Analisi di modelli primari e secondari nella Microbiologia Predittiva: approccio a Reti Neurali

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Analisi di modelli primari e secondari nella Microbiologia Predittiva: approccio a Reti Neurali"

Transcript

1 Analisi di modelli primari e secondari nella Microbiologia Predittiva: approccio a Reti Neurali Prof. Crescenzio Gallo, Ing. Michelangelo De Bonis [c.gallo, Laboratorio per l'analisi Quantitativa dei Dati Dipartimento di Scienze Economiche, Matematiche e Statistiche Dipartimento di Scienze Biomediche Università di Foggia, Italy

2 2 Atti del Mathematica Italia User Group Meeting 2011.nb Abstract La microbiologia predittiva (PFM Predictive Food Microbiology) è un'area multidisciplinare di ricerca della microbiologia alimentare. Essa implementa elementi fondamentali di matematica, microbiologia, ingegneria e di chimica per sviluppare ed applicare modelli formali e predire la risposta della crescita di microorganismi in determinate condizioni ambientali. Questo lavoro ha un duplice scopo: analizzare le tecniche di modellizzazione già esistenti e affermate nel settore, e quindi proporre un modello matematico alternativo basato sulle Reti Neurali Artificiali, descrivendone i risultati.

3 Atti del Mathematica Italia User Group Meeting 2011.nb 3 Introduzione La microbiologia predittiva nasce dal desiderio di racchiudere il comportamento dei microorganismi in modelli matematici, al fine di rendere più semplici le procedure per la determinazione del rischio alimentare. La si può definire come una disciplina che ha l obiettivo di sviluppare modelli matematici accurati e nello stesso tempo versatili, in grado di descrivere l evoluzione microbica in prodotti alimentari, come funzione delle condizioni ambientali, che sono assunte conosciute e misurabili (Impe JV et al., 2005). I modelli matematici impiegati nella microbiologia predittiva possono essere classificati in tre tipi (Whiting R et al., 1993): primari; secondari; terziari. I modelli primari fanno riferimento a espressioni matematiche che descrivono l inattivazione, la sopravvivenza o la crescita batterica in termini di popolazione cellulare o di densità nel tempo, in determinate condizioni colturali e ambientali. L obiettivo è testare l abilità di un modello nel descrivere le curve microbiche di crescita e nell individuarne i parametri. I modelli secondari descrivono come variano i parametri stimati dall applicazione dei modelli primari, in funzione di una o più condizioni ambientali. Infine i modelli terziari combinano uno o più modelli primari e secondari, per generare un sistema in grado di predire il comportamento di specifici microorganismi, quando sottoposti a differenti condizioni ambientali. I dati e le curve di crescita con cui si sono svolte le indagini statistiche sono stati prelevati dal repository mondiale Combase. Il database contiene curve di crescita microbiche (Baranyi J et al., 2004). Dal seguente database sono state selezionate 80 curve di crescita di Shigella flexeneri, ottenute in terreno di coltura BHIB in anaerobiosi (i dati originari sono disponibili all'indirizzo La scelta è stata effettuata considerando quattro parametri di crescita: 1) temperatura, compresa nel range gradi Celsius 2) ph compreso tra ) concentrazione di NaCl compresa nel range 0.5% - 4 % 4) concentrazione di KNO 2 ê NaNO 2 compresa nel range ppm Per l'analisi e l'implementazione dei modelli è stato utilizzato il software Mathematica nella versione 8.0 disponibile nel Laboratorio per l'analisi Quantitativa dei Dati dell' Università degli Studi di Foggia. In particolare, Mathematica è stato impiegato per la normalizzazione di dati sperimentali e la realizzazione di reti neurali artificiali utilizzate per la previsione della crescita batterica, e per la produzione dei relativi grafici a corredo dell'indagine scientifica effettuata.

4 4 Atti del Mathematica Italia User Group Meeting 2011.nb Fase 1: Analisi dei dati mediante modelli primari Le curve di crescita microbiche, quando rappresentate dal logaritmo della concentrazione microbica nel tempo, mostrano un andamento tipicamente sigmoidale, nel quale possono essere individuate tre principali fasi di crescita: 1. una fase iniziale, detta fase lag, in cui la velocità specifica di crescita passa da un valore pari a zero al valore di massima velocità di crescita; 2. una fase esponenziale, in cui la velocità specifica di crescita resta costante; 3. una fase stazionaria, in cui la velocità di crescita diminuisce fino a raggiungere il valore zero. Per descrivere tali curve e ridurre i dati misurati ad un numero limitato di parametri, sono stati sviluppati diversi modelli, sia di tipo empirico che di tipo meccanicistico. I modelli più impiegati sono fondamentalmente tre: il modello di Gompertz, il modello di Baranyi-Roberts ed il modello di Buchanan. ü Modello di Gompertz Il modello di Gompertz, è un modello empirico (Zwietering M. et al., 1990) che è stato modificato per dare un significato biologico ai parametri che lo descrivono. Il modello è descritto dalla seguente equazione: log N = A g + D e -BHt-ML dove: - N indica la concentrazione dei microorganismi al tempo t [CFU/mL]; - D è la differenza tra il valore dell asintoto inferiore e dell asintoto superiore [1/CFU]; - B rappresenta la massima velocità di crescita al tempo M [1/s]; - M tempo in cui viene raggiunta la massima velocità di crescita [s]; - A g valore dell asintoto superiore [1/CFU]. ü Modello di Baranyi-Roberts Il modello proposto Baranyi e Roberts (Baranyi J. et al., 1994), a differenza del modello di Gompertz fonda su basi biologiche l interpretazione dei suoi parametri. La crescita della popolazione microbica può essere descritta dalle seguenti equazioni differenziali: N t = m max J QHtL NHtL N J1 - N NHtL 1+QHtL N max con NHt = 0L = N 0 QHtL t = m max QHtL con QHt = 0L = Q 0 La prima equazione differenziale descrive l evoluzione della crescita microbica NHtL con N 0 valore iniziale ed N max valore massimo di crescita [CFU/mL]. Il primo fattore induce la fase di crescita esponenziale, con un tasso massimo identificato da m max [1/h]. Il secondo fattore è la componente introdotta dalla fase lag, chiamato stato fisiologico delle cellule nel tempo QHtL [ ], che dipende dallo stato fisiologico iniziale Q 0. Questo stato è proporzionale alla concentrazione di una una ipotetica sostanza critica che simuli un collo di bottiglia nel processo di crescita. Il terzo fattore è la funzione di inibizione logistica, che nella fase stazionaria assume il ruolo di massimo nella crescita microbica. La seconda equazione differenziale descrive l evoluzione esponenziale del termine QHtL, con Q 0 [ ] il valore iniziale dello stato fisiologico.

