Generazione ed uso di numeri pseudocasuali
|
|
- Ida Napoli
- 7 anni fa
- Visualizzazioni
Transcript
1 Generazione ed uso di numeri pseudocasuali.c. Neve Numeri pseudocasuali 1
2 Nella maggior parte dei problemi di simulazione di sistemi reali è molto sentita l esigenza di poter utilizzare variabili casuali aventi una ben determinata distribuzione statistica anche se, quasi sempre, la richiesta si riferisce a numeri casuali uniformemente distribuiti in un certo intervallo di valori. La simulazione di sistemi probabilistici può fornire risultati tanto più affidabili quanto maggiore è il numero di eventi con i quali si sollecita il sistema, è quindi evidente che simili problemi dovranno essere affrontati con l aiuto di elaboratori elettronici i quali, per definizione, sono degli automi deterministici a stati finiti e quindi non idonei alla generazione di eventi casuali. Solo attraverso lo sviluppo di opportuni algoritmi è possibile generare numeri casuali che però non potranno mai essere effettivamente casuali e pertanto vengono detti pseudocasuali. ffinché questi algoritmi possano essere ritenuti validi dovranno soddisfare alcune specifiche caratteristiche: Uniforme distribuzione statistica in un certo intervallo di valori Indipendenza statistica Riproducibilità della sequenza di valori Non ripetitività su un prefissato periodo lta velocità di generazione Minimo utilizzo dello spazio di memoria In questa sede, saranno volutamente trascurati i metodi di generazione analogica i quali, pur risultando effettivamente casuali, richiedono dell hardware aggiuntivo e presentano alcuni tipi di inconvenienti come la non riproducibilità delle sequenze, instabilità e criticità del controllo. Il primo metodo storicamente noto per la generazione di numeri pseudocasuali è attribuito a Von Neuman ed è detto Metodi dei Quadrati Centrati middle square, esso si sviluppa secondo le seguenti modalità: si sceglie a caso un numero di n cifre detto seme se ne calcola il quadrato si aggiungono a sinistra eventuali zeri fino ad arrivare a n cifre si eliminano le prime n/ cifre e le ultime n/ cifre il numero ottenuto è pseudocasuale e viene usato per ottenere il successivo questo metodo presenta l inconveniente che i numeri generati non hanno una uniforme distribuzione statistica e che il periodo risulta molto breve. Un metodo alternativo, derivato da quello di Von Neuman, è detto Metodo dei Prodotti Centrati. Questo metodo parte con il prodotto di due numeri di n cifre e la successiva estrazione delle n cifre centrali. Questo metodo è affetto dagli stessi problemi del precedente ma presenta una ciclicità più lunga. Operando con numeri a quattro cifre, la ciclicità non supera alcune migliaia ed è molto frequente la tendenza a convergere verso lo zero..c. Neve Numeri pseudocasuali
3 METODI CONGRUENZILI I metodi più utilizzati per la generazione di numeri pseudocasuali sono quelli congruenziali i quali utilizzano l aritmetica modulare. Dati due numeri e l operatore mod è così definito: mod INT/* se 0 mod se 0 Modulo In pratica è il resto della divisione intera Sono poi definite le seguenti operazioni: ddizione modulare mod Prodotto modulare 8*10 mod 17 1 Inversione -1 9 infatti *9 mod 17 1 Dati due numeri e, essi si dicono congruenti modulo M se la loro differenza risulta essere multipla intera del loro modulo. Congruenza Per es. 0 ed 8 sono congruenti modulo 4 Infatti: 0 mod 8 4 e poi che è multiplo intero di 4 e si ha che 0 mod 4 8 mod 4 nalogamente 18 e 16 sono congruenti modulo. I metodi congruenziali, usati per la generazione di sequenze di numeri pseudocasuali, si basano su una relazione di congruenza esprimibile attraverso una relazione ricorsiva del tipo: X + X C mod M con X i,, C ed M interi arbitrari non negativi. i 1 i + ssegnato un valore X o