Analisi statistica di dati
|
|
- Ottavia Capone
- 8 anni fa
- Visualizzazioni
Transcript
1 Dipartimento di Ingegneria Aerospaziale Tecnica e Sperimentazione Aerospaziale 3 anno, N.O. AA Docente: Gian Luca Ghiringhelli Autori: Fogante Andrea Gobbi Lorenzo Lanzani Simone
2 Sommario La relazione si propone di chiarire come può essere effettuata l analisi statistica dei dati a disposizione. Indice 1. Introduzione 3 2. Funzioni e algoritmi, risultati della elaborazione, conclusioni Problema 1 e 2 3 Scrivere le routine per il calcolo di μ x (n), σ x (n) e σ 2 x (n). Rappresentare e commentare l andamento di μ x (n), σ x (n) e σ 2 x(n) la variare di n. Scrivere la routine per la costruzione di un istogramma ad intervalli. Analizzare l andamento degli istogrammi normalizzati al variare del numero di intervalli. Per il problema 1 confrontare gli istogrammi normalizzati con la funzione f(x) = 0.5 Per il problema 2 ricavare un opportuna funzione f(x) che approssimi la distribuzione dei dati. Rappresentare l andamento delle medie calcolate suddivido la popolazione in esame in campioni di dimensione 100. Rappresentare l istogramma di tali medie e commentarne l andamento. Problema Rappresentare graficamente il processo casuale in due e tre dimensioni. Rappresentare l istogramma normalizzato in corrispondenza di k = 10 e k = 20. Problema Rappresentare graficamente i processi casuali. Rappresentare le medie calcolate sulle realizzazioni per ogni valore di k. Appice A...14 Appice B...15 Appice C...16 Appice D
3 1. Introduzione Lo scopo della seguente relazione è quello di mostrare le formule e il calcolo dei principali parametri statistici di un campione di dati ed analizzarne alcune caratteristiche. Si implementeranno gli algoritmi di calcolo della media, varianza campionaria, deviazione standard e si scriverà una routine per la rappresentazione di un istogramma a intervalli. Il linguaggio di programmazione usato è in codice Matlab. 2. Funzioni e algoritmi, risultati della elaborazione, conclusioni Problema 1 e 2 Considerando le popolazioni di dati salvate nei files dati11.dat per il problema 1 e dati12.dat per il problema 2, sono stati eseguiti i seguenti calcoli statistici. Scrivere le routine per il calcolo di μ x (n), σ x (n) e σ 2 x (n) con dimensione n del campione generica. Per svolgere questa prima parte del problema sono state eseguite alcune prove utilizzando diversi tipi di algoritmo, avo come riferimento le formule di base per il calcolo delle grandezze richieste. Per calcolare la media al variare di n, si è prestata particolare attenzione ad ottimizzare l algoritmo per evitare inutili ripetizioni di calcoli (cfr. Appice D per l analisi dei programmi usati). Poiché Matlab risulta particolarmente lento nell esecuzione di un ciclo for (esso Matlab un linguaggio interpretato e non compilato), si è preventivamente agito suddivido l unico vettore di dati (composto da N= elementi) in una sequenza di vettori ordinati in matrice di opportune dimensioni. max_vettori = 50; max_dati = fix(k/(max_vettori)); tabella = ones((max_vettori),max_dati); start=1; for i=1:(max_vettori) stop = max_dati*i; tabella(i,:) = dati(start:stop); start = stop+1; 3
4 Successivamente si è operato svolgo una somma intelligente che non ricalcolasse ad ogni ciclo tutti i valori fino a quello n-esimo, ma che riusasse i calcoli già svolti come punto di partenza. Le considerazioni usate per calcolare la varianza e la deviazione standard sono le medesime portando particolare attenzione al reindirizzamento degli elementi di un vettore in Matlab. Poiché i risultati ottenuti dovevano tornare ad essere vettori (chiamati media, varianza e devst) di dimensioni 1 x N (dove ogni elemento rappresenta rispettivamente la media, la varianza o la deviazione standard di tutti i dati fino a quel valore), è stato necessario introdurre un algoritmo che riconvertisse la posizione matriciale in posizione vettoriale. a = y*(i-1)+j; if i==1 & j==1 A=2; else A=a; Per la popolazione in esame, rappresentare e commentare l andamento di μ x (n), σ x (n) e σ 2 x(n) al variare della dimensione n del campione considerato (n = 1, 2, 3,..., N). Al variare delle dimensioni del campione i risultati ottenuti sono rappresentati dai grafici seguenti (sono stati riportati solo i grafici relativi ai dati dati11.dat; i risultati relativi ai dati dati12.dat sono riportati nell Appice C): 4
5 5
6 Come risulta ben visibile dai grafici (soprattutto nella zona ingrandita), l andamento di media, varianza e deviazione standard oscilla per un numero di campioni alto (basso numero di elementi per campione), to via via al valore totale relativo ad un solo campione di N elementi: Media su:_100000_elementi = Varianza su:_100000_elementi = Deviazione Standard su:_100000_elementi = Scrivere la routine per la costruzione di un istogramma ad intervalli con N bins generico. Per il calcolo del numero di intervalli (N bins ) è stata implementata la formula: poiché il numero di elementi è abbondantemente superiore alle quaranta unità. Il risultato ottenuto, sempre relativamente alla raccolta di dati contenuta in dati11.dat, è mostrato nel seguente grafico: Particolare attenzione si è prestata nel calcolo dell effettiva ampiezza del singolo intervallo. L algoritmo utilizzato è stato: intervallo = ( max(max(tabella)) + min(min(tabella)) ) / Nbins dove la successione di due max (e due min) è dovuta al fatto che tabella è una matrice e il comando max (min), applicati ad una matrice, restituiscono come risultato un vettore contenente il massimo (minimo) di ciascuna colonna. Applicando nuovamente il comando al vettore si ottiene il valore voluto. 6