5 Atti del Mathematica Italia User Group Meeting 2011.nb 5 La prima equazione differenziale descrive l evoluzione della crescita microbica NHtL con N 0 valore iniziale ed N max valore massimo di crescita [CFU/mL]. Il primo fattore induce la fase di crescita esponenziale, con un tasso massimo identificato da m max [1/h]. Il secondo fattore è la componente introdotta dalla fase lag, chiamato stato fisiologico delle cellule nel tempo QHtL [ ], che dipende dallo stato fisiologico iniziale Q 0. Questo stato è proporzionale alla concentrazione di una una ipotetica sostanza critica che simuli un collo di bottiglia nel processo di crescita. Il terzo fattore è la funzione di inibizione logistica, che nella fase stazionaria assume il ruolo di massimo nella crescita microbica. La seconda equazione differenziale descrive l evoluzione esponenziale del termine QHtL, con Q 0 [ ] il valore iniziale dello stato fisiologico. ü Modello di Buchanan o Modello Lineare a Tre Fasi Sebbene il modello di Baranyi produca un buon fit, l elevato numero di parametri da stimare e la sua sensibilità al numero di dati e alla loro distribuzione, lo rendono particolarmente complesso. Per questo motivo Buchanan (Buchanan R et al., 1997) propone il three phase linear model che può essere schematizzato come segue: log N = loghn 0 L log N = loghn 0 L + m max Ht - tl per Ht tl per Ht < t < t m L log N = loghn max L dove m max = loghn max L - logn 0 Ht m -tl Praticamente il modello è sviluppato sulle seguenti assunzioni (Li H et al., 2007): - durante la fase lag la velocità specifica di crescita è zero; - durante la fase esponenziale, il logaritmo della popolazione microbica aumenta linearmente con il tempo; - durante la fase stazionaria la velocità specifica di crescita torna ad essere zero.

6 6 Atti del Mathematica Italia User Group Meeting 2011.nb Fase 2: Analisi dei modelli secondari con Neural Networks L'analisi effettuata con i tre modelli primari ha dato, per ogni curva presa in analisi, come risultato il tempo di permanenza nella fase iniziale e la velocità nella fase di crescita. Come modello secondario, cioè la possibilità attraverso un modello matematico di poter predire una situazione al tempo Ht + il, sono state utilizzate delle reti neurali artificiali. Quando i dati di input provengono da una funzione con valori reali di output in un intervallo continuo, una rete neurale può eseguire un'approssimazione tradizionale della funzione in oggetto. Un esempio di un problema di approssimazione potrebbe essere quello in cui la temperatura di un oggetto è determinata da misure secondarie, come ad esempio emissione di radiazioni. Un altro esempio più banale potrebbe essere quello di valutare la misura delle scarpe sulla base dell'altezza di una persona. Questi due esempi, ovviamente, riguardano dei modelli molto semplici e semplicistici con un solo ingresso e una sola uscita. Un modello più avanzato potrebbe essere quello di usare un ulteriore elemento come dato di ingresso, il genere sessuale, come un secondo indicatore per ricavare una stima più accurata della misura delle scarpe. Le funzioni possono comunque essere approssimate con i seguenti due tipi di rete neurale: FeedForward e Radial Basis Function (Sjoberg J., 2005). E' compito del ricercatore cogliere le sottili differenze di implementazioni tra i due tipololgie di rete e saperle applicare nel contesto migliore. In questo lavoro la struttura principale utilizzata è stata quella FeedForward; le relative reti neurali sono state costruite ponendo in ingresso i valori di "uscita" del modello primario (il valore del tempo di permananenza nella fase lag e il valore di velocità della crescita batterica) e studiando la migliore configurazione di rete che approssimi i dati reali. ü Neural Network per il modello di Gompertz Per i dati ottenuti dal modello primario di Gompertz la migliore configurazione di rete neurale presenta le seguenti caratteristische: struttura di tipo FeedForward con due strati nascosti e 3 neuroni per ciascuno strato, valore di learning rate di 0.06 e valore del momentum coefficient di 0.6. L errore in termini di RMSE è Il seguente è lo schema della rete neurale implementata. ü Neural Network per il modello di Baranyi-Roberts

7 Atti del Mathematica Italia User Group Meeting 2011.nb 7 Neural Network per il modello di Baranyi-Roberts Per i dati ottenuti dal modello primario di Baranyi-Roberts la migliore configurazione di rete neurale presenta le seguenti caratteristische: struttura di tipo FeedForward con due strati nascosti, 5 neuroni per il primo strato nascosto e 9 per il secondo, valore di learning rate di 0.05 e valore del momentum coefficient di 0.6. L errore in termini di RMSE è Il seguente è lo schema della rete neurale implementata. ü Neural Network per il modello di Buchanan Per i dati ottenuti dal modello primario di Buchanan la migliore configurazione di rete neurale presenta le seguenti caratteristische: struttura di tipo FeedForward con due strati nascosti, 12 neuroni per il primo strato nascosto e 2 per il secondo, valore di learning rate di 0.01 e valore del momentum coefficient di 0.5. L errore in termini di RMSE è Il seguente è lo schema della rete neurale implementata. ü

8 8 Atti del Mathematica Italia User Group Meeting 2011.nb

9 Atti del Mathematica Italia User Group Meeting 2011.nb 9 Fase 3: Analisi dei dati con approccio con Neural Networks In questo approccio di ricerca è stato utilizzato lo strumento delle reti neurali direttamente sui dati raccolti dal database. Si è scelto di rovesciare la filosofia "classica" di approccio al problema, in cui il valore di previsione viene derivato attraverso i due passaggi espressi dalla fase 1 (analisi dei dati con uno dei metodi primari) e dalla fase 2 (analisi dei risultati dei modelli primari e successive indigini di regressione statistica). Il problema è stato ricostruito secondo il seguente obiettivo: è possibile implementare una rete neurale che, conoscendo solamente i dati nel loro stato "grezzo", sia in grado di predire il valore di crescita batterica al tempo Ht + il? Per poter rispondere a questa domanda, il lavoro più importante è stato quello della costruzione del nuovo modello di analisi e della relativa forma dei dati in ingresso. Dopo attente analisi il dato di input (il valore di concentrazione batterica) è stato determinato dai seguenti parametri: dati ambientali, il tempo e il valore di concentrazione iniziale. Si potrebbe esprimere la relazione come segue: log HNL = f HT, ph, NaCl, KNO 2 ênano 2, t, loghn 0 L) dove: - N indica la concentrazione dei microorganismi al tempo t [CFU/mL]; - N 0 è la concentrazione dei microorganismi al tempo 0 [CFU/mL]; - T è la temperatura in gradi Celsius; - ph è il valore dell'indice di acidità della curva; - t è la variabile temporale di crescita; - NaCl rappresenta la percentuale di cloruro di sodio presente; - KNO 2 ênano 2 rappresenta, infine, la concentrazione dei sali espressa in parti per milione [ppm]. La rete neurale ha quindi la seguente struttura: 6 neuroni nello strato di input, relativi a temperatura, ph, percentuale di NaCl, concentrazione di KNO 2 ênano 2, tempo e logaritmo della concentrazione iniziale. Lo strato di uscita è costituito da un solo neurone, il quale individua il logaritmo della concentrazione. Il set di dati contiene 734 elementi in totale. Questi sono stati suddivisi come segue: 500 punti per il training test, 106 per il validation test, 106 nel test set e 22 punti provenienti da 3 curve di crescita diverse utili per la "simulazione" dell'effettiva bontà del nostro modello matematico. Infatti, questi ultimi dati sono stati utilizzati per verificare se il modello è in grado di riprodurre l andamento tipico della curva di crescita e corrispondono alle seguenti curve: - H180A (T = 37 C, ph = 5.05, NaCl = 0.5 %, KNO 2 ênano 2 = 0 ppm) - H270A (T = 19 C, ph = 6.05, NaCl = 0.5 %, KNO 2 ênano 2 = 0 ppm) - H90C (T = 28 C, ph = 5.05, NaCl = 0.5 %, KNO 2 ênano 2 = 0 ppm) La migliore configurazione di rete è stata individuata in due strati nascosti con 5 neuroni per ciascuno strato, valore di learning rate di 0.02, valore di momentum coefficient di 0.9. L RMSE ottenuto è pari a La sua struttura è visualizzata nella figura seguente.