di innesco diverso da zero, il modulo M e le costanti e C, è possibile determinare tutti i successivi valori della sequenza che risulterà così riproducibile. Esiste sempre un valore h dell indice i tale che X h X o, si ha così la ripetizione della sequenza dopo un periodo h che dipende dai valori di, C, M. Questo indice h esiste perchè i resti della divisione per M possono essere solo 0,1,,... M-1 pertanto, al massimo dopo M cicli verrà generato il valore iniziale. I metodi congruenziali più noti sono quelli di Lehmer detto moltiplicativo e di Rotemberg detto misto. Esiste anche il metodo di Fibbonacci detto additivo che però utilizza una relazione di congruenza leggermente diversa da quella prima introdotta. Ci sono infine i metodi di MacLaren e Marsaglia che sfruttano un metodo composito dei primi due..c. Neve Numeri pseudocasuali 3
4 METODO di LEHMER Questo metodo prevede per la costante C il valore nullo per cui la relazione di congruenza diventa: X i+ 1 X mod M I valori di ed M dipendono generalmente dal tipo di elaboratore utilizzato. Solitamente si attribuisce ad M il valore n con n pari al grado di parallelismo dell elaboratore usato. La costante deve risultare prima rispetto ad M e diversa da 1 così da evitare la generazione di una sequenza di numeri uguali. lcuni autori suggeriscono l utilizzo della massima potenza dispari di 5 tale che < n. ltri invece consigliano l uso di un valore di sufficientemente grande e tale che nella sua rappresentazione binaria non vi siano troppi zeri. ltri ancora, infine, propongono l uso di un valore di ricavato dalla relazione k con K 1,,3,4..., in modo che risulti congruente con 3 secondo il modulo 8. I numeri pseudocasuali che si ottengono risultano compresi nell intervallo ]0 M[. Per ottenere un generatore standard nell intervallo ]0 1[ sarà sufficiente dividere per M i valori ottenuti. Il generatore così ottenuto potrebbe sembrare caratterizzato da una distribuzione continua dei valori nell intervallo ]0 1[, in realtà è sempre discreto e con un passo di discretizzazione pari ad 1/M. Una volta realizzato il generatore di numeri pseudocasuali sarebbe necessario verificare se le sequenze ottenute soddisfano le specifiche richieste per mezzo di opportuni test la cui validità è comunque sempre relativa. É possibile dimostrare che nessuna classe finita di prove può garantire la pseudocasualità di una sequenza finita di numeri, si può infatti verificare che una sequenza di numeri, pur avendo superato un certo numero di test, non sia idonea per una specifica applicazione. Si può asserire quindi che: il fatto che una o più sequenze di numeri generati per mezzo di un algoritmo iterativo che soddisfi un certo insieme di test statistici è una condizione necessaria ma non sufficiente a garantire la pseudocasualità sella sequenza stessa. Esistono in bibliografia molti tipi di test, i più noti sono: il test di frequenza, il test di autocorrelazione, il test di autocovarianza, il test del chi-quadro oltre a quelli più elementari come i test della media, della varianza e del valor quadratico medio. Per questi ultimi test si ottengono i seguenti valori: Valori attesi 75 M M 6559 Media Varianza Valor Quadratico Medio i.c. Neve Numeri pseudocasuali 4
