Analisi statistica di dati

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Analisi statistica di dati"

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

Facoltà di Ingegneria Industriale. Matlab/Octave - Esercitazione 3

Facoltà di Ingegneria Industriale. Matlab/Octave - Esercitazione 3 Facoltà di Ingegneria Industriale Laurea in Ingegneria Energetica, Meccanica e dei Trasporti Matlab/Octave - Esercitazione 3 funzioni definizione ed invocazione delle funzioni semantica dell invocazione

Dettagli

Corso Matlab : Sesta lezione (Esercitazione, 25/10/13) Samuela Persia, Ing. PhD.

Corso Matlab : Sesta lezione (Esercitazione, 25/10/13) Samuela Persia, Ing. PhD. Advanced level Corso Matlab : Sesta lezione (Esercitazione, 25/10/13) Samuela Persia, Ing. PhD. Sommario Toolbox finance Analisi dei portafogli Analisi grafica Determinate Date Toolbox statistics Analisi

Dettagli

Documentazione esterna al software matematico sviluppato con MatLab

Documentazione 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

Dettagli

La grafica. La built-in funzione grafica plot. x spezzata poligonale. discretizzato

La 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,

Dettagli

Matlab per applicazioni statistiche

Matlab per applicazioni statistiche Matlab per applicazioni statistiche Marco J. Lombardi 19 aprile 2005 1 Introduzione Il sistema Matlab è ormai uno standard per quanto riguarda le applicazioni ingegneristiche e scientifiche, ma non ha

Dettagli

[ Analisi della. concentrazione] di Luca Vanzulli. Pag. 1 di 1

[ 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

Dettagli

Altri metodi di indicizzazione

Altri metodi di indicizzazione Organizzazione a indici su più livelli Altri metodi di indicizzazione Al crescere della dimensione del file l organizzazione sequenziale a indice diventa inefficiente: in lettura a causa del crescere del

Dettagli

Ricerche, ordinamenti e fusioni. 5.1 Introduzione. 5.2 Ricerca completa

Ricerche, ordinamenti e fusioni. 5.1 Introduzione. 5.2 Ricerca completa Ricerche, ordinamenti e fusioni 5.1 Introduzione Questo capitolo ci permette di fare pratica di programmazione utilizzando gli strumenti del linguaggio introdotti finora. A una prima lettura possono essere

Dettagli

Università 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 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

Dettagli

Università 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 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

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi 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,

Dettagli

LABORATORIO DI ANALISI DEI SISTEMI

LABORATORIO DI ANALISI DEI SISTEMI LABORATORIO DI ANALISI DEI SISTEMI Si utilizzerà, come strumento di lavoro, un foglio elettronico, il più diffuso Excel o anche quello gratuito di OpenOffice (www.openoffice.org). Tale scelta, pur non

Dettagli

Introduzione al MATLAB c Parte 2

Introduzione 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

Finestre grafiche. >> figure >> figure(n)

Finestre 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

Dettagli

Misure di deformazione

Misure di deformazione Dipartimento di Ingegneria Aerospaziale Tecnica e Sperimentazione Aerospaziale 3 anno, N.O. AA 005-006 Docente: Gian Luca Ghiringhelli Misure di deformazione Autori: Fogante Andrea 67393... Gobbi Lorenzo

Dettagli

Un po di statistica. Christian Ferrari. Laboratorio di Matematica

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

Dettagli

CONFRONTO TRA TECNICHE DI PREVISIONE: Processi regressivi e reti neurali artificiali

CONFRONTO TRA TECNICHE DI PREVISIONE: Processi regressivi e reti neurali artificiali Paolo Mezzera Ottobre 2003 CONFRONTO TRA TECNICHE DI PREVISIONE: Processi regressivi e reti neurali artificiali Questo lavoro ha lo scopo di confrontare previsioni ottenute mediante processi regressivi

Dettagli

Prof.ssa Paola Vicard

Prof.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 esercizio2_dati.xls.

Dettagli

Dai dati al modello teorico

Dai dati al modello teorico Dai dati al modello teorico Analisi descrittiva univariata in R 1 Un po di terminologia Popolazione: (insieme dei dispositivi che verranno messi in produzione) finito o infinito sul quale si desidera avere

Dettagli

Prova di autovalutazione Prof. Roberta Siciliano

Prova 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.

Dettagli

Corso 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 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.

