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

Dimensione: px
Iniziare la visualizzazioe della pagina:

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

Transcript

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 la dinamica D = x M x m osservata sul campione in K intervalli I k,k =,,K, ciascuno d'ampiezza k. La stima della p (x si ottiene dividendo per k il rapporto di frequenza µ k /N, i.e. µ k ˆp (x = = ˆP k N k k Tale stima prende il nome di istogramma. Tutte le considerazioni svolte in precedenza circa l accuratezza del rapporto di frequenza come stimatore della probabilità si riportano sull istogramma. In particolare, continuano a valere le (. e (.3, con l accortezza di sostituire P con P k = P {x I k }. Quando k è abbastanza piccolo da considerare la p (x approssimativamente costante in I k, possiamo porre P k k p (x k, dove x k denota l ascissa centrale dell intervallo I k. L andamento tipico di un istogramma è riportato in Fig..3. Figura.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =, σ =..6 Il metodo MonteCarlo Quanto esposto nel par..3 può essere esteso al valore atteso di una generica funzione g(, i.e. p. lim N Av(N {g (x n } =E{g(x} = g(x p (x dx (.4 La (.4 costituisce il fondamento del cosiddetto metodo MonteCarlo.5 per la valutazione d'integrali del tipo g(x p (x dx (.5 ove nell integrando si possa evidenziare.6 una funzione positiva p (x, normalizzata in area, che giochi il ruolo di densità di probabilità. Generati, allora, un numero N sufficientemente grande di determinazioni della VA x, il metodo MonteCarlo approssima l integrale (.5 come segue: g(x p (x dx Av (N {g (x n } (.6.5 Il nome MonteCarlo ricorda il principato sede del Casinò più famoso del mondo..6 Possiamo sempre scrivere con p (x densità di probabilità scelta opportunamente. f(x dx = f(x p(x dx p (x

2 8 CAPITOLO. STATISTICA MATEMATICA L accuratezza dell approssimazione è valutabile mediante i momenti fino al secondo ordine dell errore ossia e(n =Av (N {g (x n } E {g(x} η E (N =E{e(N} dove, normalmente, risulta σ E(N =Var{e(N} = m E(N η E(N η E (N =+o ( (N σ E(N =C σ,g Var {g(x} N ( + o (N N con C σ,g opportuna costante positiva dipendente da g(. Qualora non si abbia a disposizione la possibilità di effettuare N prove del fenomeno aleatorio al quale è associato la VA x, è possibile ricorrere alla simulazione al calcolatore basata su tecniche di generazione di numeri pseudo-aleatori..6. Generazione di Numeri Pseudo-Aleatori Uniformemente Distribuiti Una tecnica di generazione di numeri pseudo-aleatori.7 con distribuzione uniforme tra e m si basa sulla valutazione ricorsiva della seguente equazione non-lineare u[n] =(a u[n ] + c modm (.7 inizializzata con un certo valore (seme u[], con a, c, m costanti opportune. La (.7 descrive il meccanismo cosiddetto di generazione congruenziale lineare. Per avere numeri distribuiti uniformemente tra e basta dividere u[n] per m. Due esempi di terne (a, c, m sono riportate nella Tab... Con tali valori, la generazione (.7 si può implementare con interi a 3bit, i.e. il tipo primitivo long int di molti compilatori C/C++. CERN Minimal Standard RNG a c m 3 3 Tabella.: Parametri usati nella generazione congruenziale lineare di numeri pseudo-aleatori. Ulteriori dettagli si trovano in [3]. Altri metodi di generazione, anche più efficienti, sono possibili, e sono oggetto di continua evoluzione e raffinamento. Si consiglia al lettore interessato di ricercare le ultime novità direttamente sulla Nei testi anglosassoni s'incontra la locuzione Random Number Generation (RNG.

