Y α prob U U prob p h h h ( ( ( * * * * propretà d stablta rspetto alla massmzzazone della v.a. d Gumbel

33 Probabltà d scelta del gruppo [p(] ( Ipotes: resdu delle alternatve dsponbl ad ogn nodo d decsone sono I.I.D. Gumbel * ε G E Var (, α ( ε ( ε π 6α * o * con: Var p( exp( Y α α h exp( Yhαo α τ α exp( δ Y h exp( δ Y ( ( * ε Var δ 33 α h α α

34 34 Probabltà totale d scelta dell alternatva [p(] ( ( ( h h I δy δy αv αv p p p exp( exp( exp( exp( ( ( α π ε Var ε Var * 6 ( ( ( ( ( ( ( (, Var E E E E E, Cov ( ( ( α α π τ Var ε Var η Var 6

35 Matrce varanza-covaranza La matrce varanza-covaranza de resdu aleator del modello Logt Gerarchzzato ha una struttura dagonale a blocch. o, q o q q Auto Moto Ped Bus Metro π 6 Auto Moto Ped αo αo α αo α αo Bus α o Metro α α o o α α o α α o Auto Moto Ped Bus Metro 35

36 36 Modello Probt Ipotes: (, MVN E Var Cov h h ( ( ( m m m m m m m ( m U U N T U U U..dU du det ( ( ( exp ( p m + V U V U

37 Varable d soddsfazone U max U I ( S ( V E U ( E max + ( U E max V ε max V + ε f ( ε dε I Propretà della var. d soddsfazone per modell addtv: ( V max( V s s( V p( V se I.I.D Gumbel (,a: A B V A 5 V B 7 α A B ( log exp ( α V s V V 37 A 5 V B 7 S 7.7 S 7.7 A B C V A 5 V B 7 V A 5 V B 7 V C 4 S 7,7 S 7.7 a exp( a V log exp ( a V exp( a V a p( V a exp( a V exp( a V

38 Esempo numerco d Nested Logt (NL IND COL V IND + V AUTO V (V COL BUS + V V BUS TRAM V COL + V TRAM AUTO BUS TRAM p( p( p( p( J exp(v q exp(v q p( exp( Y h exp( Y h p( BUS COL exp(v bus exp(v bus q q + exp(v tram q Y ( exp(v q + exp(v q ln( exp(v q ln( V q ln Col bus tram + ( exp(v q V q YInd ln auto

39 Esempo numerco d Nested Logt (NL p( COL exp( Y exp( Y Col Col + exp( Y Ind exp( ln + V q exp( ln exp( ln + bus o exp( ln + Vbus q o + exp(vauto q o + p( col 3 p( col p( bus 3 3 p( bus 4

Modelli di utilità aleatoria

Modelli di utilità aleatoria Corso d Teora de Sstem d Trasporto + prof. ng. Antono Com gugno 9 Struttura del sstema d modell per la smulazone de sstem d trasporto Modell d offerta OFFERTA DI INFRASTRUTTURE E SERIZI DI TRASPORTO MODELLO

Dettagli

MODELLI DI UTILITÀ ALEATORIA

MODELLI DI UTILITÀ ALEATORIA corso d Teora e Tecnca della Crcolazone + Trasport e Terrtoro a.a. 2012-2013 MODELLI DI UTILITÀ ALEATORIA PROF. ING. UMBERTO CRISALLI Dpartmento d Ingegnera dell Impresa crsall@ng.unroma2.t Modell d utltà

Dettagli

Modelli di utilità aleatoria

Modelli di utilità aleatoria corso d Teora de Sstem d Trasporto Modell d utltà aleatora PROF. ING. UMBERTO CRISALLI Dpartmento d Ingegnera dell Impresa crsall@ng.unroma.t Iscrzone al corso Modell d offerta ü Da effettuars anche on

Dettagli

Richiami di modelli di utilità aleatoria

Richiami di modelli di utilità aleatoria Corso d LOGISTICA TERRITORIALE www.unroma.t/ddattca/lt DOCENTE prof. ng. Agostno Nuzzolo Rcham d modell d utltà aleatora prof. ng. Agostno Nuzzolo - Corso d Logstca Terrtorale Modell d domanda e utltà

Dettagli

Corso di TEORIA DEI SISTEMI DI TRASPORTO. prof. ing. Umberto Crisalli

Corso di TEORIA DEI SISTEMI DI TRASPORTO. prof. ing. Umberto Crisalli Corso d TEORIA DEI SISTEMI DI TRASPORTO rof. ng. Umberto Crsall Modell d utltà aleatora Iscrzone al corso Modell d offerta Da effettuars anche on lne htt:delh.unroma.t Struttura del sstema d modell er

Dettagli

Modelli di domanda e utilità aleatoria

Modelli di domanda e utilità aleatoria La domanda d mobltà Corso d PIANIFICAZIONE DEI TRASPORTI Prof. Ing. Agostno Nuzzolo Marzo 005 Struttura del sstema d modell er la smulazone de sstem d trasorto Modello del sstema d trasorto OFFERTA DI