Dettagli

Guida all uso del foglio elettronico Excel Lezioni ed esercizi

Guida all uso del foglio elettronico Excel Lezioni ed esercizi Lezioni di EXCEL Guida all uso del foglio elettronico Excel Lezioni ed esercizi 1 Il foglio elettronico Excel Excel è un foglio elettronico che consente di effettuare svariate operazioni nel campo matematico,

Dettagli

DATABASE SU EXCEL: I FILTRI

DATABASE SU EXCEL: I FILTRI DATABASE SU EXCEL: I FILTRI È possibile mettere in relazione i dati in base a determinati criteri di ricerca e creare un archivio di dati E necessario creare delle categorie di ordinamento in base alle

Dettagli

Prof.ssa Paola Vicard

Prof.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.

Dettagli

Grafici tridimensionali

Grafici tridimensionali MatLab Lezione 3 Grafici tridimensionali Creazione di un Grafico 3D (1/4) Si supponga di voler tracciare il grafico della funzione nell intervallo x = [0,5]; y=[0,5] z = e -(x+y)/2 sin(3x) sin(3y) Si può

Dettagli

Quando troncare uno sviluppo in serie di Taylor

Quando 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

Dettagli

Reti sequenziali e strutturazione firmware

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

Dettagli

i=1 Y i, dove Y i, i = 1,, n sono indipendenti e somiglianti e con la stessa distribuzione di Y.

i=1 Y i, dove Y i, i = 1,, n sono indipendenti e somiglianti e con la stessa distribuzione di Y. Lezione n. 5 5.1 Grafici e distribuzioni Esempio 5.1 Legame tra Weibull ed esponenziale; TLC per v.a. esponenziali Supponiamo che X Weibull(α, β). (i) Si consideri la distribuzione di Y = X β. (ii) Fissato

Dettagli

Grafici delle distribuzioni di frequenza

Grafici 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

Dettagli

CONTROLLI AUTOMATICI E AZIONAMENTI ELETTRICI Ingegneria Meccatronica

CONTROLLI AUTOMATICI E AZIONAMENTI ELETTRICI Ingegneria Meccatronica CONTROLLI AUTOMATICI E AZIONAMENTI ELETTRICI Ingegneria Meccatronica CONTROLLI AUTOMATICI e AZIONAMENTI ELETTRICI INTRODUZIONE A MATLAB Ing. Alberto Bellini Tel. 0522 522626 e-mail: alberto.bellini@unimore.it

Dettagli

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi

Dettagli

Introduzione allo Scilab Parte 1: numeri, variabili ed operatori elementari

Introduzione allo Scilab Parte 1: numeri, variabili ed operatori elementari Introduzione allo Scilab Parte 1: numeri, variabili ed operatori elementari Felice Iavernaro Dipartimento di Matematica Università di Bari http://dm.uniba.it/ iavernaro 6 Giugno 2007 Felice Iavernaro (Univ.

Dettagli

Excel_2000 DataBase Capitolo 13. 13-1 - Introduzione

Excel_2000 DataBase Capitolo 13. 13-1 - Introduzione Capittol lo 13 DataBase 13-1 - Introduzione Il termine DATABASE è molto utilizzato, ma spesso in modo inappropriato; generalmente gli utenti hanno un idea di base di dati sbagliata: un database è una tabella

Dettagli

R - Esercitazione 1. Lorenzo Di Biagio dibiagio@mat.uniroma3.it. 30 Settembre 2013. Università Roma Tre

R - Esercitazione 1. Lorenzo Di Biagio dibiagio@mat.uniroma3.it. 30 Settembre 2013. Università Roma Tre R - Esercitazione 1 Lorenzo Di Biagio dibiagio@mat.uniroma3.it Università Roma Tre 30 Settembre 2013 Introduzione a R R è un software open-source, per Linux, Mac OS X, Windows, distribuito secondo la licenza

Dettagli

OCCUPATI SETTORE DI ATTIVITA' ECONOMICA

OCCUPATI 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

Dettagli

Elementi di Statistica descrittiva Parte I

Elementi di Statistica descrittiva Parte I Elementi di Statistica descrittiva Parte I Che cos è la statistica Metodo di studio di caratteri variabili, rilevabili su collettività. La statistica si occupa di caratteri (ossia aspetti osservabili)

Dettagli

Statistica descrittiva univariata

Statistica descrittiva univariata Statistica descrittiva univariata Elementi di statistica 2 1 Tavola di dati Una tavola (o tabella) di dati è l insieme dei caratteri osservati nel corso di un esperimento o di un rilievo. Solitamente si