3 .6. IL METODO MONTECARLO 9.6. Generazione di Numeri Pseudo-Aleatori mediante Trasformazioni Nonlineari Una popolare tecnica di generazione di numeri pseudo-aleatori con misura di probabilità assegnata si basa sull impiego di trasformazioni nonlineari, opportunamente disegnate per lo scopo d interesse. Il trasferimento della misura di probabilità sotto una trasformazione nonlineare di variabili aleatorie è descritto in Appendice ai parr.b.. e B Trasformazioni Nonlineari di Numeri Pseudo-Uniformi La (B..3 esprime l equilibrio tra le misure di probabilità delle variabili aleatorie u e x legate dalla trasformazione invertibile x = g(u, i.e. u = γ(x. Consideriamo il caso notevole di variabile aleatoria u a distribuzione uniforme nell intervallo (,, funzione γ( monotona crescente, con condizioni al contorno γ( =e γ(+ =. In queste condizioni, poichè risulta p U (γ(x =, eγ (x, la (B..3 assume la forma seguente: p (x =γ (x (.8 Trasformazione Nonlineare di Variabile Aleatoria a Distribuzione Uniforme Nel caso particolare di variabile aleatoria u a distribuzione uniforme nell intervallo (,, la variabile aleatoria x = g(u è descritta dalla seguente densità di probabilità: p (x =γ (x = g (γ(x (.9 La nonlinearità g(, attraverso la sua derivata, controlla completamente la densità di probabilità dopo la trasformazione. Il disegno della nonlinearità g( si esegue integrando la (.9. In realtà, otteniamo più semplicemente la funzione inversa γ(, di cui ricordiamo la condizione al contorno γ( =: γ(x = x p (ξ dξ = D (x essendo D (x la funzione di distribuzione della variabile aleatoria x. Dunque, la nonlinearità cercata è: g(u =D (u La Fig..4 illustra sommariamente quanto esposto; in essa abbiamo riportato la variabile aleatoria uniforme u sull asse verticale, e la variabile aleatoria trasformata x sull asse orizzontale, in modo tale la funzione di distribuzione D (x appaia nel maniera usuale. Resta quindi dimostrata la seguente: Proposizione. Sia x una variabile aleatoria con funzione di distribuzione D (x e densità di probabilità p (x = D (x / x, e sia u una variabile aleatoria uniformemente distribuita tra e. Allora, la variabile aleatoria x si ottiene dalla variabile aleatoria u mediante la seguente trasformazione nonlineare: x = D (u (. Quindi, numeri pseudo-aleatori con distribuzione di probabilità diversa da quella uniforme possono essere ottenuti mediante la trasformazione nonlineare (..

4 CAPITOLO. STATISTICA MATEMATICA u ( x u uniforme in (, x g( u d.d. p. dopo la trasformazione (analisi: p ( x '( x x sintesi della trasformazione inversa: ( x z p ( d D x ( - risultato della sintesi: gu ( D ( x Figura.4: Sintesi della nonlinearità che ottiene una variabile aleatoria x con misura di probabilità assegnata p (x a partire da una variabile aleatoria u a distribuzione uniforme. Esempio: distribuzione di probabilità Rayleigh Sia r una variabile aleatoria con la seguente distribuzione di probabilità Rayleigh p R (r =r exp ( r u(r Calcoliamo la funzione di distribuzione: r r D R (r = λ exp ( λ / dλ = e ρ dρ = e ρ = / r / e r (r e la sua inversa D R (u = log( u. Quindi, per u variabile aleatoria uniformemente distribuita tra e, la variabile aleatoria Rayleigh si ottiene mediante la trasformazione nonlineare r = log( u Esempio: distribuzione di probabilità normale In questo caso, la trasformazione nonlineare si applica a una coppia di variabili aleatorie. Il caso generale è descritto in Appendice al par.b..3. Qui consideriamo due variabili aleatorie, x N(,, ex N(,, statisticamente indipendenti, i.e.: p, (x,x = ( π exp x + x e la traformazione in coordinate polari, i.e.: r = x + x Le relazioni inverse sono semplici da scrivere: ϕ =arctan x x x = r cos ϕ x = r sin ϕ

5 .6. IL METODO MONTECARLO e dalla (B.. otteniamo essendo J lo Jacobiano della trasformazione, i.e.: Infine scriviamo J(r, ϕ = det x (r, ϕ r x (r, ϕ r p R,Φ (r, ϕ = π }{{} p Φ (ϕ p R,Φ (r, ϕ =p, (x (r, ϕ,x (r, ϕ J(r, ϕ } {{ } π exp( r / x (r, ϕ ϕ x (r, ϕ ϕ cos ϕ = det sin ϕ ( r r sin ϕ = r ( cos ϕ +sin ϕ = r r cos ϕ r exp = p Φ (ϕ p R (r (r ; ϕ π (. } {{ } p R (r Ispezionando la (., riconosciamo anche che le variabili aleatorie r e ϕ sono anch esse statisticamente indipendenti, con distribuzioni marginali p Φ (ϕ = ( ϕ π π p R (r =r exp ( r (r Allora, per generare una coppia di numeri pseudi-normali, si può operare la seguente sequenza di passi. Metodo di Box-Mueller per la Generazione Numeri Pseudo-Gaussiani. si generano due numeri u e u, pseudo-indipendenti statisticamente, e pseudo-uniformi tra e ;. si genera il numero ϕ pseudo-uniforme tra e π mediante la trasformazione ϕ =π u ; 3. si genera il numero r pseudo-rayleigh mediante la trasformazione nonlineare r = log( u ; 4. si generano i numeri x e x pseudo-normali, con media nulla e varianza unitaria, mediante le trasformazioni nonlineari x = r cos ϕ ; x = r sin ϕ.

