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

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

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

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

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

ELEMENTI DI STATISTICA PER IDROLOGIA

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

Dettagli

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

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

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

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

Software di calcolo numerico, analisi, statistica e simulazione. Un esempio pratico: Octave

Software di calcolo numerico, analisi, statistica e simulazione. Un esempio pratico: Octave Software di calcolo numerico, analisi, statistica e simulazione Un esempio pratico: Octave Problemi tradizionali Risoluzione di funzioni matematiche complesse Esecuzione di calcoli matriciali 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

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

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

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

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

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

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

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

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

Corso di Laurea in Matematica, Università di Roma La Sapienza Corso di ANALISI NUMERICA Esercitazioni in Laboratorio, 16 Maggio 2011

Corso di Laurea in Matematica, Università di Roma La Sapienza Corso di ANALISI NUMERICA Esercitazioni in Laboratorio, 16 Maggio 2011 Corso di Laurea in Matematica, Università di Roma La Sapienza Corso di ANALISI NUMERICA Esercitazioni in Laboratorio, 16 Maggio 2011 Foglio 4: Metodi diretti per i sistemi lineari Scrivere un programma

Dettagli

Preprocessamento dei Dati

Preprocessamento 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

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

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

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

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

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

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

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

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

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

ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE

ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114

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

Metodi diretti per la soluzione di sistemi lineari

Metodi diretti per la soluzione di sistemi lineari Metodi diretti per la soluzione di sistemi lineari N Del Buono 1 Introduzione Consideriamo un sistema di n equazioni in n incognite a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1, a 21 x 1 + a 22 x

Dettagli

Lezioni su MATLAB. Ingegneria Civile/Meccanica

Lezioni su MATLAB. Ingegneria Civile/Meccanica Lezioni su ali in Ingegneria Civile/Meccanica Corso di laboratorio di informatica 06/07 Sommario ali in 1 2 3 4 ali 5 6 in ali in : MATrix LABoratory È un ambiente per l analisi e la simulazione dei sistemi

Dettagli

Appunti di Statistica Descrittiva

Appunti di Statistica Descrittiva Appunti di Statistica Descrittiva 30 dicembre 009 1 La tabella a doppia entrata Per studiare dei fenomeni con caratteristiche statistiche si utilizza l espediente della tabella a doppia entrata Per esempio

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

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

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

Dettagli

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

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

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

Esercizio 1. Nella Tabella A sono riportati i tempi di percorrenza, in minuti, di un tratto autostradale da parte di 40 autoveicoli.

Esercizio 1. Nella Tabella A sono riportati i tempi di percorrenza, in minuti, di un tratto autostradale da parte di 40 autoveicoli. Esercizio 1 Nella Tabella A sono riportati i tempi di percorrenza, in minuti, di un tratto autostradale da parte di 40 autoveicoli. Tabella A 138 150 144 149 164 132 125 157 161 135 150 145 145 142 156

Dettagli

Teoria e Tecniche di Elaborazione dell Immagine

Teoria e Tecniche di Elaborazione dell Immagine Università degli Studi di Udine Facoltà di Scienze Matematiche, Fisiche e Naturali Laurea Specialistica in Informatica A.A. 2004 2005 Relazione per il Corso di Teoria e Tecniche di Elaborazione dell Immagine

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

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

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

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

4. Proiezioni del piano e dello spazio

4. Proiezioni del piano e dello spazio 4. Proiezioni del piano e dello spazio La visualizzazione di oggetti tridimensionali richiede di ottenere una vista piana dell'oggetto. Questo avviene mediante una sequenza di operazioni. Innanzitutto,

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

Contenuto del libro...2 Convenzioni utilizzate nel libro...2

Contenuto del libro...2 Convenzioni utilizzate nel libro...2 Indice Introduzione... 1 Contenuto del libro...2 Convenzioni utilizzate nel libro...2 I INTERVALLI E FORMULE DI EXCEL 1 Ricavare il massimo dagli intervalli.... 7 Tecniche avanzate di selezione degli intervalli...7