Dettagli

Esercizio 1. Esercizi 5. Esercizio 3. Esercizio 2 CICLI

Esercizio 1. Esercizi 5. Esercizio 3. Esercizio 2 CICLI Esercizi 5 Esercizio 1 Realizzare una funzione che, chiesto all utente un numero intero pari a N, ricavi e stampi a video tutte le terne pitagoriche con i cateti minori o uguali ad N. CICLI Una terna pitagorica

Dettagli

STATISTICA DESCRITTIVA UNIVARIATA

STATISTICA DESCRITTIVA UNIVARIATA Capitolo zero: STATISTICA DESCRITTIVA UNIVARIATA La STATISTICA è la scienza che si occupa di fenomeni collettivi che richiedono lo studio di un grande numero di dati. Il termine STATISTICA deriva dalla

Dettagli

Introduzione al foglio elettronico

Introduzione al foglio elettronico Introduzione al foglio elettronico 1. Che cos'è un foglio elettronico? Un foglio elettronico è un programma che permette di inserire dei dati, di calcolare automaticamente i risultati, di ricalcolarli

Dettagli

Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione

Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione Versione 11/03/2004 Contenuto e scopo esercitazione Contenuto esempi di problema di programmazione

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi 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

Dettagli

Applicazione della tsvd all elaborazione di immagini

Applicazione della tsvd all elaborazione di immagini Applicazione della tsvd all elaborazione di immagini A cura di: Mauro Franceschelli Simone Secchi Indice pag Introduzione. 1 Problema diretto.. 2 Problema Inverso. 3 Simulazioni.. Introduzione Scopo di

Dettagli

CAMPAGNE VODAFONE E CAMPAGNE TELEMARKETING

CAMPAGNE VODAFONE E CAMPAGNE TELEMARKETING CAMPAGNE VODAFONE E CAMPAGNE TELEMARKETING 1 INTRODUZIONE In questa sezione parleremo della Creazione delle Campagne e di tutti gli aspetti che ne derivano. Il CRM presenta un sistema che permette la distinzione

Dettagli

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ Prof. Francesco Tottoli Versione 3 del 20 febbraio 2012 DEFINIZIONE È una scienza giovane e rappresenta uno strumento essenziale per la scoperta di leggi e

Dettagli

LABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE

LABORATORIO-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

Dettagli

Premesse alla statistica

Premesse alla statistica Premesse alla statistica Versione 22.10.08 Premesse alla statistica 1 Insiemi e successioni I dati di origine sperimentale si presentano spesso non come singoli valori, ma come insiemi di valori. Richiamiamo

Dettagli

idaq TM Manuale Utente

idaq TM Manuale Utente idaq TM Manuale Utente Settembre 2010 TOOLS for SMART MINDS Manuale Utente idaq 2 Sommario Introduzione... 5 Organizzazione di questo manuale... 5 Convenzioni... Errore. Il segnalibro non è definito. Installazione...

Dettagli

Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica

Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Nome N. Matricola Ancona, 14 luglio 2015 1. Tre macchine producono gli stessi pezzi

Dettagli

16.3.1 Alberi binari di ricerca

16.3.1 Alberi binari di ricerca 442 CAPITOLO 16. STRUTTURE DI DATI DINAMICHE root 7 5 11 2 8 13 10 Figura 16.11 Esempio di albero binario: ogni nodo contiene il dato da immagazzinare e tre puntatori che definiscono le sue relazioni di

Dettagli

Corso di Calcolo Numerico

Corso 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

Dettagli

Cenni sull'impiego di Matlab. Matrici

Cenni sull'impiego di Matlab. Matrici Cenni sull'impiego di Matlab Il Matlab è un potente valutatore di espressioni matriciali con valori complessi. Lavorando in questo modo il Matlab indica una risposta ad ogni comando od operazione impartitagli.

Dettagli

Statistica descrittiva

Statistica descrittiva Corso di Laurea in Ingegneria per l Ambiente ed il Territorio Corso di Costruzioni Idrauliche A.A. 2004-05 www.dica.unict.it/users/costruzioni Statistica descrittiva Ing. Antonino Cancelliere Dipartimento

Dettagli

Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Sequenze CAPITOLO II

Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Sequenze CAPITOLO II CAPITOLO II 2. - PROBLEMI DI SEQUENZA I problemi di sequenza si presentano ogni qualvolta vi sono delle attività che richiedono delle risorse limitate ed indivisibili e bisogna definire l'ordine secondo

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione 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