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

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito. INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati

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

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

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

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

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

Indicando con x i minuti di conversazione effettuati in un mese, con la spesa totale nel mese e con il costo medio al minuto:

Indicando con x i minuti di conversazione effettuati in un mese, con la spesa totale nel mese e con il costo medio al minuto: PROBLEMA 1. Il piano tariffario proposto da un operatore telefonico prevede, per le telefonate all estero, un canone fisso di 10 euro al mese, più 10 centesimi per ogni minuto di conversazione. Indicando

Dettagli

1 Valore atteso o media

1 Valore atteso o media 1 Valore atteso o media Definizione 1.1. Sia X una v.a., si chiama valore atteso (o media o speranza matematica) il numero, che indicheremo con E[X] o con µ X, definito come E[X] = i x i f(x i ) se X è

Dettagli

Cambiamento di variabili negli integrali doppi: La trasformazione in coordinate polari. esiste (evidentemente) una sola coppia ( ρ, θ) R [ 0,2π[

Cambiamento di variabili negli integrali doppi: La trasformazione in coordinate polari. esiste (evidentemente) una sola coppia ( ρ, θ) R [ 0,2π[ Cambiamento di variabili negli integrali doppi: La trasformazione in coordinate polari Osservazione: Se ( x, ) \{(0,0)} esiste (evidentemente) una sola coppia ( ρ, θ) [ 0,[ tale che x. imane in tal modo

Dettagli

FUNZIONI ELEMENTARI - ESERCIZI SVOLTI

FUNZIONI ELEMENTARI - ESERCIZI SVOLTI FUNZIONI ELEMENTARI - ESERCIZI SVOLTI 1) Determinare il dominio delle seguenti funzioni di variabile reale: (a) f(x) = x 4 (c) f(x) = 4 x x + (b) f(x) = log( x + x) (d) f(x) = 1 4 x 5 x + 6 ) Data la funzione

Dettagli

Corso di Automazione Industriale 1. Capitolo 4

Corso di Automazione Industriale 1. Capitolo 4 Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione

Dettagli

Integrali doppi - Esercizi svolti

Integrali doppi - Esercizi svolti Integrali doppi - Esercizi svolti Integrali doppi senza cambiamento di variabili Si disegni il dominio e quindi si calcolino gli integrali multipli seguenti:... xy dx dy, con (x, y R x, y x x }; x + y

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

COGNOME... NOME... Matricola... Corso Prof... Esame di ANALISI MATEMATICA I - 11 Febbraio 2011, ore 8.30

COGNOME... NOME... Matricola... Corso Prof... Esame di ANALISI MATEMATICA I - 11 Febbraio 2011, ore 8.30 Esame di ANALISI MATEMATICA I - 11 Febbraio 2011, ore 830 A ESERCIZIO 1 (8 punti) Data la funzione = 1 + sin x 2 2 x (a) determinare lo sviluppo di MacLaurin al terzo ordine della funzione ; (b) determinare

Dettagli

Esercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue

Esercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue Esercizi del Corso di Statistica Parte I - Variabili Aleatorie Continue 1. Costruire la variabile uniforme U sull intervallo [a, b], con a IR e b IR. 2. Sia X una variabile aleatoria tale che: 0 x < 1

Dettagli

SIMULAZIONE TEST ESAME - 1

SIMULAZIONE TEST ESAME - 1 SIMULAZIONE TEST ESAME - 1 1. Il dominio della funzione f(x) = log (x2 + 1)(4 x 2 ) (x 2 2x + 1) è: (a) ( 2, 2) (b) ( 2, 1) (1, 2) (c) (, 2) (2, + ) (d) [ 2, 1) (1, 2] (e) R \{1} 2. La funzione f : R R

Dettagli

FUNZIONI CONVESSE. + e x 0

FUNZIONI CONVESSE. + e x 0 FUNZIONI CONVESSE Sia I un intervallo aperto di R (limitato o illimitato) e sia f(x) una funzione definita in I. Dato x 0 I, la retta r passante per il punto P 0 (x 0, f(x 0 )) di equazione y = f(x 0 )

Dettagli

3. Sia g(x) = 4. Si calcoli l area del triangolo mistilineo ROS, ove l arco RS appartiene al grafico di f(x) o, indifferentemente, di g(x).

3. Sia g(x) = 4. Si calcoli l area del triangolo mistilineo ROS, ove l arco RS appartiene al grafico di f(x) o, indifferentemente, di g(x). Esame liceo Scientifico : ordinamento Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario. PROBLEMI Problema. Sia ABCD un quadrato di lato, P un punto di AB e γ la circonferenza

Dettagli

+... + a n. a 0 x n + a 1 x n 1. b 0 x m + b 1 x m 1. +... + b m 0. Funzioni reali di variabile reale. Definizione classica. Funzioni razionali

+... + a n. a 0 x n + a 1 x n 1. b 0 x m + b 1 x m 1. +... + b m 0. Funzioni reali di variabile reale. Definizione classica. Funzioni razionali Funzioni reali di variabile reale Una reale di variabile reale è una funzione nella quale il dominio d è un sottoinsieme di r e il condominio c è anch esso un sottoinsieme di r. F:r r Definizione classica.