Dettagli

DISTRIBUZIONI DI PROBABILITÀ

DISTRIBUZIONI DI PROBABILITÀ Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI

Dettagli

Istruzioni d uso software free to use

Istruzioni d uso software free to use APPENDICE A Istruzioni d uso software free to use Aprire il ile excel accertandosi che il livello di protezione sia tale da attivare la macro in essa contenuta e scritta in linguaggio Visual Basic, Entrare

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

MATLAB (1) Introduzione e Operazioni con array

MATLAB (1) Introduzione e Operazioni con array Laboratorio di Informatica per Ingegneria elettrica A.A. 2010/2011 Prof. Sergio Scippacercola MATLAB (1) Introduzione e Operazioni con array N.B. le slide devono essere utilizzate solo come riferimento

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

Algoritmi, dati e programmi

Algoritmi, dati e programmi 1 Algoritmi, dati e programmi 2 Informatica Informatica: Scienza che studia l informazione e la sua elaborazione. informazione rappresentazione dell informazione (dati) dati elaborazione dei dati tramite

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

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

[ 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

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

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

La distribuzione Gaussiana

La distribuzione Gaussiana Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione

Dettagli

CONTROLLI STATISTICI

CONTROLLI STATISTICI CONTROLLI STATISTICI Si definisce Statistica la disciplina che si occupa della raccolta, effettuata in modo scientifico, dei dati e delle informazioni, della loro classificazione, elaborazione e rappresentazione

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

INDIRIZZO FISICO INFORMATICO MATEMATICO A047-A049 Classe Comune

INDIRIZZO FISICO INFORMATICO MATEMATICO A047-A049 Classe Comune INDIRIZZO FISICO INFORMATICO MATEMATICO A047-A049 Classe Comune 1. Quale delle seguenti funzioni soddisfa l uguaglianza f(a+b) = f(a)+f(b) per ogni coppia di numeri reali a, b? A) f(x) = 3x B) f(x) = 3

Dettagli

Cenno sui metodi Monte Carlo

Cenno sui metodi Monte Carlo Cenno sui metodi Monte Carlo I metodi probabilistici hanno una lunga storia ma solo dopo il 1944 è iniziato un loro studio sistematico che ha portato a notevoli sviluppi. Attualmente è stato valutato che

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

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

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

Ivilin Stoianov, Alessia Ceccato info@stoianov.it

Ivilin Stoianov, Alessia Ceccato info@stoianov.it Lab in Informatica Laurea in Biologia / Biologia Molecolare, Università di Padova 2011/2012 Calcoli con Fogli Elettronici Applicazioni nella statistica descrittiva Ivilin Stoianov, Alessia Ceccato info@stoianov.it

Dettagli

Introduzione a Matlab

Introduzione a Matlab Introduzione a Matlab 1 Introduzione Matlab (MATrix LABoratory) è un software per il calcolo scientifico, particolarmente sviluppato per quanto riguarda la gestione ed elaborazione di vettori e matrici.

Dettagli

Appunti delle esercitazioni di Ricerca Operativa

Appunti delle esercitazioni di Ricerca Operativa Appunti delle esercitazioni di Ricerca Operativa a cura di P. Detti e G. Ciaschetti 1 Esercizi sulle condizioni di ottimalità per problemi di ottimizzazione non vincolata Esempio 1 Sia data la funzione

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

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

Metodologie di programmazione in Fortran 90

Metodologie 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

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

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Laurea in Ingegneria Meccatronica A.A. 2010 2011 n-dimensionali Riepilogo. Gli esiti di un esperimento aleatorio

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

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

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

Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici

Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici C. Vergara 3. Metodo della fattorizzazione LU per la risoluzione di un sistema lineare Errori di arrotondamento. Prima di affrontare la

Dettagli

Lezione2 Ricerca di zeri. http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali. Fernando Palombo

Lezione2 Ricerca di zeri. http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali. Fernando Palombo Lezione2 Ricerca di zeri http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali Fernando Palombo Aritmetica Finita nel Computer Nel computer l aritmetica è a precisione finita cioè

Dettagli

VERIFICA DELLE IPOTESI

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

Dettagli

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

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

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

Foglio elettronico. Foglio elettronico EXCEL. Utilizzo. Contenuto della cella. Vantaggi EXCEL. Prof. Francesco Procida procida.francesco@virgilio.