Dettagli

Statistica descrittiva: prime informazioni dai dati sperimentali

Statistica descrittiva: prime informazioni dai dati sperimentali SECONDO APPUNTAMENTO CON LA SPERIMENTAZIONE IN AGRICOLTURA Statistica descrittiva: prime informazioni dai dati sperimentali La statistica descrittiva rappresenta la base di partenza per le applicazioni

Dettagli

I punteggi zeta e la distribuzione normale

I punteggi zeta e la distribuzione normale QUINTA UNITA I punteggi zeta e la distribuzione normale I punteggi ottenuti attraverso una misurazione risultano di difficile interpretazione se presi in stessi. Affinché acquistino significato è necessario

Dettagli

Introduzione a MATLAB. Il Laboratorio. MATLAB Cos è? Oltre alle lezioni. Octave ( www.octave.org ) Scilab ( www.scilab.org )

Introduzione a MATLAB. Il Laboratorio. MATLAB Cos è? Oltre alle lezioni. Octave ( www.octave.org ) Scilab ( www.scilab.org ) Introduzione a MATLAB! Informazioni sul laboratorio! MATLAB! Operazioni di base! Variabili ed assegnamento! Comandi utili! Utilizzo dell Help! Formato dei numeri! Numeri complessi Il Laboratorio! Openlab

Dettagli

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale Esperienze di Apprendimento Automatico per il corso di lippi@dsi.unifi.it Dipartimento Sistemi e Informatica Università di Firenze Dipartimento Ingegneria dell Informazione Università di Siena Introduzione

Dettagli

Corso di Esercitazioni di Programmazione

Corso di Esercitazioni di Programmazione Corso di Esercitazioni di Programmazione Introduzione Dott.ssa Sabina Rossi Informazioni Pagina web del corso: News Orari Mailing list Lezioni Esercitazioni Date esami Risultati esami.. http://www.dsi.unive.it/~prog1

Dettagli

if t>=0 x=1; else x=0; end fornisce, nella variabile x, il valore della funzione gradino a tempi continui, calcolata in t.

if t>=0 x=1; else x=0; end fornisce, nella variabile x, il valore della funzione gradino a tempi continui, calcolata in t. Il programma MATLAB In queste pagine si introduce in maniera molto breve il programma di simulazione MAT- LAB (una abbreviazione di MATrix LABoratory). Introduzione MATLAB è un programma interattivo di

Dettagli

Sistemi Informativi Territoriali. Map Algebra

Sistemi 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

Dettagli

Diagrammi di Bode. I Diagrammi di Bode sono due: 1) il diagramma delle ampiezze rappresenta α = ln G(jω) in funzione

Diagrammi di Bode. I Diagrammi di Bode sono due: 1) il diagramma delle ampiezze rappresenta α = ln G(jω) in funzione 0.0. 3.2 Diagrammi di Bode Possibili rappresentazioni grafiche della funzione di risposta armonica F (ω) = G(jω) sono: i Diagrammi di Bode, i Diagrammi di Nyquist e i Diagrammi di Nichols. I Diagrammi

Dettagli

COORDINAMENTO E GESTIONE DI PROGETTI COMPLESSI

COORDINAMENTO E GESTIONE DI PROGETTI COMPLESSI COORDINAMENTO E GESTIONE DI PROGETTI COMPLESSI 1. - Formulazione del problema Supponiamo di dover organizzare e gestire un progetto complesso, quale puó essere la costruzione di un edificio, oppure la

Dettagli

Esempi di algoritmi. Lezione III

Esempi 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

Dettagli

Indice Statistiche Univariate Statistiche Bivariate

Indice 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...............................

Dettagli

Le formule possono essere scritte utilizzando un insieme di funzioni predefinite che Excel mette a disposizione, raggruppate per argomento.

Le formule possono essere scritte utilizzando un insieme di funzioni predefinite che Excel mette a disposizione, raggruppate per argomento. Excel: le funzioni Le formule possono essere scritte utilizzando un insieme di funzioni predefinite che Excel mette a disposizione, raggruppate per argomento. DEFINIZIONE: Le funzioni sono dei procedimenti

Dettagli

Matematica in laboratorio

Matematica 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

Dettagli

Correttezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007

Correttezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007 Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1 Dispensa 10 Correttezza A. Miola Novembre 2007 http://www.dia.uniroma3.it/~java/fondinf1/ Correttezza 1 Contenuti Introduzione alla correttezza