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

Coppie di variabili aleatorie. In questo capitolo il concetto di variabile aleatoria viene generalizzato al caso di una coppia.

Coppie di variabili aleatorie. In questo capitolo il concetto di variabile aleatoria viene generalizzato al caso di una coppia. Capitolo 6 Coppie di variabili aleatorie In questo capitolo il concetto di variabile aleatoria viene generalizzato al caso di una coppia di variabili aleatorie: si mostra in particolare che in questo caso

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004 Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 200 Esercizio 1 Tre apparecchiature M 1, M 2 e M 3 in un anno si guastano, in maniera indipendente, con probabilità

Dettagli

2 FUNZIONI REALI DI VARIABILE REALE

2 FUNZIONI REALI DI VARIABILE REALE 2 FUNZIONI REALI DI VARIABILE REALE 2.1 CONCETTO DI FUNZIONE Definizione 2.1 Siano A e B due insiemi. Una funzione (o applicazione) f con dominio A a valori in B è una legge che associa ad ogni elemento

Dettagli

Esponenziali e logaritmi

Esponenziali e logaritmi Esponenziali e logaritmi Corso di accompagnamento in matematica Lezione 4 Sommario 1 La funzione esponenziale Proprietà Grafico 2 La funzione logaritmo Grafico Proprietà 3 Equazioni / disequazioni esponenziali

Dettagli

A.1 Rappresentazione geometrica dei segnali

A.1 Rappresentazione geometrica dei segnali Appendice A Rappresentazione dei segnali A.1 Rappresentazione geometrica dei segnali Scomporre una generica forma d onda s(t) in somma di opportune funzioni base è operazione assai comune, particolarmente

Dettagli

S.I.C.S.I. Scuola Interuniversitaria Campana di Specializzazione all Insegnamento VIII ciclo - a.a. 2008/2009. Metodo Monte Carlo

S.I.C.S.I. Scuola Interuniversitaria Campana di Specializzazione all Insegnamento VIII ciclo - a.a. 2008/2009. Metodo Monte Carlo S.I.C.S.I. Scuola Interuniversitaria Campana di Specializzazione all Insegnamento VIII ciclo - a.a. 008/009 Metodo Monte Carlo Laboratorio di Didattica della Matematica Applicata 1 L. Parisi A. Stabile

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

Numeri reali. Funzioni e loro grafici

Numeri reali. Funzioni e loro grafici Argomento Numeri reali. Funzioni e loro grafici Parte B - Funzioni e loro grafici Funzioni reali di variabile reale Definizioni. Supponiamo che A sia un sottoinsieme di R e che esista una legge che ad

Dettagli

Variabili Casuali Continue e Distribuzione Normale

Variabili Casuali Continue e Distribuzione Normale Variabili Casuali Continue e Distribuzione Normale Nel Capitolo 5 si è definita variabile casuale continua una variabile casuale che può assumere tutti valori compresi fra gli estremi di un intervallo

Dettagli

Corso di Analisi Matematica. Funzioni reali di variabile reale

Corso di Analisi Matematica. Funzioni reali di variabile reale a.a. 2011/12 Laurea triennale in Informatica Corso di Analisi Matematica Funzioni reali di variabile reale Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità

Dettagli

Analisi statistica degli errori

Analisi statistica degli errori Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale

Dettagli

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE 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) PROBABILITÀ -

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

Facciamo qualche precisazione

Facciamo qualche precisazione Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione

Dettagli

Funzioni. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara

Funzioni. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara Funzioni Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)

Dettagli

SOLUZIONE DEL PROBLEMA 1 TEMA DI MATEMATICA ESAME DI STATO 2015

SOLUZIONE DEL PROBLEMA 1 TEMA DI MATEMATICA ESAME DI STATO 2015 SOLUZIONE DEL PROBLEMA 1 TEMA DI MATEMATICA ESAME DI STATO 015 1. Indicando con i minuti di conversazione effettuati nel mese considerato, la spesa totale mensile in euro è espressa dalla funzione f()

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

21. Studio del grafico di una funzione: esercizi

21. Studio del grafico di una funzione: esercizi 1. Studio del grafico di una funzione: esercizi Esercizio 1.6. Studiare ciascuna delle seguenti funzioni in base allo schema di pagina 194, eseguendo anche il computo della derivata seconda e lo studio