10 10 Atti del Mathematica Italia User Group Meeting 2011.nb

11 Atti del Mathematica Italia User Group Meeting 2011.nb 11 Implementazione in Mathematica della Fase 3: Analisi dei dati con Neural Network Inizializzazione ü Packages e funzioni << NeuralNetworks`; << pointcurves_minusthree.txt; minmax_d := i, j<, = 1, j <= j++, = 8i, = minmaxinpd minmaxoutd minmax_, inpresc_, xmin_, xmax_d := i, j<, = 1, j <= j++, = 8i, 8xmin, xmax<dd; inpresc = 8i, 8j, minmaxinp, inputresc, 0.1, 0.9D; minmaxout, outputresc, 0.1, 0.9D; outtrain, inpvalid, outvalid, inptest, outtestd output_, inptrain_, outtrain_, ntrain_, inpvalid_, outvalid_, nvalid_, inptest_, outtest_d := 8i, j, x, y, rand, inptr = 8<, outtr = 8<, inpv = 8<, outv = 8<, inp = input, out = output<, = 1, i ntrain, i++, rand = 81, x = inptr = xd; y = outtr = yd; inp = 8rand<D; out = 8rand<DD; = 1, j nvalid, j++, rand = 81, x = inpv = xd; y = outv = yd; inp = 8rand<D; out = 8rand<DD; inptest = inp; outtest = out; inptrain = inptr; outtrain = outtr; inpvalid = inpv; outvalid = outvd; outputresc, inptrain, outtrain, 500, inpvalid, outvalid, 106, inptest, outtestd; inptrain >>> pointcurves_scaled.txt outtrain >>> pointcurves_scaled.txt inpvalid >>> pointcurves_scaled.txt outvalid >>> pointcurves_scaled.txt inptest >>> pointcurves_scaled.txt outtest >>> pointcurves_scaled.txt << pointcurves_scaled.txt; Rete Neurale ü Inizializzazione e fitting netfdwrd2, fitreportd;

12 12 Atti del Mathematica Italia User Group Meeting 2011.nb netfdwrd = outtrain, 85, 7<, BiasParameters Ø True, RandomInitialization Ø True, OutputNonlinearity Ø SigmoidD w2, w3<<, 8Neuron Ø Sigmoid, FixedParameters Ø None, AccumulatedIterations Ø 0, CreationDate Ø 82011, 8, 31, 18, 1, <, OutputNonlinearity Ø Sigmoid, NumberOfInputs Ø 6<D 8netfdwrd2, fitreport< = inptrain, outtrain, inpvalid, outvalid, , Method Ø BackPropagation, StepLength Ø 0.02, Momentum Ø 0.9, CriterionPlot Ø TrueD; RMSE Iterations ü Inizializzazioni indici di controllo y_d := ModuleB8i, j, n = m = tot, parz1<, tot = n m i=1 j= n ; ForBj = 1, j <= j++, = n i= n ; for attribute ", j, " is: ", RMSE is: ", totd;f outpred = outtest; outtestd RMSE for attribute 1 is: Total RMSE is:

13 Atti del Mathematica Italia User Group Meeting 2011.nb 13 xmin_, xmax_, inpresc_, minmax_d := i, j<, = 1, j <= j++, = 8i, 8xmin, xmax<, inpresc = 8i, 8j, 0.1, 0.9, outpredreal, minmaxoutd; 0.1, 0.9, outtestreal, minmaxoutd; 0.1, 0.9, inptestreal, minmaxinpd; ü Set di generalizzazione dei dati << threecurves.txt = 1, i <= i++, minmaxinp, 0.1, 0.9D;D curvesrescaled = 8i, = 1, i <= i++, minmaxout, 0.1, 0.9D;D logrescaled = 8i, logpred = 8i, 8j, = 1, i i++, <, <, <, <, <, <, <, <<, <, <, <, <, <, <, <<, <, <, <, <, <, <, <<< <, <, <, <, <, <, <, <<, <, <, <, <, <, <, <<, <, <, <, <, <, <, <<< RMSE for attribute 1 is: Total RMSE is: Null RMSE for attribute 1 is: Total RMSE is: Null RMSE for attribute 1 is: Total RMSE is: Null

14 14 Atti del Mathematica Italia User Group Meeting 2011.nb logpredictedreald; = 1, i i++, 0.1, 0.9, minmaxoutdd logpredictedreal = 8i, curvetimelogreal = 8i, 8j, curvetimelogreal curvelogtimepred = 8i, 8j, <, <, <, <, <, <, <, <<, <, <, <, <, <, <, <<, <, <, <, <, <, <, <<< 8880., 3.06<, 82., 2.95<, 84., 3.93<, 87., 4.98<, 819., 7.78<, 822., 8.2<, 825., 7.72<, 828., 7.8<<, 880., 2.77<, 818., 4.68<, 824., 4.76<, 896., 8.72<, 899., 8.79<, 8114., 8.79<, , 9.02<<, 880., 3.09<, 84., 3.29<, 819.5, 7.25<, 823., 7.98<, 827., 8.52<, 847., 8.57<, 851.5, 8.57<<< 8880., <, 82., <, 84., <, 87., <, 819., <, 822., <, 825., <, 828., <<, 880., <, 818., <, 824., <, 896., <, 899., <, 8114., <, , <<, 880., <, 84., <, 819.5, <, 823., <, 827., <, 847., <, 851.5, <<< Risultati ü Confrotto dati Reali - dati previsti dalla Rete Neurale = 1, i i++, conditions: t,ph,nacl,kno2 ", " ", " ", " ", " Predicted ", Filling Ø Axis, Joined Ø TrueD, " Real ", Filling Ø Axis, Joined Ø TrueDDD

15 Atti del Mathematica Italia User Group Meeting 2011.nb 15 Environmental conditions: t,ph,nacl,kno Predicted Real Environmental conditions: t,ph,nacl,kno Predicted Real

16 16 Atti del Mathematica Italia User Group Meeting 2011.nb Environmental conditions: t,ph,nacl,kno Predicted Real = 1, i i++, conditions: t,ph,nacl,kno2 ", " ", " ", " ", " Predicted ê Real ", Filling Ø Axis, Joined Ø TrueDDD

17 Atti del Mathematica Italia User Group Meeting 2011.nb 17 Environmental conditions: t,ph,nacl,kno Predicted ê Real Environmental conditions: t,ph,nacl,kno Predicted ê Real Environmental conditions: t,ph,nacl,kno Predicted ê Real