Dettagli

AMPL Plus: Introduzione all uso

AMPL Plus: Introduzione all uso AMPL Plus: Introduzione all uso A cura di Renato Bruni, Giovanni Fasano, Giampaolo Liuzzi, Sara Mattia Preliminari In questa breve introduzione verranno chiariti alcuni aspetti di base relativi all uso

Dettagli

INSEGNAMENTO DI ANALISI DI DATI BIOLOGICI LM IN BIOINGEGNERIA - A.A.2013/2014 HOMEWORK 3

INSEGNAMENTO DI ANALISI DI DATI BIOLOGICI LM IN BIOINGEGNERIA - A.A.2013/2014 HOMEWORK 3 INSEGNAMENTO DI ANALISI DI DATI BIOLOGICI LM IN BIOINGEGNERIA - A.A.2013/2014 HOMEWORK 3 COGNOME: Montanino NOME: Annaclaudia MATRICOLA: 1056715 DATA: 13 gennaio 2014 email: annaclaudia.montanino@studenti.unipd.it

Dettagli

Analisi dei segnali nel dominio della frequenza

Analisi dei segnali nel dominio della frequenza Laboratorio di Telecomunicazioni - a.a. 2010/2011 Lezione n. 7 Analisi dei segnali nel dominio della frequenza docente L.Verdoliva In questa lezione affrontiamo il problema dell analisi dei segnali tempo

Dettagli

MATLAB. Caratteristiche. Dati. Esempio di programma MATLAB. a = [1 2 3; 4 5 6; 7 8 9]; b = [1 2 3] ; c = a*b; c

MATLAB. 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

Dettagli

Introduzione al Foglio Elettronico

Introduzione 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

Dettagli

Gli algoritmi: definizioni e proprietà

Gli algoritmi: definizioni e proprietà Dipartimento di Elettronica ed Informazione Politecnico di Milano Informatica e CAD (c.i.) - ICA Prof. Pierluigi Plebani A.A. 2008/2009 Gli algoritmi: definizioni e proprietà La presente dispensa e da

Dettagli

ANALISI DEI DATI PER IL MARKETING 2014

ANALISI DEI DATI PER IL MARKETING 2014 ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it LA CLASSIFICAZIONE CAP IX, pp.367-457 Problema generale della scienza (Linneo, ) Analisi discriminante Cluster Analysis

Dettagli

Corso di Visione Artificiale. Matlab per Visione. Samuel Rota Bulò

Corso di Visione Artificiale. Matlab per Visione. Samuel Rota Bulò Corso di Visione Artificiale Matlab per Visione Samuel Rota Bulò Cos'è Matlab? MATLAB MATLAB - - MATrix MATrix LABoratory LABoratory Ambiente Ambiente di di sviluppo sviluppo ed ed esecuzione esecuzione

Dettagli

Esercitazione di riepilogo 23 Aprile 2013

Esercitazione di riepilogo 23 Aprile 2013 Esercitazione di riepilogo 23 Aprile 2013 Grafici Grafico a barre Servono principalmente per rappresentare variabili (caratteri) qualitative, quantitative e discrete. Grafico a settori circolari (torta)

Dettagli

Tibet4DExt. Manuale Utente. Un Plug-in 4 th Dimension per accedere agli archivi di Tibet in linea. (Versione 1.7.x)

Tibet4DExt. Manuale Utente. Un Plug-in 4 th Dimension per accedere agli archivi di Tibet in linea. (Versione 1.7.x) Tibet4DExt Un Plug-in 4 th Dimension per accedere agli archivi di Tibet in linea (Versione 1.7.x) Manuale Utente Capitolo 1, Informazioni Generali Informazioni generali su Tibet4DExt Il plug-in Tibet4DExt

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

Paghe. 131.1.1 Scaglioni. Fascia di reddito. Fascia di reddito

Paghe. 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

Dettagli

Corso di Visual Basic (Parte 9)

Corso di Visual Basic (Parte 9) Corso di Visual Basic (Parte 9) di Maurizio Crespi La nona lezione del corso dedicato alla programmazione in Visual Basic si pone lo scopo di illustrare le funzioni definibili dall'utente e il concetto

Dettagli

Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,...

Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... Entropia Motivazione Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... ) s,s 2,s 3,... ognuno dei quali appartiene ad un alfabeto A di M elementi.? Quant è l informazione portata

Dettagli

Gian Luca Marcialis studio degli algoritmi programma linguaggi LINGUAGGIO C

Gian Luca Marcialis studio degli algoritmi programma linguaggi LINGUAGGIO C Università degli Studi di Cagliari Corso di Laurea in Ingegneria Biomedica (Industriale), Chimica, Elettrica, e Meccanica FONDAMENTI DI INFORMATICA 1 http://www.diee.unica.it/~marcialis/fi1 A.A. 2010/2011

Dettagli

4. Matrici e Minimi Quadrati

4. Matrici e Minimi Quadrati & C. Di Natale: Matrici e sistemi di equazioni di lineari Formulazione matriciale del metodo dei minimi quadrati Regressione polinomiale Regressione non lineare Cross-validazione e overfitting Regressione

Dettagli

STATISTICA DESCRITTIVA - SCHEDA N. 1 VARIABILI QUALITATIVE

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

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi 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

Dettagli

Politecnico di Torino

Politecnico di Torino olitecnico di Torino Laurea Specialistica in Ingegneria A.A. 2005/2006 Corso di COMATIBILITÀ ELETTROMAGNETICA Misura in camera anecoica del guadagno di un antenna Yagi Barbagallo Giuseppe matr. 126521

Dettagli

2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale

2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale BIOSTATISTICA 2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk

Dettagli

CPM - PERT CPM - PERT. Rappresentazione di un progetto. Gestione di un progetto. Critical Path Method Project Evaluation and Review Technique

CPM - PERT CPM - PERT. Rappresentazione di un progetto. Gestione di un progetto. Critical Path Method Project Evaluation and Review Technique CPM - PERT CPM - PERT CPM e PERT sono metodologie per la gestione di progetti composti da più attività in cui esistano relazioni di precedenza. Critical Path Method Project Evaluation and Review Technique

Dettagli

Prof.ssa Paola Vicard

Prof.ssa Paola Vicard DISTRIBUZIONE DI FREQUENZE PER CARATTERI QUALITATIVI Questa nota consiste per la maggior parte nella traduzione (con alcune integrazioni) da Descriptive statistics di J. Shalliker e C. Ricketts, 2000,

Dettagli

Sommario. 1 Specifiche della soluzione. Davide Anastasia, Nicola Cogotti. 27 dicembre 2005

Sommario. 1 Specifiche della soluzione. Davide Anastasia, Nicola Cogotti. 27 dicembre 2005 Utilizzo delle reti neurali di tipo MLP e RBF per l approssimazione di funzioni reali di variabile reale note mediante coppie di punti (x,y) in presenza di rumore Davide Anastasia, Nicola Cogotti 27 dicembre

Dettagli

I Modelli della Ricerca Operativa

I Modelli della Ricerca Operativa Capitolo 1 I Modelli della Ricerca Operativa 1.1 L approccio modellistico Il termine modello è di solito usato per indicare una costruzione artificiale realizzata per evidenziare proprietà specifiche di

Dettagli

Introduzione. Rappresentazione di numeri in macchina, condizion

Introduzione. Rappresentazione di numeri in macchina, condizion Introduzione. Rappresentazione di numeri in macchina, condizionamento e stabilità Dipartimento di Matematica tel. 011 0907503 stefano.berrone@polito.it http://calvino.polito.it/~sberrone Laboratorio di

Dettagli

Regressione non lineare con un modello neurale feedforward

Regressione non lineare con un modello neurale feedforward Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Regressione non lineare con un modello neurale

Dettagli

Elaborazioni nel dominio spaziale (1) Soluzioni

Elaborazioni nel dominio spaziale (1) Soluzioni Elaborazione dei Segnali Multimediali a.a. 2009/2010 Elaborazioni nel dominio spaziale (1) Soluzioni 1 Rappresentazione delle immagini in Matlab 1. Lettura e visualizzazione di un immagine JPEG. function

Dettagli

1.5. ISTOGRAMMA 17. Figura 1.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =0, σ 2 X =1).

1.5. ISTOGRAMMA 17. Figura 1.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =0, σ 2 X =1). .5. ISTOGRAMMA 7.5 Istogramma A partire dalle considerazioni svolte nel paragrafo precedente, posto x m = min(x,,x N e x M = max(x,,x N, possiamo ottenere una stima della densità di probabilità p (x suddividendo

Dettagli

Carichiamo il segnale contenuto nel file ecg_es_20121128.mat

Carichiamo 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

Dettagli

l insieme delle misure effettuate costituisce il campione statistico

l insieme delle misure effettuate costituisce il campione statistico Statistica negli esperimenti reali si effettuano sempre un numero finito di misure, ( spesso molto limitato ) l insieme delle misure effettuate costituisce il campione statistico Statistica descrittiva

Dettagli

Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995).

Abbiamo 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

Dettagli