Dettagli

La dissomiglianza tra due distribuzioni normali

La dissomiglianza tra due distribuzioni normali Annali del Dipartimento di Scienze Statistiche Carlo Cecchi Università degli Studi di Bari Aldo Moro - Vol. X (2011): 43-50 Editore CLEUP, Padova - ISBN: 978-88-6129-833-0 La dissomiglianza tra due distribuzioni

Dettagli

Metodi Monte Carlo in Finanza

Metodi Monte Carlo in Finanza Metodi Monte Carlo in Finanza Lucia Caramellino Indice 1 Metodi Monte Carlo: generalità Simulazione di un moto Browniano e di un moto Browniano geometrico 3 3 Metodi numerici Monte Carlo per la finanza

Dettagli

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato. Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi

Dettagli

Generazione di numeri casuali. Daniela Picin

Generazione di numeri casuali. Daniela Picin Daniela Picin Testi di consultazione Gentle I.E. Random Number Generation and Monte Carlo Methods, 2nd ed. Springer Verlag, 2005 Raj Jain - The Art of Computer Systems Performance Analysis: Techniques

Dettagli

Esercizi di Analisi Matematica I

Esercizi di Analisi Matematica I Esercizi di Analisi Matematica I Andrea Corli e Alessia Ascanelli gennaio 9 Indice Introduzione iii Nozioni preliminari. Fattoriali e binomiali..................................... Progressioni..........................................

Dettagli

Matematica e Statistica

Matematica e Statistica Matematica e Statistica Prova d esame (0/07/03) Università di Verona - Laurea in Biotecnologie - A.A. 0/3 Matematica e Statistica Prova di MATEMATICA (0/07/03) Università di Verona - Laurea in Biotecnologie

Dettagli

LA FUNZIONE ESPONENZIALE E IL LOGARITMO

LA FUNZIONE ESPONENZIALE E IL LOGARITMO LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e

Dettagli

Osservazione 2 L elemento di arrivo ( output) deve essere unico corrispondenza univoca da A e B. f : A B

Osservazione 2 L elemento di arrivo ( output) deve essere unico corrispondenza univoca da A e B. f : A B FUNZIONI Definizione 1 Dati due insiemi A e B, si chiama funzione da A a B una legge che ad ogni elemento di A associa un (solo) elemento di B. L insieme A si chiama dominio della funzione e l insieme

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

b) Il luogo degli estremanti in forma cartesiana è:

b) Il luogo degli estremanti in forma cartesiana è: Soluzione della simulazione di prova del 9/5/ PROBLEMA È data la funzione di equazione: k f( ). a) Determinare i valori di k per cui la funzione ammette punti di massimo e minimo relativi. b) Scrivere

Dettagli

LE TRASFORMAZIONI GEOMETRICHE NEL PIANO

LE TRASFORMAZIONI GEOMETRICHE NEL PIANO LE TRASFORMAZIONI GEOMETRICHE NEL PIANO Una trasformazione geometrica è una funzione che fa corrispondere a ogni punto del piano un altro punto del piano stesso Si può pensare come MOVIMENTO di punti e

Dettagli

LA VARIABILE ESPONENZIALE

LA VARIABILE ESPONENZIALE LA VARIABILE ESPONENZIALE E. DI NARDO 1. Analogia con la v.a. geometria In una successione di prove ripetute di Bernoulli, la v.a. geometrica restituisce il numero di prove necessarie per avere il primo

Dettagli

Determinare il dominio e la derivata delle seguenti funzioni e studiarne la monotonia ed eventuali massimi/minimi. ( ) x + 2.

Determinare il dominio e la derivata delle seguenti funzioni e studiarne la monotonia ed eventuali massimi/minimi. ( ) x + 2. Determinare il dominio e la derivata delle seguenti funzioni e studiarne la monotonia ed eventuali massimi/minimi (1) (2) (3) (4) f (x) = log ( ) x + 2 x 1 f (x) = x exp( x 3 ) ( f (x) = arctan x ) x 1

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

Analisi Matematica II (Fisica e Astronomia) Esercizi di ricapitolazione n. 1

Analisi Matematica II (Fisica e Astronomia) Esercizi di ricapitolazione n. 1 Analisi Matematica II (Fisica e Astronomia) Esercizi di ricapitolazione n. Università di Padova - Lauree in Fisica ed Astronomia - A.A. 8/9 venerdì 8 maggio 9 Questi esercizi sono proposti come preparazione

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

Alcune note sulle serie di potenze 1

Alcune note sulle serie di potenze 1 Alcune note sulle serie di potenze Contents G. Falqui Preliminari 2 Serie di potenze 3 3 Rappresentazione di funzioni mediante serie di potenze 7 3. Esempi notevoli........................... 9 3.2 Formula

Dettagli

Funzioni. Capitolo 6. 6.1 Concetto di funzione e definizioni preliminari

Funzioni. Capitolo 6. 6.1 Concetto di funzione e definizioni preliminari Capitolo 6 Funzioni 6. Concetto di funzione e definizioni preliminari Definizione 6. Dati due insiemi non vuoti D e C, si dice applicazione o funzione una qualsiasi legge (relazione) che associa ad ogni

Dettagli

LE FUNZIONI A DUE VARIABILI

LE FUNZIONI A DUE VARIABILI Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre

Dettagli

Strumenti matematici SOMMARIO. A.1. Alcuni concetti fondamentali A.2. Relazioni lineari A.3. Relazioni non lineari A.4. Integrali A.5.