7 Per la popolazione in esame, analizzare l andamento degli istogrammi normalizzati al variare del numero di intervalli. Se si divide il valore del numero di occorrenze (di ciascun intervallo) per il numero totale di dati e successivamente lo si divide per l ampiezza dell intervallo stesso, si ottiene il grafico normalizzato delle occorrenze così come visualizzato di seguito: Il grafico è stato generato a partire dal numero di intervalli calcolati con la formula del punto precedente. Nell Appice A sono riportati i grafici normalizzati con 50, 80, 110, 140, 170 intervalli. Nonostante l andamento sia localmente differente da grafico a grafico (a causa della diversa riallocazione delle occorrenze) è perfettamente visibile lo sviluppo dei picchi attorno al valore medio 0.5. Si è verificato così che la normalizzazione genera istogrammi localmente diversi, ma globalmente analoghi nel mostrare l andamento attorno ad un valore medio, indipente dal numero d intervalli. Per il problema 1 confrontare gli istogrammi normalizzati ottenuti al punto precedente con la funzione: Come già indicato nel punto precedente, gli istogrammi normalizzati si sviluppano globalmente attorno al valor medio 0.5. Il grafico seguente (e gli analoghi grafici per 50, 80, 110, 140, 170 intervalli, riportati nell Appice B) mostra in ascissa il valore assoluto dell intervallo e in ordinata il valore normalizzato dell occorrenza. In rosso è evidenziata la funzione definita a pezzi f(x). 7
8 Per il problema 2 ricavare un opportuna funzione f(x) che approssimi i dati. Procedo per tentativi si è verificato che la miglior approssimazione dell andamento degli istogrammi normalizzati è la funzione: (1/ 3) x f ( x) = (1/3) e 8
9 Rappresentare l andamento delle medie calcolate suddivido la popolazione in esame in campioni di dimensione 100. Di seguito è riportato l istogramma rappresentante le medie di ciascuno dei 1000 campioni da 100 elementi: Rappresentare l istogramma di tali medie. 9
10 Problema 3 Considerando la popolazione di dati salvati nel file dati13.dat sono stati eseguiti i seguenti calcoli. Rappresentare graficamente il processo casuale in due e tre dimensioni. Sono state considerate 1000 realizzazioni per ciascun valore di k del processo casuale descritto dalla funzione: dove k = 1,, 30 ed A è il vettore degli elementi contenuti in dati13.dat. Nell algoritmo è stato calcolato e poi rappresentato x(k), k = 1,,30 per ciascun valore di A, cioè si sono prodotte 1000 cosinusoidi in ugual fase ma diversa ampiezza. Il risultato è osservabile nel seguente grafico, dove in ascissa abbiamo k = 1,, 30 e in ordinata il valore della funzione: Usando come riferimento la terna destrorsa, nei grafici 3D sull asse delle X è rappresentato il numero d ordine dell elemento casuale A (ampiezza della cosinusoide), sull asse delle Y il numero crescente di k e sull asse delle Z il valore della cosinusoide. 10
11 Rappresentare l istogramma normalizzato in corrispondenza di k = 10 e k = 20. Come si può notare, i grafici sono identici. Questo perché osservando la funzione coseno si ricava che i valori di x(k) con k = 10 e con k = 20 sono uguali in modulo ed opposti in segno poiché: cos(π) = -cos(2π) 11
12 Problema 4 Considerando la popolazione di dati salvati nel file dati14x.dat e dati14y.dat sono stati eseguiti i seguenti calcoli. Rappresentare graficamente i processi casuali. Sono state considerate 1000 realizzazioni per ciascun valore di k del processo casuale descritto dalle funzioni: dove k = 1,, 30, Ф x è il vettore di elementi contenuti in dati14x.dat e Ф y è il vettore di elementi contenuti in dati14y.dat. Nell algoritmo sono stati calcolati e poi rappresentati x(k) e y(k), k=1,,30, per ciascun valore di Ф, cioè si sono prodotte 1000 cosinusoidi sfasate di Ф x nel primo caso e di Ф y nel secondo. 12
13 Rappresentare le medie calcolate sulle realizzazioni per ogni valore di k. Dal grafico rappresentante l andamento dei valori medi al variare di k si evince che la popolazione contenuta in dati14x.dat è quasi uniformemente distribuita. Ciò implica uno sfasamento casuale delle cosinusoidi e l andamento dei suoi valori medi si attesta attorno allo zero. Nel caso della popolazione contenuta in dati14y.dat la distribuzione degli sfasamenti è invece concentrata in una banda (ben visibile nel grafico 2D). Ciò genera un andamento delle medie rappresentato ancora da una cosinusoide. Dall analisi dei dati di questo problema si ricava una buona generalizzazione del comportamento dei segnali periodici: il primo caso rappresenta una famiglia di segnali a frequenza costante e sfasamenti casuali (a media nulla); il secondo caso può descrivere, invece, un segnale ad un unica frequenza, ma composto da una famiglia di cosinusoidi sfasate all interno di una ben precisa fascia. 13
14 Appice A Di seguito sono riportati i grafici del problema 1 relativi agli istogrammi normalizzati con 50, 80, 110, 140, 170 intervalli: 14
15 Appice B Di seguito sono riportati i grafici del problema 1 relativi ai grafici di confronto normalizzati con 50, 80, 110, 140, 170 intervalli: 15
16 Appice C Di seguito sono riportati i risultati ottenuti elaborando la popolazione di dati contenuti in dati12.dat: Media su:_100000_elementi = Varianza su:_100000_elementi = Deviazione Standard su:_100000_elementi =
17 17