Dettagli

Valutazione dei Benefici interni

Valutazione dei Benefici interni Corso d Trasport Terrtoro prof. ng. Agostno Nuzzolo Valutazone de Benefc ntern Valutazone degl ntervent Indvduazone degl effett rlevant La defnzone degl effett rlevant per un ntervento sul sstema d trasporto

Dettagli

corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A MODELLI DI DOMANDA

corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A MODELLI DI DOMANDA Thanks to Barbara Montemaran for her kndly support n sldes updatng corso d Teora de Sstem d Trasporto Sostenbl 6 CFU A.A. 2017-2018 MODELLI DI DOMANDA Prof. Ing. Umberto Crsall Dpartmento d Ingegnera dell

Dettagli

MODELLI DI DOMANDA E UTILITÀ ALEATORIA

MODELLI DI DOMANDA E UTILITÀ ALEATORIA MODELLI DI DOMANDA E TILITÀ ALEATORIA SPOSTAMENTO: RISLTATO DI NMEROSE SCELTE COMPITE DAGLI TENTI DEL SERVIZIO DI TRASPORTO MODELLI DI DOMANDA: TENTANO DI RIPRODRRE I COMPORTAMENTI DI SCELTA DI TRASPORTO

Dettagli

Teoria dei Sistemi di Trasporto (9 CFU) A. A Modelli di domanda. prof. ing. Antonio Comi

Teoria dei Sistemi di Trasporto (9 CFU) A. A Modelli di domanda. prof. ing. Antonio Comi Teora de Sstem d Trasporto 1 + 2 (9 CFU) A. A. 2017-2018 Modell d domanda prof. ng. Antono Com Department of Enterprse Engneerng Unversty of Rome Tor Vergata Prof. Ing. Antono Com Teora de Sstem d Trasporto

Dettagli

Mobilità per acquisti

Mobilità per acquisti Corso d LOGISTICA TERRITORIALE http://ddattca.unroma2.t/ DOCENTE prof. ng. Agostno Nuzzolo Mobltà per acqust Trasporto merc Defnzon Zona d produzone (f) Produttore Fluss d merce (modell I-O) Vecol commercal

Dettagli

Definizione del problema

Definizione del problema Corso d Gestone ed Eserczo de Sstem d Trasporto www.unroma2.t/ddattca/gest t/dd tt /GEST Modell per l assegnazone della domanda alle ret d trasporto aereo Defnzone del problema Modell d domanda segmentazone

Dettagli

Teoria dei Sistemi di Trasporto (9 CFU) A. A Modelli di domanda. prof. ing. Antonio Comi

Teoria dei Sistemi di Trasporto (9 CFU) A. A Modelli di domanda. prof. ing. Antonio Comi Teora de Sstem d Trasporto 1 + 2 (9 CFU) A. A. 2016-2017 Modell d domanda prof. ng. Antono Com Department of Enterprse Engneerng Unversty of Rome Tor Vergata Prof. Ing. Antono Com Teora de Sstem d Trasporto

Dettagli

CORSO DI STUDI E VALUTAZIONI AMBIENTALI A.A

CORSO DI STUDI E VALUTAZIONI AMBIENTALI A.A CORSO DI STUDI E VALUTAZIONI AMBIENTALI A.A. 2012-2013 1 INDICE 1 STIMA DELLA DOMANDA DI TRASPORTO 3 1.1 Moello generazone 3 1.2 Moello strbuzone 4 1.3 Moello scelta moale 5 1.4 Stma elle sottomatrc scambo

Dettagli

Corso di PIANIFICAZIONE DEI TRASPORTI 1 Prof. Ing. Agostino Nuzzolo. I modelli di domanda

Corso di PIANIFICAZIONE DEI TRASPORTI 1 Prof. Ing. Agostino Nuzzolo. I modelli di domanda Corso d PIANIFICAZIONE DEI TRASPORTI 1 Prof. Ing. Agostno Nuzzolo 1 Struttura del sstema d modell per la smulazone de sstem d trasporto OFFERTA DI INFRASTRUTTURE E SERVIZI DI TRASPORTO MODELLO DI DI LOCALIZZAZIONE

Dettagli

Corso di TRASPORTI E AMBIENTE. ing. Antonio Comi Ottobre 2012. Modelli di domanda

Corso di TRASPORTI E AMBIENTE. ing. Antonio Comi Ottobre 2012. Modelli di domanda Corso d TRASPORTI E AMBIENTE ng. Antono Com Ottobre 2012 Modell d domanda 1 Struttura del sstema d modell per la smulazone de sstem d trasporto OFFERTA DI INFRASTRUTTURE E SERVIZI DI TRASPORTO MODELLO

Dettagli

Misure dirette utilizzate per il calcolo della misura indiretta X:

Misure dirette utilizzate per il calcolo della misura indiretta X: Propagazone degl error Msure drette utlzzate per l calcolo della msura ndretta X: ( ) a a a = ± Δ b = ( b ± Δ b) Il calcolo dell errore assoluto X ( espresso nella stessa untà d msura della grandezza X

Dettagli

Laboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica

Laboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica Laboratoro B A.A. 01/013 Elaborazone Dat Lab B CdL Fsca Lab B CdL Fsca Elaborazone dat spermental Prncpo della massma verosmglanza Quando eseguamo una sere d msure relatve ad una data grandezza fsca, quanto