Strumenti matematici SOMMARIO. A.1. Alcuni concetti fondamentali A.2. Relazioni lineari A.3. Relazioni non lineari A.4. Integrali A.5. A Strumenti matematici SOMMARIO A.1. Alcuni concetti fondamentali A.2. Relazioni lineari A.3. Relazioni non lineari A.4. Integrali A.5. Esercizi A2 Appendice A. Strumenti matematici c 978-88-08-17530-4

Dettagli

Statistica inferenziale

Statistica inferenziale Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo

Dettagli

d 2 dx ψ + 2 m E V x ψ = 0 V x = V x + a. ψ(x+a) = Q ψ(x). ψ x = e " i k x u k ψ x + a = e " i k x + a u k x + a = e " i k a e " i k x u k

d 2 dx ψ + 2 m E V x ψ = 0 V x = V x + a. ψ(x+a) = Q ψ(x). ψ x = e  i k x u k ψ x + a = e  i k x + a u k x + a = e  i k a e  i k x u k Teorema di Bloch Introduzione (vedi anche Ascroft, dove c è un approccio alternativo) Cominciamo col considerare un solido unidimensionale. Il modello è quello di una particella (l elettrone) in un potenziale

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

SOLUZIONI COMPITO del 16/01/2009 ANALISI 1 - MECCANICA + ELETTRICA 9 CFU CALCOLO DIFF. e INT. I+II - MECCANICA 11 CFU TEMA A

SOLUZIONI COMPITO del 16/01/2009 ANALISI 1 - MECCANICA + ELETTRICA 9 CFU CALCOLO DIFF. e INT. I+II - MECCANICA 11 CFU TEMA A SOLUZIONI COMPITO del 6//9 ANALISI - MECCANICA + ELETTRICA 9 CFU CALCOLO DIFF e INT I+II - MECCANICA CFU TEMA A Esercizio Chiaramente la serie proposta è una serie a termini positivi per ogni α R Osserviamo,

Dettagli

ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE. A. A. 2014-2015 L. Doretti

ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE. A. A. 2014-2015 L. Doretti ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE A. A. 2014-2015 L. Doretti 1 Il concetto di derivata di una funzione è uno dei più importanti e fecondi di tutta la matematica sia per

Dettagli

Nota su Crescita e Convergenza

Nota su Crescita e Convergenza Nota su Crescita e Convergenza S. Modica 28 Ottobre 2007 Nella prima sezione si considerano crescita lineare ed esponenziale e le loro proprietà elementari. Nella seconda sezione si spiega la misura di

Dettagli

I tre concetti si possono descrivere in modo unitario dicendo che f e iniettiva, suriettiva, biiettiva se e solo se per ogni b B l equazione

I tre concetti si possono descrivere in modo unitario dicendo che f e iniettiva, suriettiva, biiettiva se e solo se per ogni b B l equazione Lezioni del 29 settembre e 1 ottobre. 1. Funzioni iniettive, suriettive, biiettive. Sia f : A B una funzione da un insieme A ad un insieme B. Sia a A e sia b = f (a) B l elemento che f associa ad a, allora

Dettagli

-3-2 -1 0 1 2 3. Time. white noise Questo processo viene utilizzato spesso per descrivere un disturbo casuale.

-3-2 -1 0 1 2 3. Time. white noise Questo processo viene utilizzato spesso per descrivere un disturbo casuale. Lezione 7 Processi stocastici Scopo di questa lezione è presentare: il concetto generale di processo stocastico (tempo discreto e tempo continuo) random walk, white noise, dinamiche discrete il moto browniano

Dettagli

INTRODUZIONE ALLA ANALISI DEI DATI SPERIMENTALI

INTRODUZIONE ALLA ANALISI DEI DATI SPERIMENTALI INTRODUZIONE ALLA ANALISI DEI DATI SPERIMENTALI Roma, Giugno 25 DRAFT VERSION /34 Indice. I dati. Rappresentazione analitica dei dati.2 Calibrazione e regressione.3 la legge di propagazione degli errori

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

SOLUZIONI D = (-1,+ ).