Foglio elettronico. Foglio elettronico EXCEL. Utilizzo. Contenuto della cella. Vantaggi EXCEL. Prof. Francesco Procida procida.francesco@virgilio. Foglio elettronico Foglio elettronico EXCEL Prof. Francesco Procida procida.francesco@virgilio.it Il foglio elettronico è un programma interattivo, che mette a disposizione dell utente una matrice di righe

Dettagli

Laboratorio di ST1 Lezione 2

Laboratorio di ST1 Lezione 2 Laboratorio di ST1 Lezione 2 Claudia Abundo Dipartimento di Matematica Università degli Studi Roma Tre Frequenze in R ESEMPIO Fiori preferiti da n=6 ragazze In R: fiori=c("rosa", "orchidea", "violetta",

Dettagli

LAB LEZ. 1 STATISTICA DESCRITTIVA CON R

LAB LEZ. 1 STATISTICA DESCRITTIVA CON R LAB LEZ. 1 STATISTICA DESCRITTIVA CON R 1 2 L AMBIENTE DI SVILUPPO DI RStudio 1 3 4 2 1 FINESTRA PER GLI SCRIPT E PER VISUALIZZARE I DATI 2 CONSOLE DEI COMANDI 3 VARIABILI PRESENTI NELLA MEMORIA DEL PROGRAMMA

Dettagli

LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE

LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE FLAVIO ANGELINI Sommario Queste note hanno lo scopo di indicare a studenti di Economia interessati alla finanza quantitativa i concetti essenziali

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

Scheda n.1: il software R

Scheda n.1: il software R Scheda n.1: il software R September 30, 2008 1 Introduzione Il software denominato R si può scaricare gratuitamente da rete, all indirizzo http://www.r-project.org/, seguendo le istruzioni di download.

Dettagli

SISTEMI DI NUMERAZIONE DECIMALE E BINARIO

SISTEMI DI NUMERAZIONE DECIMALE E BINARIO SISTEMI DI NUMERAZIONE DECIMALE E BINARIO Il sistema di numerazione decimale (o base dieci) possiede dieci possibili valori (0, 1, 2, 3, 4, 5, 6, 7, 8 o 9) utili a rappresentare i numeri. Le cifre possiedono

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

SUDOKU MATCH (beta) Gianpaolo Francesco Trotta

SUDOKU MATCH (beta) Gianpaolo Francesco Trotta SUDOKU MATCH (beta) Gianpaolo Francesco Trotta Sommario INTRODUZIONE... 3 OBIETTIVI... 3 LINGUAGGI E AMBIENTI DI SVILUPPO USATI... 4 TECNOLOGIA USATA... 5 CREAZIONE GRIGLIE SUDOKU: PSEUDO CODICE... 6 Creazione

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

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

LEZIONE DI MATLAB 2.0. Ing.Irene Tagliente E-mail: irene.tagliente@opbg.net

LEZIONE DI MATLAB 2.0. Ing.Irene Tagliente E-mail: irene.tagliente@opbg.net LEZIONE DI MATLAB 2.0 Ing.Irene Tagliente E-mail: irene.tagliente@opbg.net Cos è Matlab Il programma MATLAB si è imposto in ambiente ingegneristico come strumento per la simulazione e l'analisi dei sistemi

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

SOFTWARE. È l insieme delle istruzioni che è necessario fornire alla macchina per il suo funzionamento. Vi sono due categorie di software:

SOFTWARE. È l insieme delle istruzioni che è necessario fornire alla macchina per il suo funzionamento. Vi sono due categorie di software: 1 SOFTWARE È l insieme delle istruzioni che è necessario fornire alla macchina per il suo funzionamento. Vi sono due categorie di software: SOFTWARE DI SISTEMA (o di base), che deve gestire le funzioni

Dettagli