Appendice B. B Elementi di Teoria dell Informazione 1. p k =P(X = x k ) ovviamente, valgono gli assiomi del calcolo della probabilità: = 1;

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Appendice B. B Elementi di Teoria dell Informazione 1. p k =P(X = x k ) ovviamente, valgono gli assiomi del calcolo della probabilità: = 1;"

Transcript

1 Appendce B Eleent d Teora dell Inforazone Appendce B B Eleent d Teora dell Inforazone B Introduzone E noto da tepo che fenoen percettv possono essere foralzzat e studat edante la Teora dell Inforazone (TI) Attneave (954), asserva: La prncpale funzone d una acchna percettva consste nell elnazone dell nforazone rdondante, procedendo così ad una descrzone o codfca dell nforazone stessa n una fora pù econoca rspetto a quella presente su recettor In altr tern, pes snaptc d una rete neurale elaborano gl stol estern present su recettor (ngress della rete) L nforazone è, d conseguenza, asszzata quando l segnale passa ne var stad (o strat) d processaento della rete e rspettando opportun vncol E evdente, qund, che tra gl struent foral per lo studo delle ret neural, e pù n generale de crcut, debba essere presente anche la Teora dell Inforazone B Entropa Sa una varable aleatora (VA) dscreta quantzzata, n pratca, con un nuero fnto d lvell dstrbut unforeente, tale che: = { k k = 0, ±,, ±K} ; (K+) lvell, dove k, rappresenta l k-eso valore d, defnao la probabltà dell occorrenza dell evento = k coe: p k =P( = k ) ovvaente, valgono gl asso del calcolo della probabltà: 0 p k e pk = ; K k= K Se l evento = k occorre con probabltà par a, non c è sorpresa e percò non c è neanche nforazone Nel caso n cu p k <, allora saranno present anche altr valor (p >0 per k) ne segue allora, che l nforazone rcevuta sarà aggore In altre parole possao dre che l nforazone è correlata n qualche odo alla sorpresa a alla ncertezza Possao anche afferare che l nforazone è proporzonale all nverso della probabltà dell occorrenza Defnzone: s defnsce quanttà guadagno d nforazone, dopo l osservazone dell evento = k con probabltà p k ; la quanttà: I( k) = log = log pk pk I( k ) è una quanttà dscreta L unta d sura dell nforazone, se l logarto è a base, è l [bt] Quando l logarto è naturale, s usa l [nat] Propretà: I( k ) = 0 per p k = Ovvero, non c è guadagno d nforazone se l occorrenza l evento è certa I( k ) 0 per 0 p k Tratto da Haykyn: Neural Networks, 999

2 Appendce B Eleent d Teora dell Inforazone 3 L evento = k può portare o non portare nforazone Scuraente, però, non c sarà perdta d nforazone 3 I( k ) > I( ) per p k < p L evento eno probable è quello che porta aggore nforazone Defnzone: s defnsce entropa l valore edo del guadagno d nforazone I( k ) relatvo a tutt (K+) lvell assbl K K H( ) = E I( ) = p I( ) = p log p [ ] k k k k k k= K k= K L entropa H() rappresenta una sura della quanttà eda dell nforazone portata da un essaggo Propretà: 0 H() (K+) H() = 0, se e solo se per qualche k, p k = Questo lte nferore concde con l evento certo 3 H() = log (K+), se e solo se p k =/(K+) per tutt k L entropa e assa se lvell sono equprobable, ovvero, dstrbut unforeente Tale lte superore vene defnto coe condzone d assa ncertezza La dostrazone della 3 è dervata dal seguente Lea: Data due dstrbuzon (d quanttà d asse) p k e q k, per una VA dscreta, allora la quanttà: Appendce B Eleent d Teora dell Inforazone 4 k p k pk log 0 qk è par a zero se e solo se p k = q k, per ogn k B3 Entropa relatva d Kullback-Lebler Sano p () e q () le probabltà che la VA sa nello stato sotto due dfferent condzon operatve desrtta da p e q; segue la Defnzone: S defnsce entropa relatva (o dvergenza o dstanza o cross-entropa), tra funzon d probabltà p () e q (); coe; p ( ) D = ( )log pq p ; 0 q ( ) dove con 0 s è ndcato l alfabeto de sbol della VA La quanttà q () rappresenta l rferento d sura L entropa relatva d Kullback-Lebler, a volte ndcata coe K(p,q), può essere presentata anche nel contesto della geoetra dfferenzale Aar(985), Aar (99), coe etrca d Reann nello spazo delle dstrbuzon Osservazone: l entropa relatva K(p,q), non è una vera dstanza, nfatt, non vale la propretà d setra: K(p,q) K(q,p); e può essere nterpretata coe una quas dstanza B4 Entropa dfferenzale I concett base della TI, possono essere faclente estes nel contesto delle varabl aleatore contnue Defnzone: Sa una VA contnua con funzone d denstà d probabltà (pdf) f () Per analoga con l caso d VA dscrete defnao entropa dfferenzale la quanttà:

3 Appendce B Eleent d Teora dell Inforazone 5 [ ] h( ) = f( )log f( ) d = E log f( ) La h(), rappresenta una quanttà ateatca, puttosto che una sura della aleatoretà d La relazone tra la defnzone d entropa per VA dscrete e contnue può essere studata coe caso lte d una VA dscreta che assue l valore k =kδ, dove k = 0, ±, ±, e δ tende a zero Per defnzone la assue un certo valore costante nell ntervallo [ k, k +kδ ] con probabltà f ( k ) δ La entropa ordnara della VA può essere scrtta consderando l lte per δ tendente a zero coe: H( ) = l f ( ) δlog[ f ( ) δ] δ 0 k = = l f( k)[log f( k)] δ f( k) δ δ 0 + k= k= = f ( )log f ( ) d l log δ f ( ) d δ 0 = h ( ) l logδ δ 0 k k Rcordao che f ( ) d =, e che per δ tendente a zero la h() tende all nfnto Questo sgnfca che l entropa d una varable contnua è nfntaente larga potendo assuere nfnt valor con probabltà nfntesa nell ntervallo (, + ) Il problea relatvo al terne logδ può essere evtato consderando la defnzone d entropa dfferenzale In questo caso l terne -logδ è assunto coe rferento Appendce B Eleent d Teora dell Inforazone 6 Generalzzando al caso d VA vettoral = [,,, N ] l entropa dfferenzale è defnta coe: [ ] h( ) = f ( )log f ( ) d= E log f ( ) dove f () è la pdf congunta d Lea: entropa della dstrbuzone unfore Se una VA contnua è dstrbuta unforeente nell ntervallo [0, a] la sua entropa dfferenzale è h()=loga Infatt, dalla defnzone possao rcavare: a h( ) = log d = d log log a a a = a a Propretà: dell entropa dfferenzale h()=h(+c), per c=costante; 0 ovvero, la traslazone non caba l valore dell entropa h(a)=h() + log a, con a = fattore d scalatura nel caso d VA vettorale quest ulta dventa: 3 h(a)=h() + log det(a) B5 Prncpo d Massa Entropa Supponao d avere un sstea stocastco con un nsee noto d varabl d stato a con dstrbuzone sconoscuta Supponao, noltre, che per ezzo d un qualche eccanso d apprendento, sano not alcun vncol sulle funzon d probabltà della VA degl stat del sstea I vncol possono essere espress coe ede d nsee o coe valor lte sulle VA Consderao, ora, l problea della scelta d un odello d