18 18 Atti del Mathematica Italia User Group Meeting 2011.nb Considerazioni e Conclusioni L'indagine condotta utilizza una metodica "alternativa" ai canoni della letteratura nel campo della microbiologia predittiva (PFM Predictive Food Microbiology). Infatti, sono stati qui considerati i valori del logaritmo (in base 10) della concentrazione come funzione del tempo, la concentrazione iniziale ed i parametri ambientali. Usando i dati così costituiti si è costruito un modello basato su rete neurale in grado di predire la concentrazione batterica in base al tempo, la concentrazione iniziale ed i parametri ambientali. Come mostrato il modello è in grado di riprodurre molto bene una curva di crescita batterica, sebbene l errore in termini di RMSE sia più alto rispetto agli altri modelli. Ma questo porta il ricercatore a migliorare il modello della Rete Neurale ("tarando" il numero di neuroni e di strati nascosti), magari aggiungendo informazioni iniziali al set di dati, perché la rete neurale intrinsicamente riesce a riconoscere l'andatamento della curva di crescita e a simularne, o a predirne, valori futuri. Questo tipo di indagine, ed i modelli matematici sottostanti, richiede notevoli capacità di calcolo e di modellizzazione simbolica che non sono normalmente disponibili o comunque agevoli da affrontare con un semplice approccio "concettuale". Gli strumenti di modellizzazione e di calcolo (simbolico e numerico) nonché gli strumenti tradizionali di programmazione procedurale offerti dall'ambiente Mathematica hanno consentito la comparazione di diversi approcci di modellizzazione in breve tempo, e riteniamo nell'immediato futuro di poter migliorare sensibilmente l'accuratezza dei risultati di previsione ottenuti mediante rete neurale per mezzo di un "raffinamento" mirato nella strutturazione delle stesse, sia in termini di numero di neuroni che di strati nascosti impiegati.

19 Atti del Mathematica Italia User Group Meeting 2011.nb 19 Riferimenti Bibliografici J. V. Impe, F. Poschet, A. Geeraerd, and K. Vereecken, Towards a novel class of predictive microbial growth models, International Journal of Food Microbiology, vol. 100, pp , R. Whiting and R. Buchanan, A classification of models for predictive microbiology, Food Microbiology, vol. 10, pp , J. Baranyi and M. Tamplin, Combase: a common database on microbial responses to food environments, Journal of Food Protection, no.67, pp , M. Zwietering, I. Jongenburger, F. Rombouts, and K. van t Riet, Modeling of the bacterial growth curve, Appl. Environ. Microbiol, vol. 56, p. 1975, J. Baranyi and T.Robert, A dynamic approach to predicting bacterial growth in food, International Journal of Food Microbiology, vol.23, pp , R. Buchanan, R.Whiting, and W.Damert, When is simple good enough: a comparison of the gompertz, baranyi, and three-phase linear models for fitting bacterial growth curves, Food Microbiology, vol.14, pp , H. Li, G. Xie, and A. Edmondson, Evolution and limitations of primary mathematical models in predictive microbiology, Br.Food Journal, vol.109, pp , J. Sjoberg, Mathematica - Neural Network: Train and analyze Neural Networks fit your data, Wolfram Research, 2005.

Analisi di modelli primari e secondari nella Microbiologia Predittiva: approccio a Reti Neurali

Analisi di modelli primari e secondari nella Microbiologia Predittiva: approccio a Reti Neurali Analisi di modelli primari e secondari nella Microbiologia Predittiva: approccio a Reti Neurali Prof. Crescenzio Gallo, Ing. Michelangelo De Bonis [c.gallo, m.debonis]@ieee.org Laboratorio per l'analisi

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

Backpropagation in MATLAB

Backpropagation in MATLAB Modello di neurone BACKPROPAGATION Backpropagation in MATLAB Prof. Beatrice Lazzerini Dipartimento di Ingegneria dell Informazione Via Diotisalvi 2, 56122 Pisa La funzione di trasferimento, che deve essere

Dettagli

estratto da Competenze assi culturali Raccolta delle rubriche di competenza formulate secondo i livelli EFQ a cura USP Treviso Asse matematico

estratto da Competenze assi culturali Raccolta delle rubriche di competenza formulate secondo i livelli EFQ a cura USP Treviso Asse matematico Competenza matematica n. BIENNIO, BIENNIO Utilizzare le tecniche e le procedure del calcolo aritmetico ed algebrico, rappresentandole anche sotto forma grafica BIENNIO BIENNIO Operare sui dati comprendendone

Dettagli

DISCIPINA: SCIENZE SCUOLA PRIMARIA: CLASSE PRIMA APPRENDIMENTO. 1. Esplorare il mondo attraverso i cinque sensi

DISCIPINA: SCIENZE SCUOLA PRIMARIA: CLASSE PRIMA APPRENDIMENTO. 1. Esplorare il mondo attraverso i cinque sensi SCUOLA PRIMARIA: CLASSE PRIMA COMPETENZE OBIETTIVI DI APPRENDIMENTO ATTIVITA - VERIFICA E VALUTAZIONE 1. Osserva persone e oggetti nell ambiente circostante 2. Classifica, identifica relazioni, produce

Dettagli

Software di microbiologia predittiva: bene comune

Software di microbiologia predittiva: bene comune Software di microbiologia predittiva: bene comune Come e perchè utilizzare i software di microbiologia predittiva disponibili in rete. La validazione dei modelli attraverso challenge test. Elena CoscianiCunico,

Dettagli

Analisi del Rischio Rapina

Analisi del Rischio Rapina G. Bruno Ronsivalle Analisi del Rischio Rapina Il nuovo modello di valutazione e simulazione mediante algoritmi neuronali Verso una visione integrata del rischio rapina I tre livelli del modello di analisi

Dettagli

6.2 Modelli per il monossido di carbonio

6.2 Modelli per il monossido di carbonio 6.2 Modelli per il monossido di carbonio La serie temporale scelta per l addestramento è quella rilevata in via Piave poiché tra le stazioni idonee, per legge, al controllo di questo inquinante essa presenta

Dettagli

Reti Neurali Artificiali per la Finanza (7 CFU)

Reti Neurali Artificiali per la Finanza (7 CFU) Reti Neurali Artificiali per la Finanza (7 CFU) Facoltà di Economia - Università di Foggia CdLM in Finanza a.a. 2011/2012 Prof. Crescenzio Gallo c.gallo@unifg.it Premessa Le tecniche adottate per l'analisi

Dettagli

Introduzione alla Simulazione Numerica

Introduzione alla Simulazione Numerica Introduzione alla Simulazione Numerica Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it rev. 1.0 - Novembre 2001 Simulazione numerica Tecnica che permette di eseguire esperimenti su un

Dettagli

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale

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

Dettagli

Pro e contro delle RNA

Pro e contro delle RNA Pro e contro delle RNA Pro: - flessibilità: le RNA sono approssimatori universali; - aggiornabilità sequenziale: la stima dei pesi della rete può essere aggiornata man mano che arriva nuova informazione;

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com

Dettagli

LINEA DI RICERCA 2.8: "Analisi e catalogazione degli esperimenti agronomici di lungo termine: produttività e ciclo del carbonio."