Dettagli

MODELLO DI SCELTA MODALE PER LA VALUTAZIONE DELL ESCLUSIONE SOCIALE DALL ALTA VELOCITÀ FERROVIARIA

MODELLO DI SCELTA MODALE PER LA VALUTAZIONE DELL ESCLUSIONE SOCIALE DALL ALTA VELOCITÀ FERROVIARIA UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II SCUOLA POLITECNICA E DELLE SCIENZE DI BASE Corso d Laurea n Ingegnera per l Ambente e l Terrtoro Percorso per la magstrale n Dfesa del Suolo MODELLO DI SCELTA

Dettagli

Definizione di campione

Definizione di campione Defnzone d campone S consder una popolazone fnta U = {1, 2,..., N}. Defnamo campone ordnato d dmensone n qualsas sequenza d n etchette della popolazone anche rpetute. s = ( 1, 2,..., n ), dove j è l etchetta

Dettagli

Intelligenza Artificiale II. Ragionamento probabilistico Rappresentazione. Marco Piastra. Intelligenza Artificiale II - AA 2007/2008

Intelligenza Artificiale II. Ragionamento probabilistico Rappresentazione. Marco Piastra. Intelligenza Artificiale II - AA 2007/2008 Intellgenza rtfcale II Ragonamento probablstco Rappresentazone Marco astra Ragonamento probablstco: rappresentazone - arte Mond possbl sottonsem event artzon e varabl aleatore robabltà Margnalzzazone Condzonal

Dettagli

Appunti di Econometria

Appunti di Econometria Appunt d Econometra ARGOMENTO [4]: VARIABILI DIPENDENTI BINARIE Mara Lusa Mancus Unverstà Boccon Novembre 200 Introduzone Ne modell econometrc studat fno ad ora la varable dpendente, y, è sempre stata

Dettagli

Contenuti: o Specificazione del modello. o Ipotesi del modello classico. o Stima dei parametri. Regressione semplice Roberta Siciliano 2

Contenuti: o Specificazione del modello. o Ipotesi del modello classico. o Stima dei parametri. Regressione semplice Roberta Siciliano 2 Corso d STATISTICA Prof. Roberta Sclano Ordnaro d Statstca, Unverstà d Napol Federco II Professore supplente, Unverstà della Baslcata a.a. 0/0 Contenut: o Specfcazone del modello o Ipotes del modello classco

Dettagli

Intorduzione alla teoria delle Catene di Markov

Intorduzione alla teoria delle Catene di Markov Intorduzone alla teora delle Catene d Markov Mchele Ganfelce a.a. 2014/2015 Defnzone 1 Sa ( Ω, F, {F n } n 0, P uno spazo d probabltà fltrato. Una successone d v.a. {ξ n } n 0 defnta su ( Ω, F, {F n }

Dettagli

PIANIFICAZIONE DEI TRASPORTI

PIANIFICAZIONE DEI TRASPORTI Unverstà d Caglar DICAAR Dpartmento d Ingegnera Cvle, Ambentale e archtettura Sezone Trasport PIANIFICAZIONE DEI TRASPORTI Eserctazone 3 A.A. 2016-2017 Ing. Francesco Pras Ing. Govann Tuver Il modello

Dettagli

Università degli Studi di Roma Tor vergata Dipartimento di Ingegneria Civile. Corso di. Gestione ed esercizio i dei sistemi i di trasporto

Università degli Studi di Roma Tor vergata Dipartimento di Ingegneria Civile. Corso di. Gestione ed esercizio i dei sistemi i di trasporto Unverstà degl Stud d Roma Tor vergata partmento d Ingegnera Cvle Corso d Gestone ed eserczo de sstem d trasporto Docente: Ing. Perlug Coppola Lucd proettat a lezone La progettazone degl orar de servz d

Dettagli

Analisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986

Analisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986 Anals degl error Introduzone J. R. Taylor, Introduzone all anals degl error, Zanchell, Bo 1986 Sstem d untà d msura, rappresentazone numerca delle quanttà fsche e cfre sgnfcatve Resnck, Hallday e Krane

Dettagli

STATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea. Scienze e tecniche neuropsicologiche Modulo 3 Statistica Inferenziale

STATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea. Scienze e tecniche neuropsicologiche Modulo 3 Statistica Inferenziale STATISTICA PSICOMETRICA a.a. 004/005 Cors d laurea Scenze e tecnche neuropscologche Modulo 3 Statstca Inferenzale Probabltà Dstrbuzon d probabltà Dstrbuzon camponare Stma ntervallare Verfca delle potes

Dettagli

Ragionamento probabilistico: rappresentazione

Ragionamento probabilistico: rappresentazione Intellgenza Artfcale II Ragonamento probablstco: rappresentazone Marco astra Intellgenza Artfcale II - A.A. - Rappresentazone robablstca ] Ragonamento probablstco: rappresentazone Mond possbl sottonsem

Dettagli

IL LEGAME TRA DUE VARIABILI I METODI DELLA CORRELAZIONE

IL LEGAME TRA DUE VARIABILI I METODI DELLA CORRELAZIONE IL LEGAME TRA DUE VARIABILI I METODI DELLA CORRELAZIONE CORRELAZIONE Legame - Assocazone - Accordo Relazone tra varabl valutare l grado d recproca nfluenza tra due varabl; valutare l grado d assocazone