4 Appendce B Eleent d Teora dell Inforazone 7 probabltà che sa otto, secondo qualche crtero, n grado d foralzzare le conoscenze a pror sul sstea stocastco stesso È possble dostrare che esstono nfnt odell che soddsfano vncol not su cu è possble effettuare una scelta La rsposta al problea della scelta della dstrbuzone può essere affrontato nel contesto del prncpo della Massa Entropa (Ma Ent) (Jaynes 957, 98): Se una nferenza è fatta sulla base d nforazon ncoplete, occorre sceglere quella dstrbuzone che asszza l entropa ed è soggetta a vncol post dalla dstrbuzone In effett, la nozone d entropa fornsce gl struent per effettuare un nsee d sure n odo tale da favorre le pdf con alto valore d entropa Il prncpo d Massa Entropa può, qund, essere vsto coe un Problea d Ottzzazone Vncolato, che può essere rsolto per ezzo delle defnzon ntrodotte dall entropa dfferenzale Dato un nsee d pdf della VA, consderao l problea d deternare quella che asszza la: h( ) = f ( )log f ( ) d; soggetta a vncol: f () 0; dove l uguaglanza vale esternaente al supporto d f ( ) d = 3 f( ) g( ) d= α per =,,, dove g () è una qualche funzone d Appendce B Eleent d Teora dell Inforazone 8 I vncol espress dalle e dalle descrvono delle propretà fondaental delle pdf Le 3, nvece, dce che oent d dpendono dalla forulazone della funzone g () In effett la 3, soa le conoscenze a pror dsponbl sulla VA Per rsolvere tale problea d ottzzazone occorre defnre una funzone obettvo e, percò, vene usato l etodo de oltplcator d Lagrange : J( f) = f( )log f( ) d λ0 f( ) λg( ) f( ) d + + = dove tern λ 0, λ,, λ ; sono oltplcator d Lagrange Dfferenzando e ntegrando rspetto alla f (), e uguaglando a zero, s ottene: log f ( ) + λ + λg ( ) = 0 0 = Rsolvendo rspetto alla f () s ottene: f( ) = ep + λ0 + λg( ) ; = dove oltplcator d Lagrange sono scelt n accordo con vncol, e 3 L ulta espressone defnsce la pdf che asszza l entropa per l problea n questone Esepo: dstrbuzone Gaussana ono densonale Problea: deternate la f () tale che la h() sa assa quando le conoscenze a pror dsponbl sono l valore edo µ e la varanza σ Per defnzone abbao che

5 Appendce B Eleent d Teora dell Inforazone 9 ( µ ) f ( ) d= σ = costante Per l rspetto del vncolo 3, s ha: g( ) = ( µ ) α = σ Consderando l rsultato ottenuto con oltplcator d Lagrange, abbao che: f ( ) = ep + + ( ) λ0 λ µ ; per l vncolo, che rchede la convergenza dell ntegrale della f (), segue che l coeffcente λ deve essere negatvo Sosttuendo la precedente espressone nelle dsequazon de vncol e e, rsolvendo rspetto a λ 0 e λ, ottenao: e λ 0 = log( πσ ) λ = σ La pdf che asszza l nforazone desderata, rsulta, qund, essere: f ( µ ) ( ) = ep ; πσ σ che corrsponde propro ad una pdf Gaussana ono densonale della VA con valore edo µ e varanza σ L entropa dfferenzale che asszza la precedente f () rsulta pertanto essere: Appendce B Eleent d Teora dell Inforazone 0 h = + πσ ; ( ) [ log( )] notare che per la propretà della traslazone, l valore edo non nteressa quest ulta espressone Esepo: dstrbuzone Gaussana ultvarata Il secondo esepo che consderao consste nella deternazone dell entropa dfferenzale d una VA ultdensonale con pdf Gaussana Per la propretà d traslazone consderao l vettore -densonale a eda nulla La statstca del secondo ordne è descrtta dalla atrce d covaranza Q = T (prodotto esterno) Ne segue che la pdf ultdensonale è: f T ( ) = ep Q / / ( π ) (det( Q)) Rcordando la defnzone d entropa dfferenzale per VA ult densonal: [ ] h( ) = f ( )log f ( ) d= E log f ( ) ; e sosttuendo la precedente n quest ulta espressone, ottenao l rsultato: h( ) = + log( π ) + log det( ) Q Possao osservare, qund, che per l prncpo d Massa Entropa, n questo caso dfferenzale, nota una atrce d covaranza Q la pdf che asszza l entropa dfferenzale è Gaussana

6 Appendce B Eleent d Teora dell Inforazone B6 Mutua Inforazone per VA dscrete Il problea praro de sste auto organzzant, consste nella deternazone d un algorto d apprendento che detern una certa relazone ngresso/uscta Tale relazone va deternata esclusvaente sulla base de sol dat n ngresso Consderao un sstea con ngresso e uscta le VA dscrete e Y, cu valor sono ndcat con e y rspettvaente L entropa H(), fornsce una sura dell ncertezza a pror sugl ngress La questone, è quella d deternare l ncertezza su dat dopo le osservazon Y In questo contesto la notazone della utua nforazone fornsce portant struent e propretà Defnzone: s defnsce entropa condzonale d dato Y coe segue: H( Y) = H(,Y) - H(Y); con la propretà: 0 H( Y) H() L entropa condzonale, rappresenta l aontare d ncertezza ranente sulla VA d ngresso dopo l osservazone della VA Y n uscta del sstea La quanttà H(,Y) che copare nella precedente espressone prende l noe d entropa congunta ed è defnta coe segue: Defnzone: s defnsce entropa congunta delle VA dscrete e Y coe: = H(, Y) p (, y)log p(, y) 0 y Appendce B Eleent d Teora dell Inforazone dove p(,y) rappresenta la funzone d assa d probabltà congunta delle e Y, entre 0 e rspettv alfabet Osservazone: l entropa, rappresenta la sura dell ncertezza sulla VA L entropa condzonale H( Y), nvece, rappresenta l aontare d ncertezza ranente su dopo l osservazone della Y n uscta del sstea È faclente deducble, qund, che la dfferenza H() - H( Y), rappresenta l ncertezza sull ngresso del sstea rsolta dell osservazone dell uscta Questa quanttà può qund essere defnta coe segue: Defnzone: s defnsce utua nforazone I(;Y) tra le VA dscrete e Y la quanttà: I(;Y) = H() - H( Y) py (, ) = py (, )log 0 y ppy ( ) ( ) L entropa è un caso partcolare d utua nforazone: H() = I(;) Propretà: Setra: la utua nforazone tra e Y è setrca: I(;Y) = I(Y;); dove I(Y;) rappresenta la sura dell ncertezza d Y che è rsolta della osservazone degl ngress Non negatvtà: la utua nforazone tra e Y è non negatva: I(;Y) 0