LINEA DI RICERCA 2.8: Analisi e catalogazione degli esperimenti agronomici di lungo termine: produttività e ciclo del carbonio. Relazione II anno Climagri - Cambiamenti Climatici e Agricoltura sottoprogetto 2: Agricoltura Italiana e Cambiamenti Climatici LINEA DI RICERCA 2.8: "Analisi e catalogazione degli esperimenti agronomici

Dettagli

General Linear Model. Esercizio

General Linear Model. Esercizio Esercizio General Linear Model Una delle molteplici applicazioni del General Linear Model è la Trend Surface Analysis. Questa tecnica cerca di individuare, in un modello di superficie, quale tendenza segue

Dettagli

Disciplina: SCIENZE MATEMATICHE UNITÀ DI APPRENDIMENTO 1

Disciplina: SCIENZE MATEMATICHE UNITÀ DI APPRENDIMENTO 1 Disciplina: SCIENZE MATEMATICHE UNITÀ DI APPRENDIMENTO 1 OBIETTIVO FORMATIVO Comprendere come gli strumenti matematici siano necessari per operare nella realtà. L alunno si muove con sicurezza nel calcolo

Dettagli

Capitolo 2. Un introduzione all analisi dinamica dei sistemi

Capitolo 2. Un introduzione all analisi dinamica dei sistemi Capitolo 2 Un introduzione all analisi dinamica dei sistemi Obiettivo: presentare una modellistica di applicazione generale per l analisi delle caratteristiche dinamiche di sistemi, nota come system dynamics,

Dettagli

Lineamenti di econometria 2

Lineamenti di econometria 2 Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) Aspetti Statistici della Regressione Aspetti Statistici della Regressione

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE INTRODUZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Introduzione alla simulazione Una simulazione è l imitazione

Dettagli

Premesse alla statistica

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

Dettagli

Computazione per l interazione naturale: Modelli dinamici

Computazione per l interazione naturale: Modelli dinamici Computazione per l interazione naturale: Modelli dinamici Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html

Dettagli

Feature Selection per la Classificazione

Feature Selection per la Classificazione 1 1 Dipartimento di Informatica e Sistemistica Sapienza Università di Roma Corso di Algoritmi di Classificazione e Reti Neurali 20/11/2009, Roma Outline Feature Selection per problemi di Classificazione

Dettagli

FSE, l approccio ingegneristico alla sicurezza antincendio Ing. Pierpaolo Gentile, PhD Direttore del Corpo Nazionale dei Vigili Del Fuoco

FSE, l approccio ingegneristico alla sicurezza antincendio Ing. Pierpaolo Gentile, PhD Direttore del Corpo Nazionale dei Vigili Del Fuoco DIPARIMENTO DEI VIGLI DEL FUOCO DEL SOCCORSO PUBBLICO E DELLA DIFESA CIVULE Ordine degli Ingegneri Provincia di Latina FSE, l approccio ingegneristico alla sicurezza antincendio Ing. Pierpaolo Gentile,

Dettagli

Regressione Mario Guarracino Data Mining a.a. 2010/2011

Regressione Mario Guarracino Data Mining a.a. 2010/2011 Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume

Dettagli

Ing. Simone Giovannetti

Ing. Simone Giovannetti Università degli Studi di Firenze Dipartimento di Elettronica e Telecomunicazioni Ing. Simone Giovannetti Firenze, 29 Maggio 2012 1 Incertezza di Misura (1/3) La necessità di misurare nasce dall esigenza

Dettagli

Riconoscimento di cifre manoscritte tramite una rete neurale

Riconoscimento di cifre manoscritte tramite una rete neurale Riconoscimento di cifre manoscritte tramite una rete neurale 3 luglio 2008 Argomenti discussi 1 Il problema 2 Il training set Codifica dei file 3 Soluzione implementata Soluzione ideale Soluzione implementata

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

Introduzione al Calcolo Scientifico

Introduzione al Calcolo Scientifico Introduzione al Calcolo Scientifico Corso di Calcolo Numerico, a.a. 2010/2011 Francesca Mazzia Dipartimento di Matematica Università di Bari Francesca Mazzia (Univ. Bari) Introduzione al Calcolo Scientifico

Dettagli

MATEMATICA nella REALTA

MATEMATICA nella REALTA MATEMATICA nella REALTA Lucia Della Croce Giulia Maggi Ada Pulvirenti Dipartimento di Matematica Università di Pavia Piano Lauree Scientifiche Pavia 29 Settembre 2010 Attività proposte A. S. 2010 2011

Dettagli

Automazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it

Automazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione

Dettagli

STATISTICA DESCRITTIVA UNIVARIATA

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

Dettagli

Introduzione. Modellizzazione: descrizione di un fenomeno fisico (biologico) con linguaggio matematico.

Introduzione. Modellizzazione: descrizione di un fenomeno fisico (biologico) con linguaggio matematico. Introduzione Modellizzazione: descrizione di un fenomeno fisico (biologico) con linguaggio matematico. Alcuni aspetti da tenere presenti: * range di validita del modello; * "profondita " o "risoluzione"

Dettagli

Metodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla

Metodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla Il metodo della regressione può essere esteso dal caso in cui si considera la variabilità della risposta della y in relazione ad una sola variabile indipendente X ad una situazione più generale in cui

Dettagli

I Sistemi Informativi Geografici. Laboratorio GIS 1

I Sistemi Informativi Geografici. Laboratorio GIS 1 I Sistemi Informativi Geografici Laboratorio GIS 1 Sistema Informativo Geografico Strumento computerizzato che permette di posizionare ed analizzare oggetti ed eventi che esistono e si verificano sulla

Dettagli

Introduzione al Calcolo Scientifico

Introduzione al Calcolo Scientifico Introduzione al Calcolo Scientifico Corso di Calcolo Numerico, a.a. 2008/2009 Francesca Mazzia Dipartimento di Matematica Università di Bari Francesca Mazzia (Univ. Bari) Introduzione al Calcolo Scientifico

Dettagli

Analisi statistica delle funzioni di produzione

Analisi statistica delle funzioni di produzione Analisi statistica delle funzioni di produzione Matteo Pelagatti marzo 28 Indice La funzione di produzione di Cobb-Douglas 2 2 Analisi empirica della funzione di produzione aggregata 3 Sommario Con la

Dettagli

RISORSE UMANE PROFILI TECNICI STIMA DEL FABBISOGNO PER IL PTA

RISORSE UMANE PROFILI TECNICI STIMA DEL FABBISOGNO PER IL PTA Pagina: 1 di 9 Registro delle modifiche Data Sezione del documento / Motivo della revisione Revisione 11/03/2010 Emissione formale A ALLEGATI: ---- DISTRIBUZIONE DEL DOCUMENTO: Direttore Generale Dott.

Dettagli

SCIENZE. OBIETTIVI DI APPRENDIMENTO (dalle Indicazioni Nazionali) AL TERMINE DELLA CLASSE TERZA. Esplorare e descrivere oggetti e materiali

SCIENZE. OBIETTIVI DI APPRENDIMENTO (dalle Indicazioni Nazionali) AL TERMINE DELLA CLASSE TERZA. Esplorare e descrivere oggetti e materiali SCIENZE CLASSE 1 a TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE OBIETTIVI DI APPRENDIMENTO INDICATORI DI VALUTAZIONE (Stabiliti dal Collegio Docenti) AL TERMINE DELLA SCUOLA PRIMARIA AL TERMINE DELLA CLASSE

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 5-Indici di variabilità (vers. 1.0c, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

Verifica e Validazione del Simulatore

Verifica e Validazione del Simulatore Verifica e del Simulatore I 4 passi principali del processo simulativo Formulare ed analizzare il problema Sviluppare il Modello del Sistema Raccolta e/o Stima dati per caratterizzare l uso del Modello

Dettagli

Reti neurali nel Data Mining, altre tecniche utilizzate nel DM e valutazione dei modelli.