Dettagli

Teoria degli errori. La misura implica un giudizio sull uguaglianza tra la grandezza incognita e la grandezza campione. Misure indirette: velocita

Teoria degli errori. La misura implica un giudizio sull uguaglianza tra la grandezza incognita e la grandezza campione. Misure indirette: velocita Teora degl error Processo d msura defnsce una grandezza fsca. Sstema oggetto. Apparato d msura 3. Sstema d confronto La msura mplca un gudzo sull uguaglanza tra la grandezza ncognta e la grandezza campone

Dettagli

1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x

1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x TEORIA 1) Le mede e le varanze calcolate su n osservazon relatve alle varabl quanttatve X ed Y sono tal che 1 e. Consderando le corrspondent varabl standardzzate delle seguent affermazon rsulta vera 1

Dettagli

REGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari

REGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari REGRESSIONE LINEARE Ha un obettvo mportante: nvestgare sulle relazon emprche tra varabl allo scopo d analzzare le cause che possono spegare un determnato fenomeno È caratterzzata da semplctà: modell utlzzat

Dettagli

IL MODELLO DI MACK. Materiale didattico a cura di Domenico Giorgio Attuario Danni di Gruppo Società Cattolica di Assicurazioni

IL MODELLO DI MACK. Materiale didattico a cura di Domenico Giorgio Attuario Danni di Gruppo Società Cattolica di Assicurazioni IL MODELLO DI MACK Materale ddattco a cura d Domenco Gorgo Attuaro Dann d Gruppo Socetà Cattolca d Asscurazon CHAIN-LADDE CLASSICO Metodo pù utlzzato per la stma della rserva snstr. Semplctà. Dstrbuton-ree

Dettagli

Integrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1

Integrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1 Integrazone numerca dell equazone del moto per un sstema lneare vscoso a un grado d lbertà Prof. Adolfo Santn - Dnamca delle Strutture 1 Introduzone 1/2 L equazone del moto d un sstema vscoso a un grado

Dettagli

Modelli di simulazione dei sistemi di trasporto collettivo

Modelli di simulazione dei sistemi di trasporto collettivo UNIVERSITÀ DEGLI STUDI DI ROMA TOR VERGATA Dpartmento d Ingegnera Cvle Corso d Trasport Urban e Metropoltan Docente: Ing. Perlug Coppola Modell d smulazone de sstem d trasporto collettvo (Bozza n corso

Dettagli

Corso di PROGETTAZIONE DEI SISTEMI DI TRASPORTO. prof. ing. Agostino Nuzzolo Ottobre 2007

Corso di PROGETTAZIONE DEI SISTEMI DI TRASPORTO. prof. ing. Agostino Nuzzolo Ottobre 2007 Corso d PROGETTAZIONE DEI SISTEMI DI TRASPORTO prof. ng. Agostno Nuzzolo Ottobre 2007 I MODELLI PER LA SIMULAZIONE DELLE INTERAZIONI TRASPORTI-TERRITORIO TERRITORIO 1 Introduzone Modfche del sstema d offerta

Dettagli

Ing. Enrico Grisan. Modelli di popolazione in farmacocinetica

Ing. Enrico Grisan. Modelli di popolazione in farmacocinetica Ing. Enrco Grsan Modell d popolazone n farmacocnetca Sommaro Modell a sngolo soggetto Modell d popolazone Naïve poolng Stme basate sul sngolo soggetto Modell a effett mst Lnearzzazone del modello 2 Ing.

Dettagli

Matematica Computazionale(6cfu) Ottimizzazione(8cfu)

Matematica Computazionale(6cfu) Ottimizzazione(8cfu) Docente: Marco Gavano (e-mal:gavano@unca.t) Corso d Laurea n Infomatca Corso d Laurea n Matematca Matematca Computazonale(6cfu) Ottmzzazone(8cfu) (a.a. 205-6, lez.8) Matematca Computazonale, Ottmzzazone,

Dettagli

Teoria dei processi casuali a tempo continuo. Seconda lezione: Medie statistiche

Teoria dei processi casuali a tempo continuo. Seconda lezione: Medie statistiche Teora de process casual a tempo contnuo Seconda lezone: Valore medo e autocorrelazone Esemp Valor med de process Quas Determnat (QD) 005 Poltecnco d Torno Valore medo e autocorrelazone e valore atteso

Dettagli

PIANIFICAZIONE DEI TRASPORTI

PIANIFICAZIONE DEI TRASPORTI Unverstà d Caglar DICAAR Dpartmento d Ingegnera Cvle, Ambentale e archtettura Sezone Trasport PIANIFICAZIONE DEI TRASPORTI Eserctazone su modell d generazone A.A. 2016-2017 Ing. Francesco Pras Ing. Govann

Dettagli

Modelli con varabili binarie (o qualitative)

Modelli con varabili binarie (o qualitative) Modell con varabl bnare (o qualtatve E( Y X α + βx + ε quando Y è una varable benoullana Y 1 0 s ha l modello lneare d probabltà Pr( Y 1 X α + βx + ε dove valor stmat della Y assumono l sgnfcato d probabltà.