5 METODO di ROTEMERG Questo metodo è detto misto in quanto utilizza la relazione di congruenza nella sua forma più completa: X X i+ 1 i + C mod M nche in questo caso i valori di, C ed M dipendono dal tipo di elaboratore usato. Esiste un teorema il quale asserisce che: Una sequenza congruente lineare presenta un periodo pari ad M se e solo se: C ed M sono primi tra loro -1 è multiplo intero di P per ogni numero P che divide M Se M è multiplo di 4, -1 è multiplo dello stesso valore Di solito si sceglie per M il valore n con n grado di parallelismo del computer usato. Per la costante, la maggior parte degli autori suggerisce un valore fornito dalla relazione s + 1 con s Questa scelta è molto conveniente se il software è scritto in assembly in quanto il tempo di esecuzione può essere ridotto realizzando il prodotto X i tramite uno schift a sinistra di s posizioni del registro contenente X i e poi sommando 1. Per il valore della costante C l importante è che sia prima rispetto ad M e dispari. Le sequenze di numeri pseudocasuali che si possono ottenere con il metodo di Rotemberg sono generalmente più lunghe di quelle ottenibili con il metodo di Lehmer. Per quel che riguarda il comportamento statistico, i due metodi possono ritenersi simili. Valori attesi 19 C C3 M M Media Varianza Valor Quadratico Medio C. Neve Numeri pseudocasuali 5
6 METODO di FIONCCI Questo metodo è un caso particolare dei metodi additivi utilizzati per cercare di rendere ancor più lunghe le sequenze generabili. L idea di base consiste nel far dipendere il valore X n+1 da entrambi i valori X n ed X n-1 invece che solo da X n. In queste condizioni il periodo della sequenza può arrivare fin a M. Il più semplice di questi metodi è quello di Fibonacci X X X 1 mod M i+ 1 i + i che però non risulta statisticamente molto affidabile. Il metodo più generale ed un pò più efficiente è: X X X i+ 1 i + ik mod M Mitchell e Moore hanno messo a punto questa versione: X X X 55 mod M i+ 1 i4 + i con M pari e X o, X 1,...X 54 interi arbitrari non tutti pari. Le costanti 4 e 55 non sono scelte a caso ma sono valori che consentono un periodo teorico della sequenza pari a 55 1 in realtà è inferiore. I valori 4 e 55 sono detti lags e la sequenza è nota come lagged Fibonacci LFG Una evoluzione di questo metodo è poi quello dei generatori LFG paralleli. Per quel che riguarda i metodi congruenziali, autorevoli riferimenti bibliografici consigliano: M C Knuth 31 Intπ* Goodman Miller Gordon Leormont Lewis C. Neve Numeri pseudocasuali 6
7 GENERTORI STNDRD La maggior parte dei software applicativi e dei linguaggi di programmazione mettono a disposizione degli utenti delle funzioni per la generazione di numeri pseudocasuali con distribuzioni uniformi nell intervallo 0 1. Questi generatori vengono molto spesso considerati continui ma in realtà risultano discreti anche se con un passo di discretizzazione molto piccolo. Da quanto visto in precedenza, un generatore di numeri pseudocasuali genera numeri interi compresi nell intervallo 1 M, quindi discreto. Un generatore standard si ottiene dividendo per M tutti i numeri generati con i metodi prima esposti. Per M 65536, i numeri generati saranno distanziati tra loro di un passo di discretizzazione pari a 1/M e cioè di mentre per M 31 il passo risulterà di , l entità di quest ultimo valore consente pertanto, con buona approssimazione, di considerare il generatore come se fosse continuo. Qualsiasi sequenza di numeri pseudocasuali può essere sempre generata partendo da un generatore standard di numeri pseudocasuali. Un generatore continuo di numeri pseudocasuali compresi nell intervallo N 1 N si ottiene operando un semplice cambio di scala sui valori generati da un generatore standard: si moltiplica il numero compreso nell intervallo 0 1 per la differenza N N 1 e si aggiunge poi N 1. GENERTORI DISCRETI L esempio classico è quello della simulazione del lancio di un solo dado che rappresenta il tipico esempio di generatore discreto equiprobabile dado non truccato!. Si consideri un generatore standard di numeri pseudocasuali compresi nell intervallo [0 1[. Il numero generato dal lancio di un dado di otterrà dalla relazione: N DDO INTERON casuale * Infatti: moltiplicando per 6 il numero N casuale, il suo valore sarà compreso tra 0 e estraendone l intero, il suo valore potrà essere 0, 1,, 3, 4, 5 sommando