18 Appice D In questa appice sono riportati per intero i programmi usati per l elaborazione dei dati. Tutti i dati riferiti alle prestazioni di tempo sono stati ricavati usando un PC dotato di processore Pentium 4 a 3.4 GHz, 512 Mb di RAM, con Matlab 6.5 installato su Windows XP SP2. Programma 1 Del programma 1 sono state analizzate due versioni come confronto di prestazioni. La prima è forse la più intuitiva, ma è lentissima e ripete inutilmente molti calcoli. Ver. 1 dati = load('dati11.dat'); k = length(dati); % dati media(1) = dati(1); somma(1) = dati(1); for i=2:k somma(i) = somma(i-1) + dati(i); media(i) = (1/i)*somma(i); differenza2(1) = (dati(1) - media(k))^2; sommadiff(1) = differenza2(1); for i=2:k differenza2(i) = (dati(i) - media(i))^2; sommadiff(i) = sommadiff(i-1) + differenza2(i); varianza(1) = NaN; devst(1) = NaN; for i=2:k varianza(i) = (1/(i-1))*sommadiff(i); devst(i) = (varianza(i))^(1/2);. La Versione 1 riportata parzialmente qui a fianco elabora la prima parte del problema 1, generando i grafici degli andamenti di media, varianza e dev. st. I risultati numerici sono i medesimi di quelli presentati a pagina 6: Media su:_100000_elementi = Varianza su:_100000_elementi = Deviazione Standard su:_100000_elementi = Ma con una notevole differenza: il tempo necessario per calcolare e generare i primi tre grafici è stato di secondi (circa 8 minuti). La principale causa della così lenta elaborazione è stata la non preventiva dichiarazione dei vettori usati. I vettori vengono costruiti dinamicamente da Matlab ad ogni ciclo del comando for e questo rallenta di un fattore 100 l esecuzione. Un altro problema è stato l uso di un solo vettore di dati, che Matlab non gestisce fluidamente. Ver. 2 (definitiva) clc clear all Tempo = cputime; %profile on -detail builtin format long e dati = load('dati11.dat'); k = length(dati); % dati max_vettori = 50; %numero di vettori(righe) nella tabella (escluso il vettore resto) %N.B. scegliere max_vettori più piccolo di k!!!! altrimenti errore. max_dati = fix(k/(max_vettori)); %arrotondamento per difetto %inizializzo tabella. tabella = ones((max_vettori),max_dati); %inizializzo vettore resto con gli ultimi elementi della tabella, %nel caso la divisione k/(max_vettori) non fosse esatta. resto = zeros(1,(k-max_dati*(max_vettori))); start=1; for i=1:(max_vettori) stop = max_dati*i; tabella(i,:) = dati(start:stop)'; start = stop+1; Particolare attenzione si è prestata nella dichiarazione preventiva della dimensione di vettori e matrici per evitare allocazioni dinamiche di oggetti in memoria. Ogni riga della matrice contiene (max_dati) dati fino alla fine dell'elenco, così Matlab è più veloce ad elaborare i valori, invece di avere un unico vettore di k elementi (in questo caso ). Nel vettore resto sono contenuti gli eventuali ultimi elementi, nel caso k/max_vettori generi resto. Però non è stato implementato nei conti successivi. L importante è scegliere max_vettori divisore di k. Se ci fosse bisogno, le modifiche da apportare al codice per gestire anche resto sarebbero minime. 18
19 if stop~=k resto(1,:) = dati(start:k)'; clear i; clear start; clear stop; clear max_dati; clear max_vettori; somma = ones(1,k); media = ones(1,k); somma(1) = 0; media(1) = 0; [x,y] = size(tabella); Non è stato implementato questo vettore nei calcoli: scegliere max_vettori divisore di k! Per evitare di tenere in memoria dati inutili, quando possibile si è proceduto con la cancellazione delle variabili non più usate. for i=1:x for j=1:y a = y*(i-1)+j; if i==1 & j==1 A=2; else A=a; somma(a) = somma(a-1) + tabella(i,j); media(a) = (1/a)*somma(a); clear A; clear a; clear i; clear j; differenza2 = ones(1,k); sommadiff = ones(1,k); differenza2(1) = 0; sommadiff(1) = 0; All interno del ciclo for è stato inserito il ciclo if che, sebbene rallenti il flusso di calcolo, si è reso necessario per un corretto puntamento agli elementi del vettore. I vettori sono inizializzati come serie di zero o come serie di uno a seconda della necessità, in modo che tali valori non influiscano nei calcoli. for i=1:x for j=1:y a = y*(i-1)+j; if i==1 & j==1 A=2; else A=a; differenza2(a) = (tabella(i,j) - media(a))^2; sommadiff(a) = sommadiff(a-1) + differenza2(a); varianza = ones(1,k); devst = ones(1,k); varianza(1) = NaN; devst(1) = NaN; for i=2:k varianza(i) = (1/(i-1))*sommadiff(i); devst(i) = (varianza(i))^(1/2); clear A; clear a; clear i; clear j; clear sommadiff; clear differenza2; sk = num2str(k); smedia = num2str(media(k)); svarianza = num2str(varianza(k)); sdevst = num2str(devst(k)); parte1 = strcat('media su:_',sk,'_elementi =',smedia); parte2 = strcat('varianza su:_',sk,'_elementi =',svarianza); parte3 = strcat('deviazione Standard su:_',sk,'_elementi =',sdevst); Il primo elemento di varianza e deviazione standard non è definito poiché sarebbe un numero diviso zero. In Matlab il comando NaN indica un elemento che non è un numero ma è trattato come tale. In questa parte sono stati trasformati dei numeri in stringa per poter essere stampati come output dal comando disp. disp(parte1); disp(parte2); disp(parte3); X=[1:k]; figure(1) plot(x,media) title('andamento della media all''aumentare del numero di dati') axis([-1000,4*k/10,0.1,1.5]) 19
20 figure(2) plot(x,varianza) title('andamento della varianza all''aumentare del numero di dati') axis([-1000,5*k/10,0.2,0.74]) figure(3) plot(x,devst,'r') title('andamento della deviazione standard all''aumentare del numero di dati') axis([-1000,4*k/10,0.45,0.85]) clear sk; clear smedia; clear svarianza; clear sdevst; clear parte1; clear parte2; clear parte3; 1 Nbins = round(1.87*((k-1)^0.4)-1); intervallo = (max(max(tabella))+min(min(tabella)))/nbins; occorrenza = zeros(1,nbins); Per indicazioni su questa parte del codice cfr. pagina 6. for i=1:x for j=1:y a = fix(tabella(i,j)/intervallo); a = a+1; occorrenza(a) = occorrenza(a) + 1; figure(4) bar(occorrenza) title('occorrenze per ciascun bin') snbins = num2str(nbins); sintervallo = num2str(intervallo); xlabel(strcat('numero di bins =',snbins,' di ampiezza =',sintervallo)) In questa parte è stato implementato un algoritmo rapido per stabilire in quale intervallo rientra un valore, tramite una semplice divisione e successivo arrotondamento per troncamento del risultato. Un metodo molto più veloce che avrebbe evitato tutto il calcolo delle occorrenze sarebbe stato l uso del comando hist. Esso genera direttamente l istogramma, calcolando in automatico le occorrenze per ciascun intervallo. %istogramma normalizzato occ_norm = occorrenza./ k./ intervallo; figure(5) bar(occ_norm) title('occorrenza normalizzata di ciascun intervallo') xlabel(strcat('numero di bins =',snbins)) massimo = max(max(tabella)); X=[0:intervallo:massimo]; Y=0.5.