7 Appendce B Eleent d Teora dell Inforazone 3 Questa propretà ndca che non è possble perdere edaente nforazone osservando le uscte Inoltre, la utua nforazone è nulla, se e solo se, gl ngress e le uscte del sstea sono statstcaente ndpendent 4 Recproctà: la utua nforazone tra e Y è esprble n tern d entropa d Y, coe: I(;Y) = H(Y) - H(Y ) H() H( Y) I(Y;) H(,Y) H(Y ) H(Y) Fgura Illustrazone delle relazon tra la utua nforazone I(;Y) e le entrope H() e H(Y) L entropa dell ngresso, è rappresentata dal cercho a snstra entre quella dell uscta Y, con l cercho a destra La utua nforazone è rappresentata dalla sovrapposzone de due cerch B7 Mutua Inforazone per VA contnue Per analoga con la defnzone precedente possao estendere tale defnzone a VA contnue Defnzone: la utua nforazone tra le VA e Y contnue è defnta coe: Appendce B Eleent d Teora dell Inforazone 4 f ( y) I( ; Y ) = f Y, (, y)log ddy f ( ) dove con f,y (,y) rappresenta la pdf congunta d e Y, entre, f ( y) è la pdf condzonata d nota Y Notare, noltre, che f,y (,y) = f ( y) f Y (y) e qund possao scrvere: (, y) Y, I( ; Y ) = f Y, (, y)log ddy f( ) fy( y) Per analoga valgono le propretà Propretà: f Setra/Recproctà: la utua nforazone tra e Y è setrca e recproca: I(;Y) = h() - h( Y) = h(y) - h(y ) = I(Y;); dove I(Y;) rappresenta la sura dell ncertezza d Y che è rsolta della osservazone degl ngress Non negatvtà: la utua nforazone tra e Y è non negatva: I(;Y) 0 Questa propretà ndca che non è possble perdere edaente nforazone osservando le uscte Inoltre, la utua nforazone è nulla, se e solo se, gl ngress e le uscte del sstea sono statstcaente ndpendent La funzone h( Y) rappresenta l entropa dfferenzale condzonata d data Y, defnta coe;

8 Appendce B Eleent d Teora dell Inforazone 5 h ( Y) = fy, ( y, )log f( yddy ) Se le VA e Y sono statstcaente ndpendent, segue che la probabltà congunta può essere fattorzzate coe: fy, (, y) = f( ) fy( y) ; dove con f () e f Y (y) abbao ndcato le pdf argnal d e Y rspettvaente In odo equvalente, possao scrvere che: f ( y) = f ( ) ; ovvero, nel caso d VA statstcaente ndpendent, la conoscenza dell uscta non contrbusce n alcun odo alla deternazone della pdf d La defnzone d utua nforazone data per VA e Y scalar dscrete, può essere generalzzata al caso d VA ultodal e Y contnue, coe segue: f ( ) y I( Y ; ) = f, (, )log d d Y y y f( ) Per analoga, valgono le propretà gà forulate nel caso d VA dscrete B8 Dvergenza d Kullback-Lebler (DKL) Defnzone: sano f () e g () due pdf della VA ( ) ultodale,s defnsce Dvergenza d Kullback-Lebler, tra f () e g () coe segue: f ( ) Df g = f ( )log d g( ) Appendce B Eleent d Teora dell Inforazone 6 Propretà: La D f g 0è sepre postva o zero quando f () = g () ovvero s ha una sovrapposzone perfetta tra le due pdf La Df g, è nvarante rspetto a seguent cabaenttrasforazon sul vettore d ngresso : perutazone de coponent d ; cabaent d scala (aplfcazon); trasforazon non lnear onotone Osservazone: La utua nforazone I(;Y) tra la coppa d vettor e Y ha una nteressante nterpretazone n tern d dvergenza d DKL Pra notao che: fy, ( y, ) = fy( y ) f( ; ) e qund possao rscrvere l espressone della utua nforazone coe: Y y f ( y, ) y Y, I( ; ) = f, (, )log d d Y f( ) fy( y) Confrontando quest ulta con la defnzone d DKL, segue l seguente rsultato: I( Y ; ) Df f = Y, Y, La utua nforazone I(;Y) tra e Y è equvalente alla dvergenza d Kullback-Lebler tra le pdf congunte f Y, ( y, ) e l prodotto tra le pdf f ( ) e f Y ( y )

9 Appendce B Eleent d Teora dell Inforazone 7 B9 DKL tra una pdf f() l prodotto delle sue pdf argnal Consderao, ora, la DKL tra una pdf f () d una VA, vettore d densone e l prodotto delle sue pdf argnal Defnzone: la -esa pdf argnale dell eleento rspetto alla VA, è defnta coe: () f ( ) ( ) = f d, =,,, ; dove () è l vettore l ranente, d densone (-), che s ottene dopo aver rosso l l -eso eleento da Appendce B Eleent d Teora dell Inforazone 8 Ne segue qund: ; () f( )log f ( ) log ( ) ( ) d= f f d d dove l ntegrale nterno nella parte a destra, è fatto rspetto al vettore (-), d (), entre quello esterno, rspetto allo scalare d Dalla defnzone d -esa pdf argnale d, f ( ), segue, noltre: f ( )log f ( ) d= f ( )log f ( ) d = h ( ), =,,, La DKL tra la pdf f () e la dstrbuzone fattorale data da: f ( ) D = f ( )log d f f ; f ( ) = che può essere scrtta n fora espansa coe: f ( ) è = dove h ( ) è la -esa entropa dfferenzale argnale (basata, coè, sulla pdf argnale f ( ) ) Cobnando quest ulta con l espressone della DKL D f f, ottenao: D = h( ) h ( ) f f + = Questa espressone della DKL argnale è partcolarente portante nello studo della separazone ceca d sorgent = D f ( )log f ( ) d f ( )log f ( ) d f f = Osservazone: l pro ntegrale d quest ulra espressone, concde, per defnzone, alla entropa dfferenzale h() della VA Per quanto rguarda l secondo terne possao, noltre, osservare che: d=d () d

La retroazione negli amplificatori

La retroazione negli amplificatori La retroazone negl amplfcator P etroazonare un amplfcatore () sgnfca sottrarre (o sommare) al segnale d ngresso (S ) l segnale d retroazone (S r ) ottenuto dal segnale d uscta (S u ) medante un quadrpolo

Dettagli

Motore ad induzione: modelli matematici e modelli per la simulazione. 1.1 Modelli matematici del motore ad induzione

Motore ad induzione: modelli matematici e modelli per la simulazione. 1.1 Modelli matematici del motore ad induzione OTOE AD INDUZIONE ODEI ATEATICI E ODEI PE A IUAZIONE otore ad nduzone: odell ateatc e odell per la sulazone. odell ateatc del otore ad nduzone Nello studo degl azonaent ndustral è necessaro rappresentare

Dettagli

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che

Dettagli

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure

Dettagli

LE CARTE DI CONTROLLO

LE CARTE DI CONTROLLO ITIS OMAR Dpartento d Meccanca LE CARTE DI CONTROLLO Carte d Controllo Le carte d controllo rappresentano uno degl struent pù portant per l controllo statstco d qualtà. La carta d controllo è corredata

Dettagli

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione 1 La Regressone Lneare (Semplce) Relazone funzonale e statstca tra due varabl Modello d regressone lneare semplce Stma puntuale de coeffcent d regressone Decomposzone della varanza Coeffcente d determnazone

Dettagli

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA Mnstero della Salute D.G. della programmazone santara --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA La valutazone del coeffcente d varabltà dell mpatto economco consente d ndvduare gl ACC e DRG