Reti neurali nel Data Mining, altre tecniche utilizzate nel DM e valutazione dei modelli. Reti neurali nel Data Mining, altre tecniche utilizzate nel DM e valutazione dei modelli. Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Utilizzo di reti neurali nel

Dettagli

Elementi di statistica. Giulia Simi (Università di Siena) Istituzione di matematica e fondamenti di Biostatistica Siena 2015-2016 1 / 1

Elementi di statistica. Giulia Simi (Università di Siena) Istituzione di matematica e fondamenti di Biostatistica Siena 2015-2016 1 / 1 Elementi di statistica Giulia Simi (Università di Siena) Istituzione di matematica e fondamenti di Biostatistica Siena 2015-2016 1 / 1 Statistica La statistica si può definire come: l insieme dei metodi

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

Modelli per variabili dipendenti qualitative

Modelli per variabili dipendenti qualitative SEMINARIO GRUPPO TEMATICO METODI e TECNICHE La valutazione degli incentivi industriali: aspetti metodologici Università di Brescia, 17 gennaio 2012 Modelli per variabili dipendenti qualitative Paola Zuccolotto

Dettagli

Capitolo 13: L offerta dell impresa e il surplus del produttore

Capitolo 13: L offerta dell impresa e il surplus del produttore Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:

Dettagli

Università degli Studi di Ferrara Polo Scientifico Tecnologico

Università degli Studi di Ferrara Polo Scientifico Tecnologico La ricerca scientifica italiana nel campo dell idraulica: presentazione dei risultati dei progetti PRIN 2008 Ferrara, 24-25 gennaio 2013 PRIN - ADATTAMENTO DEI SISTEMI E DEI SERVIZI IDROPOTABILI A SCENARI

Dettagli

lezione 18 AA 2015-2016 Paolo Brunori

lezione 18 AA 2015-2016 Paolo Brunori AA 2015-2016 Paolo Brunori Previsioni - spesso come economisti siamo interessati a prevedere quale sarà il valore di una certa variabile nel futuro - quando osserviamo una variabile nel tempo possiamo

Dettagli

Liceo Linguistico I.F.R.S. Marcelline. Curriculum di Matematica

Liceo Linguistico I.F.R.S. Marcelline. Curriculum di Matematica Liceo Linguistico I.F.R.S. Marcelline Curriculum di Matematica Introduzione La matematica nel nostro Liceo Linguistico ha come obiettivo quello di far acquisire allo studente saperi e competenze che lo

Dettagli

Uno standard per il processo KDD

Uno standard per il processo KDD Uno standard per il processo KDD Il modello CRISP-DM (Cross Industry Standard Process for Data Mining) è un prodotto neutrale definito da un consorzio di numerose società per la standardizzazione del processo

Dettagli

IL MODELLO DI MICHAELIS E MENTEN PER LA CINETICA ENZIMATICA.

IL MODELLO DI MICHAELIS E MENTEN PER LA CINETICA ENZIMATICA. CORSO DI CHIMICA E PROPEDEUTICA BIOCHIMICA FACOLTA DI MEDICINA E CHIRURGIA. IL MODELLO DI MICHAELIS E MENTEN PER LA CINETICA ENZIMATICA. Un enzima è una proteina capace di catalizzare una specifica reazione

Dettagli

Il risultato di un analisi chimica è un informazione costituita da: un numero un incertezza un unità di misura

Il risultato di un analisi chimica è un informazione costituita da: un numero un incertezza un unità di misura Il risultato di un analisi chimica è un informazione costituita da: un numero un incertezza un unità di misura Conversione del risultato in informazione utile È necessario fare alcune considerazioni sul

Dettagli

Le misure dell accrescimento demografico

Le misure dell accrescimento demografico Le misure dell accrescimento demografico Una domanda importante a cui la demografia cerca di rispondere è: di quanto aumenta, e con quale velocità, la popolazione?. Il calcolo del tasso d incremento r

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

Principi di analisi causale Lezione 2

Principi di analisi causale Lezione 2 Anno accademico 2007/08 Principi di analisi causale Lezione 2 Docente: prof. Maurizio Pisati Logica della regressione Nella sua semplicità, l espressione precedente racchiude interamente la logica della

Dettagli

AREA MATEMATICO-SCIENTIFICO-TECNOLOGICA MATEMATICA

AREA MATEMATICO-SCIENTIFICO-TECNOLOGICA MATEMATICA AREA MATEMATICO-SCIENTIFICO-TECNOLOGICA MATEMATICA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA SECONDARIA DI PRIMO GRADO. L alunno ha rafforzato un atteggiamento positivo rispetto

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

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

Modelli matematici avanzati per l azienda a.a. 2010-2011

Modelli matematici avanzati per l azienda a.a. 2010-2011 Modelli matematici avanzati per l azienda a.a. 2010-2011 Docente: Pasquale L. De Angelis deangelis@uniparthenope.it tel. 081 5474557 http://www.economia.uniparthenope.it/siti_docenti P.L.DeAngelis Modelli

Dettagli

SCIENZE SCUOLA PRIMARIA

SCIENZE SCUOLA PRIMARIA SCIENZE SCUOLA PRIMARIA CLASSE PRIMA 1 I CINQUE SENSI 1. Osservare il funzionamento del proprio corpo per riconoscerlo come organismo complesso 2. Osservare e riconoscere alcune caratteristiche dei corpi

Dettagli

LA CRESCITA DELLE POPOLAZIONI ANIMALI

LA CRESCITA DELLE POPOLAZIONI ANIMALI LA CRESCITA DELLE POPOLAZIONI ANIMALI Riccardo Scipioni Generalmente, con il termine crescita di una popolazione si intende l aumento, nel tempo, del numero di individui appartenenti ad una stessa popolazione.

Dettagli

Parimenti una gestione delle scorte in maniera non oculata può portare a serie ripercussioni sul rendimento sia dei mezzi propri che di terzi.

Parimenti una gestione delle scorte in maniera non oculata può portare a serie ripercussioni sul rendimento sia dei mezzi propri che di terzi. Metodo per la stima del ROE e del ROI in un azienda operante nel settore tessile abbigliamento in funzione delle propria struttura di incasso e pagamento e della gestione delle rimanenze di magazzino.

Dettagli

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A.

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A. CLASSE quinta INDIRIZZO AFM-SIA-RIM-TUR UdA n. 1 Titolo: LE FUNZIONI DI DUE VARIABILI E L ECONOMIA Utilizzare le strategie del pensiero razionale negli aspetti dialettici e algoritmici per affrontare situazioni

Dettagli

Limited Dependent Variable Models

Limited Dependent Variable Models Limited Dependent Variable Models Logit Tobit Probit Modelli Logit e Probit Latent variable models for binary choice Models for descrete dependent variable Traducendo Spesso vogliamo studiare (le determinanti

Dettagli

Corso di Elettronica di Potenza (12 CFU) ed Elettronica Industriale (6 CFU) Convertitori c.c.-c.c. 2/83

Corso di Elettronica di Potenza (12 CFU) ed Elettronica Industriale (6 CFU) Convertitori c.c.-c.c. 2/83 I convertitori c.c.-c.c. monodirezionali sono impiegati per produrre in uscita un livello di tensione diverso da quello previsto per la sorgente. Verranno presi in considerazione due tipi di convertitori

Dettagli

Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva. Brugnaro Luca

Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva. Brugnaro Luca Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva Brugnaro Luca Progetto formativo complessivo Obiettivo: incrementare le competenze degli operatori sanitari nelle metodiche

Dettagli

Indirizzo odontotecnico a.s. 2015/2016

Indirizzo odontotecnico a.s. 2015/2016 I.P.S.I.A E. DE AMICIS - ROMA PROGRAMMAZIONE DIDATTICA DI MATEMATICA Classe 5C Indirizzo odontotecnico a.s. 2015/2016 Prof. Rossano Rossi La programmazione è stata sviluppata seguendo le linee guida ministeriali