*ones(1,length(X)); figure(6) plot(x,y,'r','linewidth',2) hold on plot(x,occ_norm,'bo:') title('occorrenze normalizzate confrontate con cost=0.5') 2 clear Massimo; clear X; clear Y; clear snbins; clear sintervallo; clear a; clear Nbins; clear i; clear j; clear occ_norm; clear occorrenza; clear x; clear y; clear intervallo; clear t; clear tabella; max_vettori = 1000; max_dati = fix(k/(max_vettori)); %arrotondamento per difetto 1000 è il numero di vettori (righe) nella tabella: ciascuna colonna risulterà di 100 elementi, come da specifica. %inizializzo tabella. tabella2 = ones((max_vettori),max_dati); start=1; for i=1:(max_vettori) stop = max_dati*i; tabella2(i,:) = dati(start:stop)'; start = stop+1; clear i; clear start; clear stop; clear max_dati; somma2 = ones(1,max_vettori); media2 = ones(1,max_vettori); somma2(1) = 0; media2(1) = 0; 20
21 [x,y] = size(tabella2); for i=1:x for j=1:y somma2(i) = somma2(i) + tabella2(i,j); media2(i) = somma2(i) / max_vettori; X=[1:length(media2)]; figure(7) plot(x,media2) title('medie dei tati a campioni di 100') figure(8) bar(media2) title('medie dei dati a campioni di 100') %profreport profilo Tempo=cputime-Tempo clear all Considerazioni finali sull efficienza di questo programma si possono riassumere osservando la quantità di risultati ottenuti (la risoluzione dei 7 punti della richiesta e la generazione di 8 grafici) in soli 3 secondi (nonostante le circa 150 righe di codice). Oltre al programma 1 Ver. 2, per soddisfare completamente le richieste dei punti 4 e 5, è stato implementato un mini-codice a sé stante (ma sempre basato sugli stessi procedimenti e sulle stesse considerazioni di efficienza) che ha generato i risultati presenti nell Appice A e B, semplicemente variando il numero di bins in. 1 Programma 2 Il listato del programma 2 non è stato inserito nella presente poiché del tutto analogo a quello precedente, sia come implementazione, sia come criteri adottati. Le uniche modifiche sono state apportate nel comando load iniziale, affinché caricasse il file dati12.dat, e in per definire la funzione corretta che approssimasse i dati (vedi pagina 9). 2 Programma 3 clc; clear all; close all; A = load('dati13.dat'); a = length(a); K=30; valori = ones(k,a); i=[1:k]; j=0; for k=i for j=1:a valori(k,j) = A(j)*cos(pi*k/10); Il vettore è di 1000 elementi: non è necessario spezzarlo. valori: matrice di dimensione K x a, in cui ad ogni riga corrisponde un diverso valore di K e nelle colonne i 1000 valori di A. Come indice del ciclo for che calcola i vari x(k) e li pone nella matrice valori è stato usato il reindirizzamento vettoriale k=i, dove i è un vettore noto: ad ogni ciclo k assume il valore successivo tra quelli di i. clear i; clear j figure(1) plot(valori) title('cosinusoidi Acos(pi*k/10) al variare di A') Plot di tutte le cosinusoidi al variare di K, per ciascun valore di A. Il comando plot( matrice ) stampa sulle ascisse il numero della riga e in ordinata i valori della matrice, colonna per colonna. figure(2) t = ones(1,k) for i=1:a plot3(i*t,[1:30],valori(:,i)) hold on figure(3) surf([1:1000],[1:30],valori) 21
22 figure(4) mesh([1:1000],[1:30],valori) Nbins = round(1.87*((a-1)^0.4)-1); intervallo = abs((max(valori(10,:))+min(valori(10,:)))/nbins); occorrenza = zeros(1,nbins); for i=1:a index = abs(fix(valori(10,i)/intervallo)); index = index+1; occorrenza(index) = occorrenza(index) + 1; %istogramma normalizzato occ_norm = occorrenza./ a./ intervallo; figure(5) bar(occ_norm) title('occorrenza normalizzata per ciascun bin: k=10') snbins = num2str(nbins); sintervallo = num2str(intervallo); xlabel(strcat('numero di bins =',snbins,' di ampiezza =',sintervallo)) intervallo = abs((max(valori(20,:))+min(valori(20,:)))/nbins); occorrenza = zeros(1,nbins); for i=1:a index = abs(fix(valori(20,i)/intervallo)); index = index+1; occorrenza(index) = occorrenza(index) + 1; %istogramma normalizzato occ_norm = occorrenza./ a./ intervallo; figure(6) bar(occ_norm) title('occorrenza normalizzata per ciascun bin: k=20') snbins = num2str(nbins); sintervallo = num2str(intervallo); xlabel(strcat('numero di bins =',snbins,' di ampiezza =',sintervallo)) Gli ultimi due pezzi del codice qui a fianco sono identici a quanto già esposto riguardo il programma 1 per il calcolo delle occorrenze. L ultimo comando semplicemente stampa sul prompt di Matlab l osservazione già discussa a pag. 11. Infine si noti che per questo programma non sono state fatte considerazioni sull efficienza, specialmente dal punto di vista del tempo di esecuzione. Dato il numero relativamente ridotto di elementi contenuti in dati13.dat, non si è rilevato un sensibile abbattimento del tempo di elaborazione nello spezzare la popolazione in matrice. Perciò si è optato per l abbattimento del numero di calcoli, pur faco attenzione a tutti gli altri criteri efficientistici (tra cui l attenta dichiarazione delle variabili). disp('i valori con k=10 e con k=20 sono uguali in modulo ed opposti in segno poichè cos(pi)=-cos(2pi)!!!') Programma 4 clc; clear all; close all; A = load('dati14x.dat'); a = length(a); B = load('dati14y.dat'); b = length(b); K=30; valorix = ones(k,a); valoriy = ones(k,b); i=[1:k]; j=0; for k=i for j=1:a valorix(k,j) = cos(pi*k/10 + A(j)); valoriy(k,j) = cos(pi*k/10 + B(j)); clear