Dettagli

Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti

Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti Il modello marovano per la rappresentazone del Sstema Bonus Malus rof. Cercara Rocco Roberto Materale e Rferment. Lucd dstrbut n aula. Lemare 995 (pag.6- e pag. 74-78 3. Galatoto G. 4 (tt del VI Congresso

Dettagli

CAPITOLO 3 Incertezza di misura Pagina 26

CAPITOLO 3 Incertezza di misura Pagina 26 CAPITOLO 3 Incertezza d msura Pagna 6 CAPITOLO 3 INCERTEZZA DI MISURA Le operazon d msurazone sono tutte nevtablmente affette da ncertezza e coè da un grado d ndetermnazone con l quale l processo d msurazone

Dettagli

Trigger di Schmitt. e +V t

Trigger di Schmitt. e +V t CORSO DI LABORATORIO DI OTTICA ED ELETTRONICA Scopo dell esperenza è valutare l ampezza dell steres d un trgger d Schmtt al varare della frequenza e dell ampezza del segnale d ngresso e confrontarla con

Dettagli

Richiami di Termodinamica Applicata

Richiami di Termodinamica Applicata Unverstà degl Stud d aglar ors d Studo n Ingegnera hca ed Elettrca Rcha d Terodnaca Applcata Il ro rncpo della Terodnaca, o rncpo d onservazone dell Energa, n tern dfferenzal e con rferento all untà d

Dettagli

Università di Napoli Parthenope Facoltà di Ingegneria

Università di Napoli Parthenope Facoltà di Ingegneria Unverstà d Napol Parthenope acoltà d Ingegnera Corso d Metod Probablstc Statstc e Process Stocastc docente: Pro. Vto Pascazo 20 a Lezone: /2/2003 Sommaro Dstrbuzon condzonate: CD, pd, pm Teorema della

Dettagli

Variabili statistiche - Sommario

Variabili statistiche - Sommario Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su

Dettagli

Introduzione al Machine Learning

Introduzione al Machine Learning Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone

Dettagli

Argomenti. Misure di corrente elettrica continua, di differenza di potenziale e di resistenza elettrica.

Argomenti. Misure di corrente elettrica continua, di differenza di potenziale e di resistenza elettrica. ppunt per l corso d Laboratoro d Fsca per le Scuole Superor rgoent Msure d corrente elettrca contnua, d dfferenza d potenzale e d resstenza elettrca. Struent d sura: prncp d funzonaento. Coe s effettuano

Dettagli

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE Matematca e statstca: da dat a modell alle scelte www.dma.unge/pls_statstca Responsabl scentfc M.P. Rogantn e E. Sasso (Dpartmento d Matematca Unverstà d Genova) STATISTICA DESCRITTIVA - SCHEDA N. REGRESSIONE

Dettagli

GLI ERRORI SPERIMENTALI NELLE MISURE DI LABORATORIO

GLI ERRORI SPERIMENTALI NELLE MISURE DI LABORATORIO GLI ERRORI SPERIMETALI ELLE MISURE DI LABORATORIO MISURA DI UA GRADEZZA FISICA S defnsce grandezza fsca una propretà de corp sulla quale possa essere eseguta un operazone d msura. Msurare una grandezza

Dettagli

Corso di Automazione Industriale 1. Capitolo 7

Corso di Automazione Industriale 1. Capitolo 7 1 Corso d Automazone Industrale 1 Captolo 7 Teora delle code e delle ret d code Introduzone alla Teora delle Code La Teora delle Code s propone d svluppare modell per lo studo de fenomen d attesa che s

Dettagli

CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI

CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI Cenn sulle macchne seuenzal CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI 4.) La macchna seuenzale. Una macchna seuenzale o macchna a stat fnt M e' un automatsmo deale a n ngress e m uscte defnto da: )

Dettagli

Analisi dei Segnali. Sergio Frasca. Dipartimento di Fisica Università di Roma La Sapienza

Analisi dei Segnali. Sergio Frasca. Dipartimento di Fisica Università di Roma La Sapienza Sergo Frasca Anals de Segnal Dpartmento d Fsca Unverstà d Roma La Sapenza Versone 13 dcembre 011 Versone aggornata n http://grwavsf.roma1.nfn.t/sp/sp.pdf Sommaro 1 Introduzone: segnal e sstem... 7 1.1

Dettagli

Tutti gli strumenti vanno tarati

Tutti gli strumenti vanno tarati L'INCERTEZZA DI MISURA Anta Calcatell I.N.RI.M S eseguono e producono msure per prendere delle decson sulla base del rsultato ottenuto, come per esempo se bloccare l traffco n funzone d msure d lvello

Dettagli

Norma UNI CEI ENV 13005: Guida all'espressione dell'incertezza di misura

Norma UNI CEI ENV 13005: Guida all'espressione dell'incertezza di misura orma UI CEI EV 3005: Guda all'espressone dell'ncertezza d msura L obettvo d una msurazone è quello d determnare l valore del msurando, n altre parole della grandezza da msurare. In generale, però, l rsultato

Dettagli

Università degli Studi di Urbino Facoltà di Economia

Università degli Studi di Urbino Facoltà di Economia Unverstà degl Stud d Urbno Facoltà d Economa Lezon d Statstca Descrttva svolte durante la prma parte del corso d corso d Statstca / Statstca I A.A. 004/05 a cura d: F. Bartolucc Lez. 8/0/04 Statstca descrttva

Dettagli

Programmazione e Controllo della Produzione. Analisi dei flussi

Programmazione e Controllo della Produzione. Analisi dei flussi Programmazone e Controllo della Produzone Anals de fluss Clent SERVIZIO Uscta Quanto al massmo produce l mo sstema produttvo? Quanto al massmo produce la ma macchna? Lo rsolvo con la smulazone? Sarebbe

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità alcolo delle Probabltà Quanto è possble un esto? La verosmglanza d un esto è quantfcata da un numero compreso tra 0 e. n partcolare, 0 ndca che l esto non s verfca e ndca che l esto s verfca senza dubbo.

Dettagli

Capitolo 7. La «sintesi neoclassica» e il modello IS-LM. 2. La curva IS

Capitolo 7. La «sintesi neoclassica» e il modello IS-LM. 2. La curva IS Captolo 7 1. Il modello IS-LM La «sntes neoclassca» e l modello IS-LM Defnzone: ndvdua tutte le combnazon d reddto e saggo d nteresse per le qual l mercato de ben (curva IS) e l mercato della moneta (curva

Dettagli

MODELLISTICA DI SISTEMI DINAMICI

MODELLISTICA DI SISTEMI DINAMICI CONTROLLI AUTOMATICI Ingegnera Gestonale http://www.automazone.ngre.unmore.t/pages/cors/controllautomatcgestonale.htm MODELLISTICA DI SISTEMI DINAMICI Ing. Federca Gross Tel. 059 2056333 e-mal: federca.gross@unmore.t

Dettagli

ELABORAZIONE DI SEGNALI E IMMAGINI

ELABORAZIONE DI SEGNALI E IMMAGINI Fltraggo d un segnale EABORAZIOE DI SEGAI E IAGII. Bertero P. Boccacc bertero@ds.unge.t boccacc@ds.unge.t Al ne d glorare la qualtà d un segnale dgtale una tecnca d prara portanza è l ltraggo. Con l quale