Dettagli

Propagazione delle incertezze

Propagazione delle incertezze Propagazone delle ncertezze In questa Sezone vene trattato l problema della propagazone delle ncertezze quando s msurano pù grandezze dfferent,,,z soggette a error d tpo casuale e po s utlzzano tal grandezze

Dettagli

6. Catene di Markov a tempo continuo (CMTC)

6. Catene di Markov a tempo continuo (CMTC) 6. Catene d Markov a tempo contnuo (CMTC) Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto numerable. L nseme de

Dettagli

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Modell 1 lezone 15 23 novembre 211 Funzon Eulerane - robabltà professor Danele Rtell www.unbo.t/docent/danele.rtell 1/2? Cambo

Dettagli

Oltre la regressione lineare

Oltre la regressione lineare Oltre la regressone lneare Modello d regressone lneare (semplce o multpla: - varabl esplcatve X quanttatve e qualtatve (nserte tramte uso d varabl dummy - varable dpendente Y è quanttatva Y = b + b X +

Dettagli

Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 2:

Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 2: Costruzone d macchne Modulo d: Progettazone probablstca e affdabltà Marco Beghn Lezone : Probabltà condzonata e varabl casual Probabltà condzonata: La probabltà d un evento A (r)valutata quando è noto

Dettagli

Il campionamento casuale semplice

Il campionamento casuale semplice Il camponamento casuale semplce Metod d estrazone del campone. robabltà d nclusone. π = n N π j = n N n 1 N 1 Stmatore corretto del totale e della meda. Ŷ = Nȳ e ˆȲ = ȳ Varanza degl stmator corrett. V

Dettagli

Le decisioni di gruppo in materia di trasporti: teorie, modelli, applicazioni Romeo Danielis e Lucia Rotaris

Le decisioni di gruppo in materia di trasporti: teorie, modelli, applicazioni Romeo Danielis e Lucia Rotaris Le decson d gruppo n matera d trasport: teore, modell, applcazon Romeo Danels e Luca Rotars Unverstà degl Stud d Treste Il decsore ndvduale solato della mcroeconoma neoclassca non è la norma spesso: le

Dettagli

La Regressione X Variabile indipendente o esplicativa. La regressione. La Regressione. Y Variabile dipendente

La Regressione X Variabile indipendente o esplicativa. La regressione. La Regressione. Y Variabile dipendente Unverstà d Macerata Dpartmento d Scenze Poltche, della Comuncazone e delle Relaz. Internazonal La Regressone Varable ndpendente o esplcatva Prezzo n () () 1 1 Varable dpendente 15 1 1 1 5 5 6 6 61 6 1

Dettagli

LA VARIABILITA. IV lezione di Statistica Medica

LA VARIABILITA. IV lezione di Statistica Medica LA VARIABILITA IV lezone d Statstca Medca Sntes della lezone Il concetto d varabltà Campo d varazone Dfferenza nterquartle La varanza La devazone standard Scostament med Il concetto d varabltà S defnsce

Dettagli

Funzione di matrice. c i λ i. i=0. i=0. m 1. γ i A i. i=0. Moltiplicando entrambi i membri di questa equazione per A si ottiene. α i 1 A i α m 1 A m

Funzione di matrice. c i λ i. i=0. i=0. m 1. γ i A i. i=0. Moltiplicando entrambi i membri di questa equazione per A si ottiene. α i 1 A i α m 1 A m Captolo INTRODUZIONE Funzone d matrce Sa f(λ) una generca funzone del parametro λ svluppable n sere d potenze f(λ) Sa A una matrce quadrata d ordne n La funzone d matrce f(a) èdefnta nel modo seguente

Dettagli

Scienze Geologiche. Corso di Probabilità e Statistica. Prove di esame con soluzioni

Scienze Geologiche. Corso di Probabilità e Statistica. Prove di esame con soluzioni Scenze Geologche Corso d Probabltà e Statstca Prove d esame con soluzon 004-005 1 Corso d laurea n Scenze Geologche - Probabltà e Statstca Appello del 1 gugno 005 - Soluzon 1. (Punt 3) In una certa zona,

Dettagli

Misure indipendenti della stessa grandezza, ciascuna con una diversa precisione.

Misure indipendenti della stessa grandezza, ciascuna con una diversa precisione. Msure ndpendent della stessa grandezza, cascuna con una dversa precsone. Consderamo d avere due msure o n generale della stessa grandezza, ndpendent, caratterzzate da funzone denstà d probabltà d Gauss.

Dettagli

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Modell 1 lezone 18 1 dcembre 2011 Covaranza, Varabl aleatore congunte professor Danele Rtell www.unbo.t/docent/danele.rtell 1/19?