k; clear j; clear i; mediax = zeros(k,1); mediay = zeros(k,1); for i=1:k for j=1:a mediax(i) = mediax(i) + valorix(i,j); mediay(i) = mediay(i) + valoriy(i,j); mediax(i) = mediax(i)/a; mediay(i) = mediay(i)/b; figure(1) plot(valorix) title('valori delle cosinusoidi tratte da dati14x.dat') figure(2) plot(valoriy) title('valori delle cosinusoidi tratte da dati14y.dat') figure(3) surf([1:1000],[1:30],valorix) title('valori delle cosinusoidi tratte da dati14x.dat') figure(5) surf([1:1000],[1:30],valoriy) title('valori delle cosinusoidi tratte da dati14y.dat') figure(6) plot([1:k],mediax,'bo-',[1:k],mediay,'ro-','linewidth',2) title('rappresentazione dei valori medi al variare di k') leg('medie dati14x','medie dati14y',2) Per il programma 4 non sono necessarie osservazioni in più di quelle già fatte per il programma 3, salvo il fatto che questa volta i comandi sono eseguiti contemporaneamente su due popolazioni diverse. 22
Un po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
DettagliIntroduzione al MATLAB c Parte 2
Introduzione al MATLAB c Parte 2 Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 18 gennaio 2008 Outline 1 M-file di tipo Script e Function Script Function 2 Costrutti di programmazione
Dettagli[ Analisi della. concentrazione] di Luca Vanzulli. Pag. 1 di 1
[ Analisi della concentrazione] di Luca Vanzulli Pag. 1 di 1 LA CONCENTRAZIONE NELL ANALISI DELLE VENDITE L analisi periodica delle vendite rappresenta un preziosissimo indicatore per il monitoraggio del
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliOCCUPATI SETTORE DI ATTIVITA' ECONOMICA
ESERCIZIO 1 La tabella seguente contiene i dati relativi alla composizione degli occupati in Italia relativamente ai tre macrosettori di attività (agricoltura, industria e altre attività) negli anni 1971
DettagliEsempi di algoritmi. Lezione III
Esempi di algoritmi Lezione III Scopo della lezione Implementare da zero algoritmi di media complessità. Verificare la correttezza di un algoritmo eseguendolo a mano. Imparare a valutare le prestazioni
DettagliLABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE
LABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE DESCRIZIONE DEI DATI DA ESAMINARE Sono stati raccolti i dati sul peso del polmone di topi normali e affetti da una patologia simile
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
DettagliMatematica in laboratorio
Unità 1 Attività guidate Attività 1 Foglio elettronico Divisibilità tra numeri naturali Costruisci un foglio di lavoro per determinare se a è divisibile per b, essendo a e b due numeri naturali, con a
DettagliProva di autovalutazione Prof. Roberta Siciliano
Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.
DettagliUn gioco con tre dadi
Un gioco con tre dadi Livello scolare: biennio Abilità interessate Costruire lo spazio degli eventi in casi semplici e determinarne la cardinalità. Valutare la probabilità in diversi contesti problematici.
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V
Corso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows.
DettagliIntroduzione al Foglio Elettronico
Microsoft Excel Introduzione al Foglio Elettronico Il Foglio Elettronico Si presenta come una grande tabella su un foglio di carta Le celle contengono differenti dati Numeri Testo Date Ecc I dati possono
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliAbbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995).
ANALISI DI UNA SERIE TEMPORALE Analisi statistica elementare Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). Si puo' osservare una media di circa 26 C e una deviazione
DettagliStudente: SANTORO MC. Matricola : 528
CORSO di LAUREA in INFORMATICA Corso di CALCOLO NUMERICO a.a. 2004-05 Studente: SANTORO MC. Matricola : 528 PROGETTO PER L ESAME 1. Sviluppare una versione dell algoritmo di Gauss per sistemi con matrice
DettagliCosa è un foglio elettronico
Cosa è un foglio elettronico Versione informatica del foglio contabile Strumento per l elaborazione di numeri (ma non solo...) I valori inseriti possono essere modificati, analizzati, elaborati, ripetuti
DettagliIntroduzione. Classificazione di Flynn... 2 Macchine a pipeline... 3 Macchine vettoriali e Array Processor... 4 Macchine MIMD... 6
Appunti di Calcolatori Elettronici Esecuzione di istruzioni in parallelo Introduzione... 1 Classificazione di Flynn... 2 Macchine a pipeline... 3 Macchine vettoriali e Array Processor... 4 Macchine MIMD...
DettagliDocumentazione esterna al software matematico sviluppato con MatLab
Documentazione esterna al software matematico sviluppato con MatLab Algoritmi Metodo di Gauss-Seidel con sovrarilassamento Metodo delle Secanti Metodo di Newton Studente Amelio Francesco 556/00699 Anno
DettagliIl database management system Access
Il database management system Access Corso di autoistruzione http://www.manualipc.it/manuali/ corso/manuali.php? idcap=00&idman=17&size=12&sid= INTRODUZIONE Il concetto di base di dati, database o archivio
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva
Università del Piemonte Orientale Corsi di Laurea Triennale Corso di Statistica e Biometria Introduzione e Statistica descrittiva Corsi di Laurea Triennale Corso di Statistica e Biometria: Introduzione
DettagliLa grafica. La built-in funzione grafica plot. x spezzata poligonale. discretizzato
La grafica. Il Matlab possiede un ambiente grafico abbastanza potente paragonabile a software grafici operanti in altri contesti. In questo corso ci limiteremo ad illustrare solo una funzione grafica,
DettagliRegistratori di Cassa
modulo Registratori di Cassa Interfacciamento con Registratore di Cassa RCH Nucleo@light GDO BREVE GUIDA ( su logiche di funzionamento e modalità d uso ) www.impresa24.ilsole24ore.com 1 Sommario Introduzione...