Dettagli

0$*1(7267$7,&$ i m D E F )LJXUD6FKHPDWL]]D]LRQLGLGLSROLDGLSRORHOHWWULFREGLSRORPDJQHWLFR³DPSHULD QR FGLSRORPDJQHWLFR³FRXORPELDQR

0$*1(7267$7,&$ i m D E F )LJXUD6FKHPDWL]]D]LRQLGLGLSROLDGLSRORHOHWWULFREGLSRORPDJQHWLFR³DPSHULD QR FGLSRORPDJQHWLFR³FRXORPELDQR $*(767$7,&$,'(//,'(//$$*(767$7,&$ Coe necessara preessa alla agnetostatca s rpropongono alcune evdenze sperental: a), PDJQHWLQDWXUDOL, che per l uso d laboratoro sono perlopù nella fora d barre sottl (agh

Dettagli

Dai circuiti ai grafi

Dai circuiti ai grafi Da crcut a graf Il grafo è una schematzzazone grafca semplfcata che rappresenta le propretà d nterconnessone del crcuto ad esso assocato Il grafo è costtuto da un nseme d nod e d lat Se lat sono orentat

Dettagli

Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE. Prof. Dario Amodio d.amodio@univpm.it. Ing. Gianluca Chiappini g.chiappini@univpm.

Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE. Prof. Dario Amodio d.amodio@univpm.it. Ing. Gianluca Chiappini g.chiappini@univpm. Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE Prof. Daro Amodo d.amodo@unvpm.t Ing. Ganluca Chappn g.chappn@unvpm.t http://www.dpmec.unvpm.t/costruzone/home.htm (Ddattca/Dspense) Testo d rfermento: Stefano

Dettagli

Analisi dei flussi 182

Analisi dei flussi 182 Programmazone e Controllo Anals de fluss Clent SERVIZIO Uscta Quanto al massmo produce l mo sstema produttvo? Quanto al massmo produce la ma macchna? Anals de fluss 82 Programmazone e Controllo Teora delle

Dettagli

Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model

Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model Rcerca Operatva e Logstca Dott. F.Carrabs e Dott.ssa M.Gentl Modell per la Logstca: Sngle Flow One Level Model Mult Flow Two Level Model Modell d localzzazone nel dscreto Modell a Prodotto Sngolo e a Un

Dettagli

Esercitazioni del corso di Relazioni tra variabili. Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca

Esercitazioni del corso di Relazioni tra variabili. Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca Eserctazon del corso d Relazon tra varabl Gancarlo Manz Facoltà d Socologa Unverstà degl Stud d Mlano-Bcocca e-mal: gancarlo.manz@statstca.unmb.t Terza eserctazone Mlano, 8 febbrao 7 SOMMARIO TERZA ESERCITAZIONE

Dettagli

Induzione elettromagnetica

Induzione elettromagnetica Induzone elettromagnetca L esperenza d Faraday L'effetto d produzone d corrente elettrca n un crcuto prvo d generatore d tensone fu scoperto dal fsco nglese Mchael Faraday nel 83. Egl studò la relazone

Dettagli

Statistica e calcolo delle Probabilità. Allievi INF

Statistica e calcolo delle Probabilità. Allievi INF Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:

Dettagli

Circuiti di ingresso differenziali

Circuiti di ingresso differenziali rcut d ngresso dfferenzal - rcut d ngresso dfferenzal - Il rfermento per potenzal Gl stad sngle-ended e dfferenzal I segnal elettrc prodott da trasduttor, oppure preleat da un crcuto o da un apparato elettrco,

Dettagli

CIRCUITI DI IMPIEGO DEI DIODI

CIRCUITI DI IMPIEGO DEI DIODI UT D MPEGO DE DOD addrzzare ad na seonda. l crcto pù seplce, che pega l dodo coe raddrzzatore d na tensone alternata, è rappresentato n Fg.. n esso n generatore deale d tensone alternata l c valore stantaneo

Dettagli

* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1

* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1 APAT Agenza per la Protezone dell Ambente e per Servz Tecnc Dpartmento Dfesa del Suolo / Servzo Geologco D Itala Servzo Tecnologe del sto e St Contamnat * * * Nota nerente l calcolo della concentrazone

Dettagli

Regressione Multipla e Regressione Logistica: concetti introduttivi ed esempi

Regressione Multipla e Regressione Logistica: concetti introduttivi ed esempi Regressone Multpla e Regressone Logstca: concett ntroduttv ed esemp I Edzone ottobre 014 Vncenzo Paolo Senese vncenzopaolo.senese@unna.t Indce Note prelmnar alla I edzone 1 Regressone semplce e multpla

Dettagli

Macchine. 5 Esercitazione 5

Macchine. 5 Esercitazione 5 ESERCITAZIONE 5 Lavoro nterno d una turbomacchna. Il lavoro nterno massco d una turbomacchna può essere determnato not trangol d veloctà che s realzzano all'ngresso e all'uscta della macchna stessa. Infatt

Dettagli

Corso di laurea in Ingegneria Meccatronica. DINAMICI CA - 04 ModiStabilita

Corso di laurea in Ingegneria Meccatronica. DINAMICI CA - 04 ModiStabilita Automaton Robotcs and System CONTROL Unverstà degl Stud d Modena e Reggo Emla Corso d laurea n Ingegnera Meccatronca MODI E STABILITA DEI SISTEMI DINAMICI CA - 04 ModStablta Cesare Fantuzz (cesare.fantuzz@unmore.t)

Dettagli

LA COMPATIBILITA tra due misure:

LA COMPATIBILITA tra due misure: LA COMPATIBILITA tra due msure: 0.4 Due msure, supposte affette da error casual, s dcono tra loro compatbl quando la loro dfferenza può essere rcondotta ad una pura fluttuazone statstca attorno al valore

Dettagli

Aritmetica e architetture

Aritmetica e architetture Unverstà degl stud d Parma Dpartmento d Ingegnera dell Informazone Poltecnco d Mlano Artmetca e archtetture Sommator Rpple Carry e CLA Bozza da completare del 7 nov 03 La rappresentazone de numer Rappresentazone

Dettagli

Analizzata: - Nei livelli Prezzi - Nelle differenze Rendimenti. Rendimento al tempo t: Variabile finanziaria

Analizzata: - Nei livelli Prezzi - Nelle differenze Rendimenti. Rendimento al tempo t: Variabile finanziaria Varable fnanzara Analzzata: - Ne lvell Prezz - Nelle dfferenze endent endento al tepo t: t ( P P ) t P t 1 t 1 1 Unverstà d Terao - Teora del portafoglo fnanzaro - Prof. Paolo D Antono endento atteso:

Dettagli

STATISTICA DESCRITTIVA CON EXCEL

STATISTICA DESCRITTIVA CON EXCEL STATISTICA DESCRITTIVA CON EXCEL Corso d CPS - II parte: Statstca Laurea n Informatca Sstem e Ret 2004-2005 1 Obettv della lezone Introduzone all uso d EXCEL Statstca descrttva Utlzzo dello strumento:

Dettagli

Condensatori e resistenze

Condensatori e resistenze Condensator e resstenze Lucano attaa Versone del 22 febbrao 2007 Indce In questa nota presento uno schema replogatvo relatvo a condensator e alle resstenze, con partcolare rguardo a collegament n sere