Dettagli

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI METODI PER LO STUDIO DEL LEGAME TRA VARIABILI IN UN RAPPORTO DI CAUSA ED EFFETTO I MODELLI DI REGRESSIONE Prof.ssa G. Sero, Prof. P. Trerotol, Cattedra

Dettagli

Sistemi Intelligenti Stimatori e sistemi lineari - III

Sistemi Intelligenti Stimatori e sistemi lineari - III Sstem Intellgent Stmator e sstem lnear - III Alberto Borghese Unverstà degl Stud d Mlano Laboratory of Appled Intellgent Systems (AIS-Lab) Dpartmento d Informatca borghese@d.unm.t /6 http:\\borghese.d.unm.t\

Dettagli

1. La domanda di moneta

1. La domanda di moneta 1. La domanda d moneta Esercz svolt Eserczo 1.1 (a) S consder l modello della domanda d moneta a scopo speculatvo d Keynes. Un ndvduo può sceglere d allocare la propra rcchezza sottoscrvendo un ttolo rredmble

Dettagli

3 CAMPIONAMENTO DI BERNOULLI E DI POISSON

3 CAMPIONAMENTO DI BERNOULLI E DI POISSON 3 CAMPIOAMETO DI ROULLI E DI POISSO 3. ITRODUZIOE In questo captolo esamneremo due schem d camponamento che dversamente dal camponamento casuale semplce non producono campon d dmensone fssa ma varable.

Dettagli

Lezione 4. Politica Economica Avanzata

Lezione 4. Politica Economica Avanzata Lezone 4 Poltca Economca Avanzata Come msuramo la rendta d Conoscamo la def. Teorca. un mpresa? Dvdamo n base al valore medano tra mprese a bassa ed alta rendta. Che legame con la crescta della produttvtà

Dettagli

Lezione 20 Maggio 29

Lezione 20 Maggio 29 PSC: Progettazone d sstem d controllo III Trm 2007 Lezone 20 Maggo 29 Docente: Luca Schenato Stesor: Maran F, Marcon R, Marcassa A, Zanella F Fnora s sono sempre consderat sstem tempo-nvarant, ovvero descrtt

Dettagli

La likelihood. , x 3. , x 2. ,...x N

La likelihood. , x 3. , x 2. ,...x N La lkelhood È dato un set d msure {x 1, x 2, x 3,...x N } (cascuna delle qual può essere multdmensonale) Supponamo che la pdf (f) dpenda da un parametro (anch'esso eventualmente multdmensonale) La verosmglanza

Dettagli

1 La domanda di moneta

1 La domanda di moneta La domanda d moneta Eserczo.4 (a) Keynes elenca tre motv per detenere moneta: Scopo transattvo Scopo precauzonale Scopo speculatvo Il modello d domanda d moneta a scopo speculatvo d Keynes consdera la

Dettagli

L arcobaleno. Giovanni Mancarella. n = n = n = α( o )

L arcobaleno. Giovanni Mancarella. n = n = n = α( o ) Govann Mancarella L arcobaleno I(α) (a.u.) n =.3338 n =.336 39 40 4 4 43 α( o ) In questa nota utlzzeremo l termne dstrbuzone per ndcare la denstà d probabltà d una varable casuale. Il fenomeno dell arcobaleno

Dettagli

IL MODELLO A 4 STADI (Capitolo 3)

IL MODELLO A 4 STADI (Capitolo 3) Facoltà d Ingegnera - Unverstà d Bologna Anno Accademco: 00/ TECNICA ED ECONOMIA DEI TRASPORTI Docente: Marno Lup IL MODELLO A 4 STADI (Captolo ) Modello a 4 stad per la determnazone della domanda d trasporto

Dettagli

si utilizzano per confrontare le distribuzioni

si utilizzano per confrontare le distribuzioni Dspersone o Varabltà Defnzone: Le Msure d Dspersone: sono par a zero n caso d dspersone nulla s utlzzano per confrontare le dstrbuzon permettono d valutare la rappresentatvtà delle msure d centraltà. 89

Dettagli

Elementi di teoria bayesiana della decisione Teoria bayesiana della decisione: caratteristiche

Elementi di teoria bayesiana della decisione Teoria bayesiana della decisione: caratteristiche Element d teora bayesana della decsone Teora bayesana della decsone: caratterstche La teora bayesana della decsone è un approcco statstco fondamentale al problema del pattern recognton. Il suo obettvo

Dettagli

Modelli matematici per le reti di trasporto:

Modelli matematici per le reti di trasporto: A. A. 2015-2016 Modell matematc per le ret d trasporto: Antcpated Utlty Models e Random Utlty Models prof. ng. Antono Com Department of Enterprse Engneerng Tor Vergata Unversty of Rome Antcpated Utlty

Dettagli

Corso di. Dott.ssa Donatella Cocca

Corso di. Dott.ssa Donatella Cocca Corso d Statstca medca e applcata 3 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone I concett prncpal che sono stat presentat sono: Mede forme o analtche (Meda artmetca semplce, Meda artmetca

Dettagli

Soluzione esercizi seconda settimana

Soluzione esercizi seconda settimana Soluzone esercz seconda settmana Es. 7 famgle Spesa per manfestazo n cultural (Z) A 00,9 B 40 4,0 C 50,5 D 70,6 E 80, F 300,8 G 00,5 Reddto mensle del capofamgla (x 000 Euro) (Y) Costrure l dagramma d

Dettagli

UNIVERSITÀ DEGLI STUDI DI BERGAMO. Facoltà di Ingegneria. Corso di Sistemi di Controllo di Gestione SCG-E04