Dettagli

La logica statistica della verifica (test) delle ipotesi

La logica statistica della verifica (test) delle ipotesi La logica statistica della verifica (test) delle ipotesi Come posso confrontare diverse ipotesi? Nella statistica inferenziale classica vengono sempre confrontate due ipotesi: l ipotesi nulla e l ipotesi

Dettagli

Page 1. Evoluzione. Intelligenza Artificiale. Algoritmi Genetici. Evoluzione. Evoluzione: nomenclatura. Corrispondenze natura-calcolo

Page 1. Evoluzione. Intelligenza Artificiale. Algoritmi Genetici. Evoluzione. Evoluzione: nomenclatura. Corrispondenze natura-calcolo Evoluzione In ogni popolazione si verificano delle mutazioni. Intelligenza Artificiale In un ambiente che varia, le mutazioni possono generare individui che meglio si adattano alle nuove condizioni. Questi

Dettagli

TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA PRIMARIA

TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA PRIMARIA SCUOLA PRIMARIA DI CORTE FRANCA MATEMATICA CLASSE QUINTA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA PRIMARIA L ALUNNO SVILUPPA UN ATTEGGIAMENTO POSITIVO RISPETTO ALLA MATEMATICA,

Dettagli

evolution and innovation in SME s rating

evolution and innovation in SME s rating evolution and innovation in SME s rating IL RISCHIO OPERATIVO GMA 4 5 LA STRUTTURA PROGETTUALE IL RISCHIO OPERATIVO GMA Il rischio operativo GMA prevede l elaborazione degli ultimi tre bilanci aziendali

Dettagli

1. Scopo dell esperienza.

1. Scopo dell esperienza. 1. Scopo dell esperienza. Lo scopo di questa esperienza è ricavare la misura di tre resistenze il 4 cui ordine di grandezza varia tra i 10 e 10 Ohm utilizzando il metodo olt- Amperometrico. Tale misura

Dettagli

Competenza chiave europea: MATEMATICA. Scuola Primaria. DISCIPLINE DI RIFERIMENTO: MATEMATICA DISCIPLINE CONCORRENTI: tutte

Competenza chiave europea: MATEMATICA. Scuola Primaria. DISCIPLINE DI RIFERIMENTO: MATEMATICA DISCIPLINE CONCORRENTI: tutte Competenza chiave europea: MATEMATICA Scuola Primaria DISCIPLINE DI RIFERIMENTO: MATEMATICA DISCIPLINE CONCORRENTI: tutte TAB. A TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE al termine della Scuola Primaria

Dettagli

La categoria «ES» presenta (di solito) gli stessi comandi

La categoria «ES» presenta (di solito) gli stessi comandi Utilizzo delle calcolatrici FX 991 ES+ Parte II PARMA, 11 Marzo 2014 Prof. Francesco Bologna bolfra@gmail.com ARGOMENTI DELLA LEZIONE 1. Richiami lezione precedente 2.Calcolo delle statistiche di regressione:

Dettagli

Applicazione reale dell AMP Forecast del Mercato IT

Applicazione reale dell AMP Forecast del Mercato IT Variabili considerate (PIL a prezzi costanti) Applicazione reale dell AMP Forecast del Mercato IT TotMerCon (Totale Mercato Consumatori) TotDevCon (Totale Device Consumatori). Analisi delle variabili La

Dettagli

Metodologie statistiche per l analisi del rischio

Metodologie statistiche per l analisi del rischio Corso di Laurea in Sicurezza igienico-sanitaria degli alimenti Metodologie statistiche per l analisi del rischio INTRODUZIONE ALL ANALISI QUANTITATIVA DEL RISCHIO PER LA SICUREZZA IGIENICO-SANITARIA DEGLI

Dettagli

Sistema dinamico a tempo continuo

Sistema dinamico a tempo continuo Sistema dinamico a tempo continuo Un sistema è un modello matematico di un fenomeno fisico: esso comprende le cause e gli effetti relativi al fenomeno, nonché la relazione matematica che li lega. X INGRESSO

Dettagli

VARIABILI METEROROLOGICHE E CONCENTRAZIONI DI PM10. 5.1 Introduzione

VARIABILI METEROROLOGICHE E CONCENTRAZIONI DI PM10. 5.1 Introduzione VARIABILI METEROROLOGICHE E CONCENTRAZIONI DI PM10 5.1 Introduzione Tra gli interventi finanziati dalla Regione Emilia Romagna per il 2004, ai fini della messa a punto di strumenti conoscitivi utili per

Dettagli

VALIDAZIONE SECONDO LE NORME ISO ED UNI-ENV-ISO DEL METODO COLORIMETRICO QUANTITATIVO MBS CONTA DI COLIFORMI IN ACQUE SUPERFICIALI

VALIDAZIONE SECONDO LE NORME ISO ED UNI-ENV-ISO DEL METODO COLORIMETRICO QUANTITATIVO MBS CONTA DI COLIFORMI IN ACQUE SUPERFICIALI VALIDAZIONE SECONDO LE NORME ISO ED UNI-ENV-ISO DEL METODO COLORIMETRICO QUANTITATIVO MBS CONTA DI COLIFORMI IN ACQUE SUPERFICIALI Le metodiche sperimentali e le analisi statistiche che vengono applicate

Dettagli

PROGRAMMAZIONE DIDATTICA DISCIPLINARE. Indirizzo: ITC. Anno scolastico Materia Classi 2012 2013 MATEMATICA Terze

PROGRAMMAZIONE DIDATTICA DISCIPLINARE. Indirizzo: ITC. Anno scolastico Materia Classi 2012 2013 MATEMATICA Terze PROGRAMMAZIONE DIDATTICA DISCIPLINARE Indirizzo: ITC Anno scolastico Materia Classi 22 23 MATEMATICA Terze. Competenze al termine del percorso di studi Padroneggiare il linguaggio formale e i procedimenti

Dettagli

Capitolo V. I mercati dei beni e i mercati finanziari: il modello IS-LM

Capitolo V. I mercati dei beni e i mercati finanziari: il modello IS-LM Capitolo V. I mercati dei beni e i mercati finanziari: il modello IS-LM 2 OBIETTIVO: Il modello IS-LM Fornire uno schema concettuale per analizzare la determinazione congiunta della produzione e del tasso

Dettagli

Appendice III. Criteri per l utilizzo dei metodi di valutazione diversi dalle misurazioni in siti fissi

Appendice III. Criteri per l utilizzo dei metodi di valutazione diversi dalle misurazioni in siti fissi Appendice III (articolo 5, comma 1 e art. 22 commi 5 e 7) Criteri per l utilizzo dei metodi di valutazione diversi dalle misurazioni in siti fissi 1. Tecniche di modellizzazione 1.1 Introduzione. In generale,

Dettagli

Grandezze fisiche e loro misura

Grandezze fisiche e loro misura Grandezze fisiche e loro misura Cos è la fisica? e di che cosa si occupa? - Scienza sperimentale che studia i fenomeni naturali suscettibili di sperimentazione e caratterizzati da entità o grandezze misurabili.