Dettagli

Valutazione delle opzioni col modello di Black e Scholes

Valutazione delle opzioni col modello di Black e Scholes Valutazone delle opzon col modello d Black e Scholes Rosa Mara Mnnn a.a. 2014-2015 1 Introduzone L applcazone del moto Brownano all economa é stata nnescata prncpalmente da due cause. Attorno agl ann 70,

Dettagli

Capitolo 6 Risultati pag. 468. a) Osmannoro. b) Case Passerini c) Ponte di Maccione

Capitolo 6 Risultati pag. 468. a) Osmannoro. b) Case Passerini c) Ponte di Maccione Captolo 6 Rsultat pag. 468 a) Osmannoro b) Case Passern c) Ponte d Maccone Fgura 6.189. Confronto termovalorzzatore-sorgent dffuse per l PM 10. Il contrbuto del termovalorzzatore alle concentrazon d PM

Dettagli

MODELLI DI SISTEMI. Principi di modellistica. Considerazioni energetiche. manca

MODELLI DI SISTEMI. Principi di modellistica. Considerazioni energetiche. manca ONTOI UTOMTII Ingegnera della Gestone Industrale e della Integrazone d Impresa http://www.automazone.ngre.unmore.t/pages/cors/ontrollutomatcgestonale.htm MODEI DI SISTEMI Ing. ug Bagott Tel. 05 0939903

Dettagli

Analisi e confronto tra metodi di regolarizzazione diretti per la risoluzione di problemi discreti mal-posti

Analisi e confronto tra metodi di regolarizzazione diretti per la risoluzione di problemi discreti mal-posti UNIVERSIA DEGLI SUDI DI CAGLIARI Facoltà d Ingegnera Elettronca Corso d Calcolo Numerco 1 A.A. 00/003 Anals e confronto tra metod d regolarzzazone drett per la rsoluzone d prolem dscret mal-post Docente:

Dettagli

Fotonica per telecomunicazioni Ottica guidata Pagina 1 di 7 ESERCIZI

Fotonica per telecomunicazioni Ottica guidata Pagina 1 di 7 ESERCIZI Fotonca per telecouncazon Ottca udata Pana d 7 ESERCIZI. Una fbra ottca a salto d'ndce ha un nucleo d rao a= 3µ ed ndce d rfrazone n=.5, un antello d ndce d rfrazone n =.5 e lunhezza L= K. In essa vene

Dettagli

Concetti principale della lezione precedente

Concetti principale della lezione precedente Corso d Statstca medca e applcata 6 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone precedente I concett prncpal che sono stat presentat sono: I fenomen probablstc RR OR ROC-curve Varabl

Dettagli

SU UNA CLASSE DI EQUAZIONI CONSERVATIVE ED IPERBOLICHE COMPLETAMENTE ECCEZIONALI E COMPATIBILI CON UNA LEGGE DI CONSERVAZIONE SUPPLEMENTARE

SU UNA CLASSE DI EQUAZIONI CONSERVATIVE ED IPERBOLICHE COMPLETAMENTE ECCEZIONALI E COMPATIBILI CON UNA LEGGE DI CONSERVAZIONE SUPPLEMENTARE SU UNA CLASSE DI EQUAZIONI CONSERVATIVE ED IPERBOLICHE COMPLETAMENTE ECCEZIONALI E COMPATIBILI CON UNA LEGGE DI CONSERVAZIONE SUPPLEMENTARE GIOVANNI CRUPI, ANDREA DONATO SUMMARY. We characterze a set of

Dettagli

9.6 Struttura quaternaria

9.6 Struttura quaternaria 9.6 Struttura quaternara L'ultmo lvello strutturale é la struttura quaternara. Non per tutte le protene è defnble una struttura quaternara. Infatt l esstenza d una struttura quaternara é condzonata alla

Dettagli

Definizione classica di probabilità

Definizione classica di probabilità Corso d Idrologa A.A. 0-0 Teora delle probabltà Prof. Ing. A. Cancellere Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Catana Defnzone classca d probabltà Il concetto d probabltà ha trovato formalzzazone

Dettagli

Analisi di mercurio in matrici solide mediante spettrometria di assorbimento atomico a vapori freddi

Analisi di mercurio in matrici solide mediante spettrometria di assorbimento atomico a vapori freddi ESEMPIO N. Anals d mercuro n matrc solde medante spettrometra d assorbmento atomco a vapor fredd 0 Introduzone La determnazone del mercuro n matrc solde è effettuata medante trattamento termco del campone

Dettagli

Adattamento di una relazione funzionale ai dati sperimentali

Adattamento di una relazione funzionale ai dati sperimentali Adattamento d una relazone 1 funzonale a dat spermental Sno ad ora abbamo vsto come può essere stmato, con un certo lvello d confdenza, l valore vero d una grandezza fsca (dretta o dervata) con l suo ntervallo

Dettagli

Capitolo 33 TRASPORTO IN PRESSIONE

Capitolo 33 TRASPORTO IN PRESSIONE Captolo 33 TRASPORTO IN PRESSIONE 1 INTRODUZIONE I sstem d condotte n pressone destnat all'approvvgonamento drco comprendono: - gl acquedott estern, che adducono l'acqua dalle font d'almentazone alle zone

Dettagli

Problemi variazionali invarianti 1

Problemi variazionali invarianti 1 Problem varazonal nvarant 1 A F. Klen per l cnquantesmo annversaro del dottorato. Emmy Noether a Gottnga. Comuncazone presentata da F. Klen nella seduta del 26 luglo 1918 2. 1 Invarante Varatonsprobleme,

Dettagli

Analisi e Sviluppo di una Rete Neurale Modulare basata su Mixture of Experts, e Confronto con Algoritmi di Boosting

Analisi e Sviluppo di una Rete Neurale Modulare basata su Mixture of Experts, e Confronto con Algoritmi di Boosting Tes d Dploma d Laurea n Informatca d Petro Mele matrcola 54304 Anals e Svluppo d una Rete Neurale Modulare basata su Mxture of Experts, e Confronto con Algortm d Boostng Relatore: Prof. Alberto Berton

Dettagli

I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE

I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE Facoltà d Economa Valutazone de prodott e dell mpresa d asscurazone I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE Clauda Colucc Letza Monno Gordano Caporal Martna Ragg I Modell Multstato sono un

Dettagli

3. Esercitazioni di Teoria delle code

3. Esercitazioni di Teoria delle code 3. Eserctazon d Teora delle code Poltecnco d Torno Pagna d 33 Prevsone degl effett d una decsone S ndvduano due tpologe d problem: statc: l problema non vara nel breve perodo dnamc: l problema vara Come

Dettagli

7. TERMODINAMICA RICHIAMI DI TEORIA

7. TERMODINAMICA RICHIAMI DI TEORIA 7. ERMODINMI RIHIMI DI EORI Introduzone ermodnamca: è lo studo delle trasformazon dell energa da un sstema all altro e da una forma all altra. Sstema termodnamco: è una defnta e dentfcable quanttà d matera

Dettagli

PARENTELA e CONSANGUINEITÀ di Dario Ravarro

PARENTELA e CONSANGUINEITÀ di Dario Ravarro Introduzone PARENTELA e CONSANGUINEITÀ d Daro Ravarro 1 gennao 2010 Lo studo della genealoga d un ndvduo è necessaro al fne d valutare la consangunetà dell ndvduo stesso e la sua parentela con altr ndvdu