UNIVERSITÀ DEGLI STUDI DI BERGAMO. Facoltà di Ingegneria. Corso di Sistemi di Controllo di Gestione SCG-E04 UNIVERSITÀ DEGLI STUDI DI BERGAMO Corso d Allocazone de centr d servzo SCG-E04 Le fas del processo d msurazone de cost Fase 1 Rlevazone de cost Fase 2 Assegnazone de cost Cost drett (Drect cost) Attrbuzone

Dettagli

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE * * PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che

Dettagli

Indici di variabilità

Indici di variabilità Indc d varabltà Gl ndc d varabltà msurano ) la dspersone (rspetto alla poszone) ) la varabltà = 0 = 0 Gl ndc d poszone sono tanto pù rappresentatv quanto mnore è la dspersone de dat ntorno ad ess. La varabltà

Dettagli

L ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella

L ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella L AALISI MOOVARIATA: Varabltà e mutabltà Prof. Mara Carella Varabltà Le msure d tendenza centrale non sono suffcent alla comprensone de fenomen. Una sntes approprata deve tener conto del modo n cu s dstrbuscono

Dettagli

6. Catene di Markov a tempo continuo (CMTC)

6. Catene di Markov a tempo continuo (CMTC) 6. Catene d Markov a tempo contnuo (CMTC) Carla Seatzu, 8 Marzo 28 Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto

Dettagli

Elementi di statistica

Elementi di statistica Element d statstca Popolazone statstca e campone casuale S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..) e

Dettagli

UNIVERSITÀ DEGLI STUDI DI TORINO CORSO DI LAUREA IN CHIMICA Dispense ad esclusivo uso introduttivo per il modulo di Fisica C

UNIVERSITÀ DEGLI STUDI DI TORINO CORSO DI LAUREA IN CHIMICA Dispense ad esclusivo uso introduttivo per il modulo di Fisica C ELEMETI BASILARI DI TEORIA DEGLI ERRORI. VALOR MEDIO, DEVIAZIOE STADARD E VARIAZA S defnsce valor medo d un nseme d dat,,, la quanttà: () S defnsce varanza emprca dell nseme precedente la quanttà: σ ()

Dettagli

03/03/2012. Campus di Arcavacata Università della Calabria

03/03/2012. Campus di Arcavacata Università della Calabria Campus d Arcavacata Unverstà della Calabra Corso d statstca RENDE a.a 0-00 3 4 5 6 7 8 9 0 3 4 5 6 7 8 9 Concentrazone Un altro aspetto d un nseme d dat che s aggunge alla meda e alla varabltà è costtuto

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI DI STATISTICA ELEMENTI DI STATISTICA POPOLAZIONE STATISTICA E CAMPIONE CASUALE S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..)

Dettagli

una variabile casuale è continuase può assumere un qualunque valore in un intervallo

una variabile casuale è continuase può assumere un qualunque valore in un intervallo Varabl casual contnue Se samo nteressat alla temperatura massma gornaleraquesta è una varable casuale msurata n un ntervallo contnuoe qund è una v.c. contnua una varable casuale è contnuase può assumere

Dettagli

Equilibrio e stabilità di sistemi dinamici. Stabilità dell equilibrio di sistemi dinamici non lineari per linearizzazione

Equilibrio e stabilità di sistemi dinamici. Stabilità dell equilibrio di sistemi dinamici non lineari per linearizzazione Equlbro e stabltà d sstem dnamc Stabltà dell equlbro d sstem dnamc non lnear per lnearzzazone Stabltà dell equlbro d sstem dnamc non lnear per lnearzzazone Stabltà dell equlbro d sstem NL TC Crter d stabltà

Dettagli

Realizzazione di FSM sincrone. Sommario. Introduzione. Sommario. M. Favalli

Realizzazione di FSM sincrone. Sommario. Introduzione. Sommario. M. Favalli Realzzazone d FSM sncrone M. Favall Engneerng Department n Ferrara Realzzazone d FSM Anals e sntes de sstem dgtal / Introduzone Realzzazone d FSM Anals e sntes de sstem dgtal 2 / Una volta ottenuto l automa

Dettagli

Correlazione lineare

Correlazione lineare Correlazone lneare Varable dpendente Mortaltà per crros 50 45 40 35 30 5 0 15 10 5 0 0 5 10 15 0 5 30 Consumo d alcool Varable ndpendente Metodologa per l anals de dat spermental L anals d stud con varabl

Dettagli

PREVEDONO: Capitolo 17 del libro di testo. Copyright 2005 The McGraw-Hill Companies srl

PREVEDONO: Capitolo 17 del libro di testo. Copyright 2005 The McGraw-Hill Companies srl Le Inferenze sul modello d regressone PREVEDONO: Assunzone d normaltà degl error e nferenza su parametr Anals della Varanza Inferenza per la rsposta meda e la prevsone Anals de resdu Valor anomal Captolo

Dettagli

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione 1 La Regressone Lneare (Semplce) Relazone funzonale e statstca tra due varabl Modello d regressone lneare semplce Stma puntuale de coeffcent d regressone Decomposzone della varanza Coeffcente d determnazone