DettagliEXCEL FUNZIONI PRINCIPALI
EXCEL FUNZIONI PRINCIPALI Funzione SE() Sintassi: SE(VERIFICA, VALORE SE VERO, VALORE SE FALSO): verifica un valore e ritorna una risposta in base al risultato vero/falso Esempio: =SE(A2=15; "OK"; "NO")
DettagliRAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL
RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL 1 RAPPRESENTAZIONE GRAFICA Per l analisi dati con Excel si fa riferimento alla versione 2007 di Office, le versioni successive non differiscono
DettagliISTRUZIONI PER LA GESTIONE BUDGET
ISTRUZIONI PER LA GESTIONE BUDGET 1) OPERAZIONI PRELIMINARI PER LA GESTIONE BUDGET...1 2) INSERIMENTO E GESTIONE BUDGET PER LA PREVISIONE...4 3) STAMPA DIFFERENZE CAPITOLI/BUDGET.10 4) ANNULLAMENTO BUDGET
DettagliIl concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
DettagliLinguaggi di programmazione
Linguaggi di programmazione Un calcolatore basato sul modello di von Neumann permette l esecuzione di un programma, cioè di una sequenza di istruzioni descritte nel linguaggio interpretabile dal calcolatore
DettagliGHPPEditor è un software realizzato per produrre in modo rapido e guidato un part program per controlli numerici Heidenhain.
*+33(GLWRU GHPPEditor è un software realizzato per produrre in modo rapido e guidato un part program per controlli numerici Heidenhain. Il programma si basa su un architettura di tasti funzionali presenti
DettagliPreprocessamento dei Dati
Preprocessamento dei Dati Raramente i dati sperimentali sono pronti per essere utilizzati immediatamente per le fasi successive del processo di identificazione, a causa di: Offset e disturbi a bassa frequenza
Dettagli4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0
Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice
DettagliGestione Turni. Introduzione
Gestione Turni Introduzione La gestione dei turni di lavoro si rende necessaria quando, per garantire la continuità del servizio di una determinata struttura, è necessario che tutto il personale afferente
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 5-Indici di variabilità (vers. 1.0c, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
DettagliSOFTWARE PER LA RILEVAZIONE DEI TEMPI PER CENTRI DI COSTO
SOFTWARE PER LA RILEVAZIONE DEI TEMPI PER CENTRI DI COSTO Descrizione Nell ambito della rilevazione dei costi, Solari con l ambiente Start propone Time&Cost, una applicazione che contribuisce a fornire
DettagliREALIZZARE UN BUSINESS PLAN CON MICROSOFT EXCEL 2007
REALIZZARE UN BUSINESS PLAN CON MICROSOFT EXCEL 2007 INTRODUZIONE Uno degli elementi più importanti che compongono un Business Plan è sicuramente la previsione dei risultati economico-finanziari. Tale
DettagliUso di base delle funzioni in Microsoft Excel
Uso di base delle funzioni in Microsoft Excel Le funzioni Una funzione è un operatore che applicato a uno o più argomenti (valori, siano essi numeri con virgola, numeri interi, stringhe di caratteri) restituisce
DettagliGuida alla redazione del Fascicolo XBRL
o Europeo 2015 22.2.3 BILANCIO EUROPEO 2015 Guida alla redazione del Fascicolo XBRL Versione 22.2.3 Data Marzo 2015 Sommario GUIDA ALLA REDAZIONE DEL FASCICOLO XBRL parte 1 Premessa o Europeo e la gestione
DettagliANALISI DELLE FREQUENZE: IL TEST CHI 2
ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento
Dettagli(Esercizi Tratti da Temi d esame degli ordinamenti precedenti)
(Esercizi Tratti da Temi d esame degli ordinamenti precedenti) Esercizio 1 L'agenzia viaggi GV - Grandi Viaggi vi commissiona l'implementazione della funzione AssegnaVolo. Tale funzione riceve due liste
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliSistemi Informativi Territoriali. Map Algebra
Paolo Mogorovich Sistemi Informativi Territoriali Appunti dalle lezioni Map Algebra Cod.735 - Vers.E57 1 Definizione di Map Algebra 2 Operatori locali 3 Operatori zonali 4 Operatori focali 5 Operatori
DettagliL analisi dei dati. Capitolo 4. 4.1 Il foglio elettronico
Capitolo 4 4.1 Il foglio elettronico Le più importanti operazioni richieste dall analisi matematica dei dati sperimentali possono essere agevolmente portate a termine da un comune foglio elettronico. Prenderemo
DettagliProf.ssa Paola Vicard
Questa nota consiste perlopiù nella traduzione da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo come esempio il data set contenuto nel foglio excel esercizio1_dati.xls.
DettagliTesti di Esercizi e Quesiti 1
Architettura degli Elaboratori, 2009-2010 Testi di Esercizi e Quesiti 1 1. Una rete logica ha quattro variabili booleane di ingresso a 0, a 1, b 0, b 1 e due variabili booleane di uscita z 0, z 1. La specifica
DettagliUniversità di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008
Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica 18 dicembre 008 Esame sull intero programma: esercizi da A a D Esame sulla seconda parte del programma: esercizi
Dettagli(Preventivatore Veicoli a Motore) MANUALE D USO. Aggiornamento maggio 2007
(Preventivatore Veicoli a Motore) MANUALE D USO Aggiornamento maggio 2007 IL SISTEMA PREVEDE VARIE OPPORTUNITA Calcolo di preventivi completi delle tariffe base della quasi totalità del mercato Possibilità
DettagliGestione ed analisi di base dati nell epidemiologia. delle malattie infettive
Università degli Studi di Torino - Facoltà di Medicina Veterinaria Laboratorio di epidemiologia delle malattie infettive Scuola Specializzazione in Sanità Animale, Allevamento e Produzioni Zootecniche
DettagliProf. Giuseppe Chiumeo. Avete già studiato che qualsiasi algoritmo appropriato può essere scritto utilizzando soltanto tre strutture di base:
LA STRUTTURA DI RIPETIZIONE La ripetizione POST-condizionale La ripetizione PRE-condizionale INTRODUZIONE (1/3) Avete già studiato che qualsiasi algoritmo appropriato può essere scritto utilizzando soltanto