Dettagli

La taratura degli strumenti di misura

La taratura degli strumenti di misura La taratura degl strument d msura L mportanza dell operazone d taratura nasce dall esgenza d rendere l rsultato d una msura rferble a campon nazonal od nternazonal del msurando n questone affnché pù msure

Dettagli

E. Il campo magnetico

E. Il campo magnetico - 64 - - 65 - E. Il campo magnetco V è un mportante effetto che accompagna sempre la presenza d una corrente elettrca e s manfesta sa all nterno del conduttore sa al suo esterno: alla corrente elettrca

Dettagli

Rotazione di un corpo rigido intorno ad un asse fisso

Rotazione di un corpo rigido intorno ad un asse fisso INGEGNERIA GESTIONALE corso d Fsca Generale Prof. E. Puddu LEZIONE DEL 14 15 OTTOBRE 2008 Rotazone d un corpo rgdo ntorno ad un asse fsso 1 Cnematca rotazonale y Supponamo d osservare un corpo rgdo sul

Dettagli

Calibrazione. Lo strumento idealizzato

Calibrazione. Lo strumento idealizzato Calbrazone Come possamo fdarc d uno strumento? Abbamo bsogno d dentfcare l suo funzonamento n condzon controllate. L dentfcazone deve essere razonalmente organzzata e condvsa n termn procedural: s tratta

Dettagli

METODI BAYESIANI PER IL CONTROLLO STATISTICO DI QUALITA

METODI BAYESIANI PER IL CONTROLLO STATISTICO DI QUALITA Unverstà degl Stud d Bresca Poltecnco d Mlano Unverstà degl Stud d Pava Unverstà degl Stud d Lecce Dottorato d Rcerca n TECNOLOGIE E SISTEMI DI LAVORAZIONE XII CICLO METODI BAYESIANI PER IL CONTROLLO STATISTICO

Dettagli

Università degli Studi di Genova T esi di Laurea Specialistica di Ingegneria Gestionale. Indice..2 RINGRAZIAMENTI..5. 2.1 I modelli microscopici...

Università degli Studi di Genova T esi di Laurea Specialistica di Ingegneria Gestionale. Indice..2 RINGRAZIAMENTI..5. 2.1 I modelli microscopici... Indce Indce..2 RINGRAZIAMENTI..5 Captolo 1 Captolo 2 Introduzone.6 Modell matematc.9 2.1 I modell mcroscopc... 9 2.1.1 Il modello Car Followng... 11 2.1.2 Lane Change... 14 2.1.3 Il modello ad Autom Cellular...

Dettagli

UNA RASSEGNA SUI METODI DI STIMA DEL VALUE

UNA RASSEGNA SUI METODI DI STIMA DEL VALUE UNA RASSEGNA SUI METODI DI STIMA DEL VALUE at RISK (VaR) Chara Pederzol - Costanza Torrcell Dpartmento d Economa Poltca - Unverstà degl Stud d Modena e Reggo Emla Marzo 999 INDICE Introduzone. Il concetto

Dettagli

Lezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse

Lezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse Lezone 1. L equlbro del mercato fnanzaro: la struttura de tass d nteresse Ttol con scadenza dversa hanno prezz (e tass d nteresse) dfferent. Due ttol d durata dversa emess dallo stesso soggetto (stesso

Dettagli

VA TIR - TA - TAEG Introduzione

VA TIR - TA - TAEG Introduzione VA TIR - TA - TAEG Introduzone La presente trattazone s pone come obettvo d analzzare due prncpal crter d scelta degl nvestment e fnanzament per valutare la convenenza tra due o pù operazon fnanzare. S

Dettagli

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA IL PROBLEMA Supponamo d voler studare l effetto d 4 dverse dete su un campone casuale d 4

Dettagli

Fotogrammetria. O centro di presa. fig.1 Geometria della presa fotogrammetrica

Fotogrammetria. O centro di presa. fig.1 Geometria della presa fotogrammetrica Fotogrammetra Scopo della fotogrammetra è la determnazone delle poszon d punt nello spazo fsco a partre dalla msura delle poszon de punt corrspondent su un mmagne fotografca. Ovvamente, affnché questo

Dettagli

lxmi.mi.infn.it/~camera/silsis/laboratorio-1/2-statistica.ppt http://www2.dm.unito.it/paginepersonali/zucca/index.htm Misura:

lxmi.mi.infn.it/~camera/silsis/laboratorio-1/2-statistica.ppt http://www2.dm.unito.it/paginepersonali/zucca/index.htm Misura: Elaborazone de dat geochmc e cenn d statstca lm.m.nfn.t/~camera/slss/laboratoro-1/-statstca.ppt http://www.dm.unto.t/pagnepersonal/zucca/nde.htm Msura: Espressone quanttatva del rapporto fra una grandezza

Dettagli

Metastability, Nonextensivity and Glassy Dynamics in a Class of Long Range Hamiltonian Models

Metastability, Nonextensivity and Glassy Dynamics in a Class of Long Range Hamiltonian Models Alessandro Pluchno Metastablty, Nonextensvty and Glassy Dynamcs n a Class of Long Range Hamltonan Models Dscussone Tes per l consegumento del ttolo Febbrao 2005 Tutor: Prof.A.Rapsarda E-mal: alessandro.pluchno@ct.nfn.t

Dettagli

Calcolo della caduta di tensione con il metodo vettoriale

Calcolo della caduta di tensione con il metodo vettoriale Calcolo della caduta d tensone con l metodo vettorale Esempo d rete squlbrata ed effett del neutro nel calcolo. In Ampère le cadute d tensone sono calcolate vettoralmente. Per ogn utenza s calcola la caduta

Dettagli

Relazioni tra variabili: Correlazione e regressione lineare

Relazioni tra variabili: Correlazione e regressione lineare Dott. Raffaele Casa - Dpartmento d Produzone Vegetale Modulo d Metodologa Spermentale Febbrao 003 Relazon tra varabl: Correlazone e regressone lneare Anals d relazon tra varabl 6 Produzone d granella (kg

Dettagli

Cenni di matematica finanziaria Unità 61

Cenni di matematica finanziaria Unità 61 Prerequst: - Rsolvere equazon algebrche d 1 grado ed equazon esponenzal Questa untà è rvolta al 2 benno del seguente ndrzzo dell Isttuto Tecnco, settore Tecnologco: Agrara, Agroalmentare e Agrondustra.