Dettagli

IL CALCOLO DELLE FREQUENZE VIBRAZIONALI

IL CALCOLO DELLE FREQUENZE VIBRAZIONALI IL CALCOLO DELLE FREQUENZE VIBRAZIONALI Il calcolo della frequenze rchede l calcolo della matrce delle costant d forza, coè le dervate seconde dell energa, valutate nella geometra d equlbro. Sa la geometra

Dettagli

Università di Cassino. Esercitazione di Statistica 1 del 4 dicembre Dott.ssa Simona Balzano

Università di Cassino. Esercitazione di Statistica 1 del 4 dicembre Dott.ssa Simona Balzano Unverstà d Cassno Eserctazone d Statstca del 4 dcembre 6 Dott.ssa Smona Balzano Eserczo Sa la varable casuale che descrve l rsultato del lanco d dad, sulle cu facce v sono numer: 5, 5, 7, 7, 9, 9. a) Defnre

Dettagli

Circuiti elettrici in regime stazionario

Circuiti elettrici in regime stazionario rcut elettrc n regme stazonaro Metod d anals www.de.ng.unbo.t/pers/mastr/ddattca.htm ersone del -0-00 Premessa Nel caso pù generale è possble ottenere la soluzone d un crcuto rsolendo un sstema formato

Dettagli

Teoremi dei circuiti

Teoremi dei circuiti Teorem de crcut www.de.ng.unbo.t/pers/mastr/ddattca.htm (ersone del --04) Teorema d Tellegen potes: Crcuto con n nod e l lat ers d rfermento scelt per tutt lat secondo la conenzone dell utlzzatore {,...,

Dettagli

Pattern Recognition. Bayes decision theory

Pattern Recognition. Bayes decision theory Computer Scence Department Unversty of Verona A.A. 015-16 Pattern Recognton Bayes decson theory 1 Rev. Thomas Bayes, F.R.S 170-1761 Introduzone Approcco statstco fondamentale d classfcazone d pattern Ipotes:

Dettagli

Metodi Quantitativi per Economia, Finanza e Management

Metodi Quantitativi per Economia, Finanza e Management Metod Quanttatv per Economa, Fnanza e Management Lezone n 10 Regressone Logstca: Le potes del modello, la stma del modello, l nterpretazone del del modello L mpostazone del problema Reddtvtà = rcav - cost

Dettagli

La teoria microeconomica del consumo

La teoria microeconomica del consumo Isttuzon d Economa Matematca La teora mcroeconomca del consumo Il problema del consumatore 2 a parte. Maro Sportell Dpartmento d Matematca Unverstà degl Stud d Bar Va E. Orabona, 4 I 70125 Bar (Italy)

Dettagli

Corso di Teoria dei Campioni Facoltà di Economia Corso di Laurea SIGI

Corso di Teoria dei Campioni Facoltà di Economia Corso di Laurea SIGI A.A. 2006/07 Corso d Teora de Campon Facoltà d Economa Corso d Laurea SIGI M. Govanna Ranall Lezon: Martedì 18:00 19:30; Govedì 12:15 13:45 Oraro d rcevmento: Lunedì 16:00 18:00 (stanza 24) Durata: 9 settmane

Dettagli

PRIMA PROVA INTERMEDIA DI STATISTICA (COD /6045/5047/4038/371/377) 26 ottobre 2015 COMPITO D

PRIMA PROVA INTERMEDIA DI STATISTICA (COD /6045/5047/4038/371/377) 26 ottobre 2015 COMPITO D FIRMA DELLO STUDENTE Cognome PRIMA PROVA INTERMEDIA DI STATISTICA (COD. 3000/6045/5047/4038/37/377) 26 ottobre 20 Nome Numero d matrcola Corso d Laurea Cod. corso COMPITO D A fn della valutazone s terrà

Dettagli

Analisi della domanda di trasporto

Analisi della domanda di trasporto 1 Panfcazone f de Trasport aspot Lezone: Anals della domanda d trasporto Corso IFTS Catana 2010 Guseppe Inturr Unverstà d Catana Dpartmento d Ingegnera Cvle e Ambentale 2 3 La mobltà La mobltà delle persone

Dettagli

Teoremi dei circuiti

Teoremi dei circuiti Teorem de crcut www.de.ng.unbo.t/pers/mastr/ddattca.htm (ersone del 0-0-03) Teorema d Tellegen Ipotes: Crcuto con n nod e l lat ers d rfermento scelt per tutt lat secondo la conenzone dell utlzzatore {,...,

Dettagli

REPORT 2.1 AZIONI INTEGRATE TRASPORTI-TERRITORIO PER LA SOSTENIBILITÀ: IL MODELLO MATEMATICO D'INTERAZIONE TRASPORTI-TERRITORIO

REPORT 2.1 AZIONI INTEGRATE TRASPORTI-TERRITORIO PER LA SOSTENIBILITÀ: IL MODELLO MATEMATICO D'INTERAZIONE TRASPORTI-TERRITORIO SUM SUSTAINABLE URBAN MOBILITY Lnee guda per la mobltà sostenble nelle aree urbane PRIN 2009 REPORT 2.1 AZIONI INTEGRATE TRASPORTI-TERRITORIO PER LA SOSTENIBILITÀ: IL MODELLO MATEMATICO D'INTERAZIONE TRASPORTI-TERRITORIO

Dettagli