DettagliInteresse, sconto, ratei e risconti
TXT HTM PDF pdf P1 P2 P3 P4 293 Interesse, sconto, ratei e risconti Capitolo 129 129.1 Interesse semplice....................................................... 293 129.1.1 Esercizio per il calcolo dell
DettagliFasi di creazione di un programma
Fasi di creazione di un programma 1. Studio Preliminare 2. Analisi del Sistema 6. Manutenzione e Test 3. Progettazione 5. Implementazione 4. Sviluppo 41 Sviluppo di programmi Per la costruzione di un programma
DettagliLE CARTE DI CONTROLLO (4)
LE CARTE DI CONTROLLO (4) Tipo di carta di controllo Frazione difettosa Carta p Numero di difettosi Carta np Dimensione campione Variabile, solitamente >= 50 costante, solitamente >= 50 Linea centrale
DettagliOttimizzazione delle interrogazioni (parte I)
Ottimizzazione delle interrogazioni I Basi di Dati / Complementi di Basi di Dati 1 Ottimizzazione delle interrogazioni (parte I) Angelo Montanari Dipartimento di Matematica e Informatica Università di
Dettagli4.1. La migliore relazione affettiva con la figura di riferimento principale
4.1. La migliore relazione affettiva con la figura di riferimento principale Nella seguente tabella sono riassunte le frequenze dei dati sensibili ottenute dallo spoglio dei dati raccolti nella parte preliminare
DettagliELENCO CLIENTI FORNITORI Patch1
ELENCO CLIENTI FORNITORI Patch1 Il pacchetto P15_200ElencoCF_Patch1.exe contiene una serie di aggiornamenti alla procedura di generazione del file contenente l. Download: 1) Assicurarsi di avere una versione
DettagliFacciamo qualche precisazione
Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione
DettagliUSO DI EXCEL CLASSE PRIMAI
USO DI EXCEL CLASSE PRIMAI In queste lezioni impareremo ad usare i fogli di calcolo EXCEL per l elaborazione statistica dei dati, per esempio, di un esperienza di laboratorio. Verrà nel seguito spiegato:
DettagliCarichiamo il segnale contenuto nel file ecg_es_20121128.mat
Esercitazione su analisi segnale ECG Carichiamo il segnale contenuto nel file ecg_es_20121128.mat Il file contiene due variabili - dt, che vale 0.004 - ecg, che è vettore lungo 6500 campioni La frequenza
DettagliCOS È UN LINGUAGGIO? LINGUAGGI DI ALTO LIVELLO LA NOZIONE DI LINGUAGGIO LINGUAGGIO & PROGRAMMA
LINGUAGGI DI ALTO LIVELLO Si basano su una macchina virtuale le cui mosse non sono quelle della macchina hardware COS È UN LINGUAGGIO? Un linguaggio è un insieme di parole e di metodi di combinazione delle
DettagliGuida Compilazione Piani di Studio on-line
Guida Compilazione Piani di Studio on-line SIA (Sistemi Informativi d Ateneo) Visualizzazione e presentazione piani di studio ordinamento 509 e 270 Università della Calabria (Unità organizzativa complessa-
DettagliMetodologie di programmazione in Fortran 90
Metodologie di programmazione in Fortran 90 Ing. Luca De Santis DIS - Dipartimento di informatica e sistemistica Anno accademico 2007/2008 Fortran 90: Metodologie di programmazione DIS - Dipartimento di
DettagliLA CORRELAZIONE LINEARE
LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione
DettagliIntroduzione all analisi dei segnali digitali.
Introduzione all analisi dei segnali digitali. Lezioni per il corso di Laboratorio di Fisica IV Isidoro Ferrante A.A. 2001/2002 1 Segnali analogici Si dice segnale la variazione di una qualsiasi grandezza
DettagliMetodi Stocastici per la Finanza
Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2011-2012 Lezione 6 Indice 1 Il metodo bootstrap 2 Esercitazione 3 Interpolazione
DettagliPROCEDURA INVENTARIO DI MAGAZZINO di FINE ESERCIZIO (dalla versione 3.2.0)
PROCEDURA INVENTARIO DI MAGAZZINO di FINE ESERCIZIO (dalla versione 3.2.0) (Da effettuare non prima del 01/01/2011) Le istruzioni si basano su un azienda che ha circa 1000 articoli, che utilizza l ultimo
DettagliMATLAB. Caratteristiche. Dati. Esempio di programma MATLAB. a = [1 2 3; 4 5 6; 7 8 9]; b = [1 2 3] ; c = a*b; c
Caratteristiche MATLAB Linguaggio di programmazione orientato all elaborazione di matrici (MATLAB=MATrix LABoratory) Le variabili sono matrici (una variabile scalare equivale ad una matrice di dimensione
DettagliFinestre grafiche. >> figure >> figure(n)
Finestre grafiche MATLAB ha anche la possibilità di lavorare con delle finestre grafiche sulle quali si possono fare disegni bidimensionali o tridimensionali. Una finestra grafica viene aperta con il comando
DettagliIng. Simone Giovannetti
Università degli Studi di Firenze Dipartimento di Elettronica e Telecomunicazioni Ing. Simone Giovannetti Firenze, 29 Maggio 2012 1 Incertezza di Misura (1/3) La necessità di misurare nasce dall esigenza
DettagliPaghe. 131.1.1 Scaglioni. Fascia di reddito. Fascia di reddito
339 Paghe Capitolo 131 131.1 Suddivisione del reddito in scaglioni....................................... 339 131.1.1 Scaglioni......................................................... 339 131.1.2 Suddivisione
DettagliExcel. A cura di Luigi Labonia. e-mail: luigi.lab@libero.it
Excel A cura di Luigi Labonia e-mail: luigi.lab@libero.it Introduzione Un foglio elettronico è un applicazione comunemente usata per bilanci, previsioni ed altri compiti tipici del campo amministrativo
DettagliEntrare nel sistema. Clicca su Entra per entrare nel sistema. PAGINA 1
Entrare nel sistema Clicca su Entra per entrare nel sistema. PAGINA 1 Entrare nel sistema Compare il box di login in cui inserire il nome utente e la password fornite tramite posta elettronica. PAGINA
DettagliINTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI
INTRODUZIONE AGLI ALGORITMI Prima di riuscire a scrivere un programma, abbiamo bisogno di conoscere un metodo risolutivo, cioè un metodo che a partire dai dati di ingresso fornisce i risultati attesi.