SOLUZIONI D = (-1,+ ). SOLUZIONI. Data la funzione f() ( ) ln( ) a) trova il dominio di f b) indica quali sono gli intervalli in cui f() risulta positiva e quelli in cui risulta negativa c) determina le eventuali intersezioni

Dettagli

Capacità di canale in molte salse

Capacità di canale in molte salse Capacità di canale in molte salse. Bernardini 6 maggio 008 Indice 1 Introduzione 1 Modelli di canale 1.1 Matrice di transizione........................................ 1. Funzione aleatoria..........................................

Dettagli

Capitolo 16 Esercizi sugli integrali doppi

Capitolo 16 Esercizi sugli integrali doppi Capitolo 6 sercizi sugli integrali doppi Brevi richiami di teoria Sia f : [a, b] [c, d] B IR una funzione limitata e non negativa, definita sul rettangolo R = [a, b] [c, d]. Dividiamo l intervallo [a,

Dettagli

Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00)

Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00) Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00) Richiami di matematica pag. 2 Definizione (moderatamente) formale di variabile aleatoria

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004 ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 004 Il candidato risolva uno dei due problemi e 5 dei 10 quesiti in cui si articola il questionario. PROBLEMA 1 Sia f la funzione definita da: f

Dettagli

0.6 Filtro di smoothing Gaussiano

0.6 Filtro di smoothing Gaussiano 2 Figura 7: Filtro trapezoidale passa basso. In questo filtro l rappresenta la frequenza di taglio ed l, l rappresenta un intervallo della frequenza con variazione lineare di H, utile ad evitare le brusche

Dettagli

Sono definite in sottoinsiemi di R n (n N), a valori in R Ci si limiterà al caso di R 2 o di R 3

Sono definite in sottoinsiemi di R n (n N), a valori in R Ci si limiterà al caso di R 2 o di R 3 1 FUNZIONI DI PIÙ VARIABILI 1 1 Funzioni di più variabili Sono definite in sottoinsiemi di R n (n N), a valori in R Ci si limiterà al caso di R 2 o di R 3 Definizione 1.1 Dati D R 2 e f : D R, l insieme

Dettagli

Motore ad induzione Controllo ad Orientamento di Campo (FOC) Controllo non interagente

Motore ad induzione Controllo ad Orientamento di Campo (FOC) Controllo non interagente Motore ad induzione Controllo ad Orientamento di Campo (FOC) Controllo non interagente P. Valigi Ottimizzazione e Controllo 12 Marzo 214 Il modello Motore ad induzione: uno statore, in genere avvolto,

Dettagli

Fondamenti di Automatica

Fondamenti di Automatica Fondamenti di Automatica Analisi armonica e metodi grafici Dott. Ing. Marcello Bonfè Dipartimento di Ingegneria - Università di Ferrara Tel. +39 053 974839 E-mail: marcello.bonfe@unife.it pag. Analisi

Dettagli

Reti di Telecomunicazione. Seminario sulla Simulazione dei sistemi di comunicazione

Reti di Telecomunicazione. Seminario sulla Simulazione dei sistemi di comunicazione Università di Bergamo Università di Bergamo Dipartimento di Ingegneria dell Informazione e Metodi Matematici Reti di Telecomunicazione Seminario sulla Simulazione dei sistemi di comunicazione Fabio Martignon

Dettagli

1 Definizione: lunghezza di una curva.

1 Definizione: lunghezza di una curva. Abstract Qui viene affrontato lo studio delle curve nel piano e nello spazio, con particolare interesse verso due invarianti: la curvatura e la torsione Il primo ci dice quanto la curva si allontana dall

Dettagli

Funzioni esponenziali e logaritmiche. Mauro Saita. e-mail maurosaita@tiscalinet.it Versione provvisoria. Febbraio 2014

Funzioni esponenziali e logaritmiche. Mauro Saita. e-mail maurosaita@tiscalinet.it Versione provvisoria. Febbraio 2014 Funzioni esponenziali e logaritmiche. Mauro Saita. e-mail maurosaita@tiscalinet.it Versione provvisoria. Febbraio 2014 Indice 1 Esponenziali 1 1.1 Funzioni esponenziali con dominio Z.......................