Dettagli

31/03/2012. Collusione (Cabral cap.8 PRN capp. 13-14) Il modello standard. Collusione nel modello di Bertrand. Collusione nel modello di Bertrand

31/03/2012. Collusione (Cabral cap.8 PRN capp. 13-14) Il modello standard. Collusione nel modello di Bertrand. Collusione nel modello di Bertrand Collusone (Cabral cap.8 PRN capp. 13-14) Accord tact o esplct per aumentare l potere d mercato e pratcare prezz pù elevat rspetto all equlbro non cooperatvo corrspondente Esste un vantaggo dalla collusone

Dettagli

LEZIONE 2 e 3. La teoria della selezione di portafoglio di Markowitz

LEZIONE 2 e 3. La teoria della selezione di portafoglio di Markowitz LEZIONE e 3 La teora della selezone d portafoglo d Markowtz Unverstà degl Stud d Bergamo Premessa Unverstà degl Stud d Bergamo Premessa () È puttosto frequente osservare come gl nvesttor tendano a non

Dettagli

Apprendimento Automatico e IR: introduzione al Machine Learning

Apprendimento Automatico e IR: introduzione al Machine Learning Apprendmento Automatco e IR: ntroduzone al Machne Learnng MGRI a.a. 2007/8 A. Moschtt, R. Basl Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: {moschtt,basl}@nfo.unroma2.t 1

Dettagli

Modellazione e calibrazione del traffico autostradale per la rete di Eindhoven

Modellazione e calibrazione del traffico autostradale per la rete di Eindhoven Modellazone e calbrazone del traffco autostradale per la rete d Endhoen Freeway traffc odelng and calbraton for the Endhoen networ Relatore: Prof. Alessandro Gua Supersor: Prof. Bart De Schutter DCSC TUDelft

Dettagli

Divagazioni in margine all Introduzione alla Probabilità di P. Baldi A. Visintin Facoltà di Ingegneria di Trento a.a. 2010-11

Divagazioni in margine all Introduzione alla Probabilità di P. Baldi A. Visintin Facoltà di Ingegneria di Trento a.a. 2010-11 Dvagazon n margne all Introduzone alla Probabltà d P. Bald A. Vsntn Facoltà d Ingegnera d Trento a.a. 2010-11 Indce 1. Statstca descrttva. 2. Spaz d probabltà e calcolo combnatoro. 3. Varabl aleatore dscrete.

Dettagli

IL TRANSISTOR BIPOLARE (BJT)

IL TRANSISTOR BIPOLARE (BJT) IL TRANSISTOR BIPOLARE (BJT) 1 - Introduzone La parola transstor è la contrazone d transfer resstor (resstenza d trasfermento), e tende a sottolneare come questo dspostvo s dmostr n grado d trasferre una

Dettagli

Moduli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013

Moduli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013 Modul su un domno a deal prncpal Maurzo Cornalba versone 15/5/2013 Sa A un anello commutatvo con 1. Indchamo con A k l modulo somma dretta d k cope d A. Un A-modulo fntamente generato M s dce lbero se

Dettagli

CURVE & SUPERFICI. C g. Scopo: fornire una rappresentazione matematica per rappresentare 2D e 3D degli oggetti. Grafica Computerizzata

CURVE & SUPERFICI. C g. Scopo: fornire una rappresentazione matematica per rappresentare 2D e 3D degli oggetti. Grafica Computerizzata Grafca opterzzata URVE & UPERFII copo: fornre na rappresentazone ateatca per rappresentare 2D e 3D del oett Unversty of Ferrara opter slaton rop http://www.d.nfe.t/~cs Grafca opterzzata Bsona scelere na

Dettagli

Economia del Settore Pubblico 97. Economia del Settore Pubblico 99. Quale indice di diseguaglianza usare? il rapporto interdecilico PROBLEMA:

Economia del Settore Pubblico 97. Economia del Settore Pubblico 99. Quale indice di diseguaglianza usare? il rapporto interdecilico PROBLEMA: Economa del Settore Pubblco Laura Vc laura.vc@unbo.t www.dse.unbo.t/lvc/edsp_.htm LEZIONE 4 Rmn, 9 aprle 008 Economa del Settore Pubblco 96 I prncpal ndc d dseguaglanza: ndc d entropa generalzzata Isprata

Dettagli

Capitolo 6 - Aria umida

Capitolo 6 - Aria umida unt d FISIC TECIC Catolo 6 - ra uda ca sulle scele gassose... Proretà terodnace dell ara uda...5 elazon er l calcolo d alcune roretà nterne...7 Ttolo...7 Eseo nuerco...8 Entala...9 Eseo nuerco...0 olue

Dettagli

TORRI DI RAFFREDDAMENTO PER L ACQUA

TORRI DI RAFFREDDAMENTO PER L ACQUA TORRI DI RAFFREDDAMENTO PER ACQUA Premessa II funzonamento degl mpant chmc rchede generalmente gross quanttatv d acqua: questa, oltre ad essere utlzzata drettamente n alcune lavorazon, come lavagg, dssoluzon,

Dettagli

MODELLI PER DATI SU RETICOLO (LATTICE DATA)

MODELLI PER DATI SU RETICOLO (LATTICE DATA) Schema degl argoment trattat MODELLI PER DATI SU RETICOLO (LATTICE DATA) -Indc global d autocorrelazone; -Defnzone d strutture d vcnato -Modell SAR -Modell CAR 2 Dat su retcolo S ntendono dat su aree (regolar

Dettagli

Unità Didattica N 25. La corrente elettrica

Unità Didattica N 25. La corrente elettrica Untà Ddattca N 5 : La corrente elettrca 1 Untà Ddattca N 5 La corrente elettrca 01) Il problema dell elettrocnetca 0) La corrente elettrca ne conduttor metallc 03) Crcuto elettrco elementare 04) La prma

Dettagli

TITOLO: L INCERTEZZA DI TARATURA DELLE MACCHINE PROVA MATERIALI (MPM)

TITOLO: L INCERTEZZA DI TARATURA DELLE MACCHINE PROVA MATERIALI (MPM) Identfcazone: SIT/Tec-012/05 Revsone: 0 Data 2005-06-06 Pagna 1 d 7 Annotazon: Il presente documento fornsce comment e lnee guda sull applcazone della ISO 7500-1 COPIA CONTROLLATA N CONSEGNATA A: COPIA

Dettagli

Ottimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO

Ottimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO Ottmzzazone nella gtone de progett Captolo 6 Project Schedulng con vncol sulle rsorse CARLO MANNINO Unverstà d Roma La Sapenza Dpartmento d Informatca e Sstemstca 1 Rsorse Ogn attvtà rchede rsorse per

Dettagli

Fondamenti di meccanica classica: simmetrie e leggi di conservazione

Fondamenti di meccanica classica: simmetrie e leggi di conservazione Fondament d meccanca classca: smmetre e legg d conservazone d Marco Tulu A. A. 2005/2006 1 Introduzone Un corpo s dce omogeneo se ha n ogn suo punto ugual propretà fsche e chmche, ed è sotropo se n ogn

Dettagli

A. AUMENTO DELLA SPESA PUBBLICA FINANZIATO ESCLUSIVAMENTE TRAMITE INDEBITAMENTO

A. AUMENTO DELLA SPESA PUBBLICA FINANZIATO ESCLUSIVAMENTE TRAMITE INDEBITAMENTO 4. SCHMI ALTRNATIVI DI FINANZIAMNTO DLLA SPSA PUBBLICA. Se l Governo decde d aumentare la Spesa Pubblca G (o Trasferment TR), allora deve anche reperre fond necessar per fnanzare questa sua maggore spesa.

Dettagli

Università degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno

Università degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno Unverstà degl Stud d Cassno, Anno accademco 004-005 Corso d Statstca, Pro. M. Furno Eserctazone del 5//005 dott. Claudo Conversano Eserczo Ad un certo tavolo d un casnò s goca lancando un dado. Il goco

Dettagli

{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo

{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo Element d teora de goch Govann D Bartolomeo Unverstà degl Stud d Teramo 1. Descrzone d un goco Un generco goco, Γ, che s svolge n un unco perodo, può essere descrtto da una Γ= NSP,,. Ess sono: trpla d

Dettagli