Dettagli

Tecniche di Simulazione: Introduzione. N. Del Buono:

Tecniche di Simulazione: Introduzione. N. Del Buono: Tecniche di Simulazione: Introduzione N. Del Buono: 2 Che cosa è la simulazione La SIMULAZIONE dovrebbe essere considerata una forma di COGNIZIONE (COGNIZIONE qualunque azione o processo per acquisire

Dettagli

LA FUNZIONE DI TRASFERIMENTO

LA FUNZIONE DI TRASFERIMENTO LA FUNZIONE DI TRASFERIMENTO Può essere espressa sia nel dominio della s che nel dominio della j Definizione nel dominio della s. è riferita ai soli sistemi con un ingresso ed un uscita 2. ha per oggetto

Dettagli

SCUOLA SECONDARIA DI I GRADO

SCUOLA SECONDARIA DI I GRADO Operare in situazioni reali e/o disciplinari con tecniche e procedure di calcolo L alunno si muove con sicurezza nel calcolo anche con i numeri razionali, ne padroneggia le diverse e stima la grandezza

Dettagli

DoE - Design of Experiment

DoE - Design of Experiment 3 Tecniche di DoE DoE - Design of Experiment Sequenza di Prove Sperimentali da Effettuare per Studiare e Ottimizzare un Processo Un esperimento programmato è una prova o una serie di prove in cui vengono

Dettagli

STRUMENTO DI SUPPORTO PER L ANALISI DEL RISCHIO-RAPINA

STRUMENTO DI SUPPORTO PER L ANALISI DEL RISCHIO-RAPINA Convegno ABI BANCHE E SICUREZZA 2007 STRUMENTO DI SUPPORTO PER L ANALISI DEL RISCHIO-RAPINA Fabrizio Capobianco Responsabile Ufficio Gestione Sicurezza - SGS Gruppo Banco Popolare di Verona e Novara Caratteristiche

Dettagli

Confronto tra i fattori di emissione utilizzati in Copert, Artemis e Progress e delle relative stime di emissioni da flotte circolanti in area urbana

Confronto tra i fattori di emissione utilizzati in Copert, Artemis e Progress e delle relative stime di emissioni da flotte circolanti in area urbana XV Incontro EXPERT PANEL EMISSIONI DA TRASPORTO STRADALE ENEA Roma, 29 aprile 2010 Confronto tra i fattori di emissione utilizzati in Copert, Artemis e Progress e delle relative stime di emissioni da flotte

Dettagli

RISCHIO E CONTROLLO DI GESTIONE LA COSTRUZIONE DI UN BUDGET

RISCHIO E CONTROLLO DI GESTIONE LA COSTRUZIONE DI UN BUDGET LA COSTRUZIONE DI UN BUDGET Prof. Francesco Albergo Docente di PIANIFICAZIONE E CONTROLLO Corso di Laurea in Economia Aziendale Curriculum in Gestione Aziendale Organizzata UNIVERSITA degli Studi di Bari

Dettagli

MATEMATICA LINEE GENERALI E COMPETENZE

MATEMATICA LINEE GENERALI E COMPETENZE MATEMATICA LINEE GENERALI E COMPETENZE Al termine del percorso dei licei classico, linguistico, musicale coreutico e della scienze umane lo studente conoscerà i concetti e i metodi elementari della matematica,

Dettagli

Definizione 8.1. Si dice successione una qualsiasi funzione a: N R. Spesso per indicare una successione si usa la sequenza delle immagini:

Definizione 8.1. Si dice successione una qualsiasi funzione a: N R. Spesso per indicare una successione si usa la sequenza delle immagini: Appendice 1 Le successioni Definizione 8.1. Si dice successione una qualsiasi funzione a: N R. Spesso per indicare una successione si usa la sequenza delle immagini: a 0 = a(0), a 1 = a(1),..., a n = a(n),....

Dettagli

CAPITOLO III CONFRONTI TRA DISTRIBUZIONI

CAPITOLO III CONFRONTI TRA DISTRIBUZIONI CAPITOLO III CONFRONTI TRA DISTRIBUZIONI 3.1 CONFRONTI TRA DISTRIBUZIONI OSSERVATE E DISTRIBUZIONI TEORICHE OD ATTESE. Nella teoria statistica e nella pratica sperimentale, è frequente la necessità di

Dettagli

Conoscenza. Metodo scientifico

Conoscenza. Metodo scientifico Conoscenza La conoscenza è la consapevolezza e la comprensione di fatti, verità o informazioni ottenuti attraverso l'esperienza o l'apprendimento (a posteriori), ovvero tramite l'introspezione (a priori).

Dettagli

Programmazione Matematica classe V A. Finalità

Programmazione Matematica classe V A. Finalità Finalità Acquisire una formazione culturale equilibrata in ambito scientifico; comprendere i nodi fondamentali dello sviluppo del pensiero scientifico, anche in una dimensione storica, e i nessi tra i

Dettagli

Il Test d ingresso per la Facoltà à di Scienze. PISA 3 dicembre 2008

Il Test d ingresso per la Facoltà à di Scienze. PISA 3 dicembre 2008 Il Test d ingresso per la Facoltà à di Scienze PISA 3 dicembre 2008 SOMMARIO Il documento ufficiale Esempio di test I punti del documento ufficiale della Conferenza delle Facoltà di Scienze Necessità di

Dettagli

LA FORMA MATEMATICA DEI FENOMENI NATURALI

LA FORMA MATEMATICA DEI FENOMENI NATURALI LE FUNZIONI Alla base del calcolo differenziale esiste il concetto di funzione. Il termine funzione è stato introdotto nella matematica da Gottfried Wilhelm LEIBNIZ nel 1664, per denotare una quantità

Dettagli

ATTIVITA 5 Modellistica

ATTIVITA 5 Modellistica ATTIVITA 5 Modellistica qualità dell aria Giuseppe Maffeis Giampiero Malvasi consulenti ARPAV-ORAR ATTIVITA' 1 Stima delle emissioni in atmosfera ATTIVITA' 5 Modellistica qualità dell'aria ATTIVITA' 4

Dettagli

Le obbligazioni: misure di rendimento Tassi d interesse, elementi di valutazione e rischio delle attività finanziarie

Le obbligazioni: misure di rendimento Tassi d interesse, elementi di valutazione e rischio delle attività finanziarie Le obbligazioni: misure di rendimento Tassi d interesse, elementi di valutazione e rischio delle attività finanziarie Economia degli Intermediari Finanziari 29 aprile 2009 A.A. 2008-2009 Agenda 1. Il calcolo

Dettagli

CORSO DI DEMOGRAFIA APPLICATA 2^ PARTE. A.A. 2009-2010 PROF. GIUSEPPE DE BARTOLO

CORSO DI DEMOGRAFIA APPLICATA 2^ PARTE. A.A. 2009-2010 PROF. GIUSEPPE DE BARTOLO 1 CORSO DI DEMOGRAFIA APPLICATA 2^ PARTE. A.A. 2009-2010 PROF. GIUSEPPE DE BARTOLO Le previsioni demografiche. Una sintesi LE PREVISIONI DEMOGRAFICHE La determinazione futura della popolazione è detta:

Dettagli

PROGRAMMA FT-Graph-2

PROGRAMMA FT-Graph-2 PROGRAMMA FT-Graph-2 PROGRAMMA DI SVILUPPO GRAFICO CON STAMPA Elaborazione grafica con selezione dei dati. Si possono graficare e stampare tutti i file relativi alle apparecchiature della ECONORMA S.a.s.

Dettagli