DettagliGrafici delle distribuzioni di frequenza
Grafici delle distribuzioni di frequenza L osservazione del grafico può far notare irregolarità o comportamenti anomali non direttamente osservabili sui dati; ad esempio errori di misurazione 1) Diagramma
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliAnalisi sensitività. Strumenti per il supporto alle decisioni nel processo di Valutazione d azienda
Analisi sensitività. Strumenti per il supporto alle decisioni nel processo di Valutazione d azienda Premessa Con l analisi di sensitività il perito valutatore elabora un range di valori invece di un dato
DettagliRapporto dal Questionari Insegnanti
Rapporto dal Questionari Insegnanti SCUOLA CHIC81400N N. Docenti che hanno compilato il questionario: 60 Anno Scolastico 2014/15 Le Aree Indagate Il Questionario Insegnanti ha l obiettivo di rilevare la
Dettagli12 - Introduzione alla Programmazione Orientata agli Oggetti (Object Oriented Programming OOP)
12 - Introduzione alla Programmazione Orientata agli Oggetti (Object Oriented Programming OOP) Programmazione e analisi di dati Modulo A: Programmazione in Java Paolo Milazzo Dipartimento di Informatica,
DettagliRegione Piemonte Portale Rilevazioni Crediti EELL Manuale Utente
Pag. 1 di 15 VERS V01 REDAZIONE VERIFICHE E APPROVAZIONI CONTROLLO APPROVAZIONE AUTORIZZAZIONE EMISSIONE NOME DATA NOME DATA NOME DATA A. Marchisio C. Pernumian 29/12/2014 M. Molino 27/02/2015 M. Molino
DettagliCome modificare la propria Home Page e gli elementi correlati
Come modificare la propria Home Page e gli elementi correlati Versione del documento: 3.0 Ultimo aggiornamento: 2006-09-15 Riferimento: webmaster (webmaster.economia@unimi.it) La modifica delle informazioni
DettagliLABORATORIO EXCEL XLSTAT 2008 SCHEDE 2 e 3 VARIABILI QUANTITATIVE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) LABORATORIO EXCEL
DettagliAnalisi della performance temporale della rete
Analisi della performance temporale della rete In questo documento viene analizzato l andamento nel tempo della performance della rete di promotori. Alcune indicazioni per la lettura di questo documento:
DettagliIndice Statistiche Univariate Statistiche Bivariate
Indice 1 Statistiche Univariate 1 1.1 Importazione di un file.data.............................. 1 1.2 Medie e variabilità................................... 6 1.3 Distribuzioni di frequenze...............................
DettagliSistema operativo: Gestione della memoria
Dipartimento di Elettronica ed Informazione Politecnico di Milano Informatica e CAD (c.i.) - ICA Prof. Pierluigi Plebani A.A. 2008/2009 Sistema operativo: Gestione della memoria La presente dispensa e
DettagliOperazioni fondamentali
Foglio elettronico Le seguenti indicazioni valgono per Excel 2007, ma le procedure per Excel 2010 sono molto simile. In alcuni casi (per esempio, Pulsante Office /File) ci sono indicazioni entrambe le
DettagliGIROSCOPIO. Scopo dell esperienza: Teoria fisica. Verificare la relazione: ω p = bmg/iω
GIROSCOPIO Scopo dell esperienza: Verificare la relazione: ω p = bmg/iω dove ω p è la velocità angolare di precessione, ω è la velocità angolare di rotazione, I il momento principale d inerzia assiale,
DettagliCALCOLATORI ELETTRONICI A cura di Luca Orrù. Lezione n.7. Il moltiplicatore binario e il ciclo di base di una CPU
Lezione n.7 Il moltiplicatore binario e il ciclo di base di una CPU 1 SOMMARIO Architettura del moltiplicatore Architettura di base di una CPU Ciclo principale di base di una CPU Riprendiamo l analisi
DettagliSoluzione dell esercizio del 2 Febbraio 2004
Soluzione dell esercizio del 2 Febbraio 2004 1. Casi d uso I casi d uso sono riportati in Figura 1. Figura 1: Diagramma dei casi d uso. E evidenziato un sotto caso di uso. 2. Modello concettuale Osserviamo
DettagliQuando troncare uno sviluppo in serie di Taylor
Quando troncare uno sviluppo in serie di Taylor Marco Robutti October 13, 2014 Lo sviluppo in serie di Taylor di una funzione è uno strumento matematico davvero molto utile, e viene spesso utilizzato in
DettagliConvertitori numerici in Excel
ISTITUTO DI ISTRUZIONE SUPERIORE G. M. ANGIOY CARBONIA Convertitori numerici in Excel Prof. G. Ciaschetti Come attività di laboratorio, vogliamo realizzare dei convertitori numerici con Microsoft Excel
DettagliAPPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI
APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................
DettagliModelli matematici e realtà:
Piano Lauree Scientifiche Matematica e Statistica 2010-11 Modelli matematici e realtà: sulle equazioni differenziali - prima parte R. Vermiglio 1 1 Dipartimento di Matematica e Informatica - Università
DettagliMon Ami 3000 Varianti articolo Gestione di varianti articoli
Prerequisiti Mon Ami 3000 Varianti articolo Gestione di varianti articoli L opzione Varianti articolo è disponibile per le versioni Azienda Light e Azienda Pro e include tre funzionalità distinte: 1. Gestione
DettagliLezione 5. Fogli di calcolo
Lezione 5 Fogli di calcolo Cos'e' un foglio di calcolo E' una tabella che permette di fare operazioni complesse sui dati Lo scopo e' la manipolazione dei dati Programmi EXCEL (commerciale) WORKS (commerciale)
DettagliFunzioni in C. Violetta Lonati
Università degli studi di Milano Dipartimento di Scienze dell Informazione Laboratorio di algoritmi e strutture dati Corso di laurea in Informatica Funzioni - in breve: Funzioni Definizione di funzioni
Dettagliper immagini guida avanzata Uso delle tabelle e dei grafici Pivot Geometra Luigi Amato Guida Avanzata per immagini excel 2000 1
Uso delle tabelle e dei grafici Pivot Geometra Luigi Amato Guida Avanzata per immagini excel 2000 1 Una tabella Pivot usa dati a due dimensioni per creare una tabella a tre dimensioni, cioè una tabella
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dott.ssa M.C. De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Sistemi di Numerazione Sistema decimale La
DettagliProgettaz. e sviluppo Data Base
Progettaz. e sviluppo Data Base! Progettazione Basi Dati: Metodologie e modelli!modello Entita -Relazione Progettazione Base Dati Introduzione alla Progettazione: Il ciclo di vita di un Sist. Informativo
DettagliFASI DI FINE ANNO (1)
FASI DI FINE ANNO (1) Attenzione!! Nel caso in cui gli archivi del nuovo anno sono stati aperti anticipatamente per questioni contabili o comunque prima del 29/12 consultare l APPENDICE A alla pagina 5
Dettagli