Dettagli

Metodi Numerici per Equazioni Ellittiche

Metodi Numerici per Equazioni Ellittiche Metodi Numerici per Equazioni Ellittiche Vediamo ora di descrivere una tecnica per la risoluzione numerica della più semplice equazione ellittica lineare, l Equazione di Laplace: u xx + u yy = 0, (x, y)

Dettagli

Random number generators

Random number generators Statistica computazionale Random number generators www.cash-cow.it Distribuito sotto licenza Creative Common, Share Alike Attribution 2 Indice I. Introduzione II. Processi fisici per la creazione di numeri

Dettagli

Integrali di superficie: esercizi svolti

Integrali di superficie: esercizi svolti Integrali di superficie: esercizi svolti Gli esercizi contrassegnati con il simbolo * presentano un grado di difficoltà maggiore. Esercizio. Calcolare i seguenti integrali superficiali sulle superfici

Dettagli

Relazioni statistiche: regressione e correlazione

Relazioni statistiche: regressione e correlazione Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica

Dettagli

Geometria analitica di base (prima parte)

Geometria analitica di base (prima parte) SAPERE Al termine di questo capitolo, avrai appreso: come fissare un sistema di riferimento cartesiano ortogonale il significato di equazione di una retta il significato di coefficiente angolare di una

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

Numeri Complessi. 4. Ricordando che, se z è un numero complesso, zz è un numero reale, mettere sotto la forma. z 2 + 2z + 2 = 0. z 2 + 2z + 6 = 0.

Numeri Complessi. 4. Ricordando che, se z è un numero complesso, zz è un numero reale, mettere sotto la forma. z 2 + 2z + 2 = 0. z 2 + 2z + 6 = 0. Numeri Complessi. Siano z = + i e z 2 = i. Calcolare z + z 2, z z 2, z z 2 e z z 2. 2. Siano z = 2 5 + i 2 e z 2 = 5 2 2i. Calcolare z + z 2, z z 2, z z 2 e z z 2. 3. Ricordando che, se z è un numero complesso,

Dettagli

Vincenzo Ciancio Armando Ciancio. Metodi matematici per le applicazioni finanaziarie

Vincenzo Ciancio Armando Ciancio. Metodi matematici per le applicazioni finanaziarie A01 73 Vincenzo Ciancio Armando Ciancio Metodi matematici per le applicazioni finanaziarie Copyright MMV ARACNE editrice S.r.l. www.aracneeditrice.it info@aracneeditrice.it via Raffaele Garofalo, 133

Dettagli

Corso di Analisi Matematica. Funzioni continue

Corso di Analisi Matematica. Funzioni continue a.a. 203/204 Laurea triennale in Informatica Corso di Analisi Matematica Funzioni continue Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità degli studenti.

Dettagli

Marco Tolotti - Corso di Esercitazioni di Matematica 12 Cfu - A.A. 2010/2011 1

Marco Tolotti - Corso di Esercitazioni di Matematica 12 Cfu - A.A. 2010/2011 1 Marco Tolotti - Corso di Esercitazioni di Matematica 1 Cfu - A.A. 010/011 1 Esercitazione 1: 4/09/010 1. Determinare il dominio delle seguenti funzioni: log a) f() = 5 ( 1). b) g() = log 3 (3 6) log 13.

Dettagli

Probabilità e Statistica Esercitazioni. a.a. 2006/2007

Probabilità e Statistica Esercitazioni. a.a. 2006/2007 Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile

Dettagli

ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE

ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE Sia I un intervallo di R e siano a = inf(i) R { } e b = sup(i) R {+ }; i punti di I diversi dagli estremi a e b, ( e quindi appartenenti all intervallo aperto

Dettagli

Dispense di Identificazione e Analisi dei Dati

Dispense di Identificazione e Analisi dei Dati Dispense di Identificazione e Analisi dei Dati Antonello Giannitrapani, Andrea Garulli Versione 1.1 26 gennaio 2007 Indice 1 Teoria della probabilità 1 1.1 Spazi di probabilità........................

Dettagli

ANALISI MATEMATICA I - Modulo Avanzato. Pamphlet sugli Studi Qualitativi di ODEs. Marco Squassina

ANALISI MATEMATICA I - Modulo Avanzato. Pamphlet sugli Studi Qualitativi di ODEs. Marco Squassina UNIVERSITÀ DEGLI STUDI DI VERONA Facoltà di Scienze Matematiche, Fisiche e Naturali ANALISI MATEMATICA I - Modulo Avanzato Pamphlet sugli Studi Qualitativi di ODEs Marco Squassina Anno Accademico 2006/2007

Dettagli

Cenni di statistica descrittiva

Cenni di statistica descrittiva Cenni di statistica descrittiva La statistica descrittiva è la disciplina nella quale si studiano le metodologie di cui si serve uno sperimentatore per raccogliere, rappresentare ed elaborare dei dati

Dettagli

1 Grafico di una funzione reale 1. 2 Funzioni elementari 2 2.1 Funzione potenza... 2 2.2 Funzione esponenziale... 3 2.3 Funzione logaritmica...

1 Grafico di una funzione reale 1. 2 Funzioni elementari 2 2.1 Funzione potenza... 2 2.2 Funzione esponenziale... 3 2.3 Funzione logaritmica... UNIVR Facoltà di Economia Sede di Vicenza Corso di Matematica Funzioni reali di variabile reale Indice Grafico di una funzione reale 2 Funzioni elementari 2 2. Funzione potenza................................................

Dettagli