infine 1, il suo valore potrà essere 1,, 3, 4, 5, 6 cioè come un dado. Essendo questo generatore equiprobabile, ci si aspetta di ottenere una sequenza che contenga la stessa quantità di 1,, 3, 4, 5, e 6. Questa verifica può essere effettuata per mezzo dell esame dell istogramma di frequenza. Nella figura seguente si può osservare l istogramma di frequenza della simulazione di 600 lanci di un dado. Il risultato non sembra molto soddisfacente in quanto solo il 4 si è verificato un numero di volte pari a quella atteso 100 mentre il 3 ed il 5 sono molto lontani. Un indice della qualità di questa sequenza può essere ottenuto calcolando il ripple del grafico: Ripple Ma Min/Valore-atteso /100 % 8% Come si vede il risultato è alquanto scadente poiché il campione usato è molto piccolo e di conseguenza la simulazione che si effettuerà non sarà attendibile..c. Neve Numeri pseudocasuali 7
8 L attendibilità della simulazione di un sistema probabilistico è notevolmente influenzata dalle caratteristiche del campione usato e dalla sua dimensione. In questo semplice esempio la stabilità dei risultati dipende essenzialmente dalla dimensione del campione usato. Ponendo N lanci si ottiene un ripple del 10% circa Ponendo N lanci si ottiene un ripple del 5% circa Ponendo N lanci si ottiene un ripple del 3% circa Ponendo N lanci si ottiene un ripple del % circa Ponendo N lanci si ottiene un ripple dell'1% circa Ponendo N lanci si ottiene un ripple dello 0.5 % circa Queste informazioni sono di estrema importanza per valutare l'attendibilità di una simulazione operata con questi tipi di sequenze numeriche. Simili considerazioni risultano valide per la simulazione del lancio di due dadi provare. Un pò diversa è invece la realizzazione di generatori discreti con distribuzione non uniforme. Il metodo più usato è quello della probabilità cumulata con griglia di uscita. In pratica si utilizzano gli intervalli della probabilità cumulata come griglia per la selezione dell evento da generare. Si consideri come esempio un generatore discreto di numeri interi compresi tre 1 e 9 avente la seguente distribuzione di probabilità: come si può notare la somma delle probabilità dei nove eventi è pari ad 1..C. Neve Numeri pseudocasuali 8
9 Con questa distribuzione si costruisce la seguente griglia nella quale l ampiezza di ogni intervallo è proporzionale alla probabilità dell evento corrispondente: Il funzionamento del metodo è il seguente: per mezzo di un generatore standard equiprobabile si genera un numero compreso tra 0 ed 1 si individua l intervallo della griglia al quale appartiene il numero si associa il valore della griglia di uscita appartenente all intervallo per es. se il numero generato è pari a , appartenendo all intervallo , il valore generato in uscita sarà il ; se il numero generato è pari a , appartenendo all intervallo , il valore generato in uscita sarà il 7. GENERTORI CONTINUI CON DISTRIUZIONE NON UNIFORME Disponendo di un generatore standard con distribuzione continua ed uniforme nell intervallo 0 1 di numeri pseudocasuali è possibile generare delle sequenze continue con qualsiasi distribuzione di probabilità per mezzo della trasformazione inversa. Si consideri una variabile casuale continua avente funzione di densità di probabilità f. Di questa funzione si determina la corrispondente funzione di ripartizione F r F 0 f d si rammenta che la funzione di ripartizione F di una variabile aleatoria indica la probabilità che la variabile assuma un valore minore o uguale ad Si determina poi l espressione analitica se esiste della funzione inversa cioè F -1 r. La determinazione del campione della variabile si ottiene generando un valore di r compreso tra 0 ed 1 e sostituendolo nell espressione della funzione di ripartizione inversa. GENERTORI CON DISTRIUZIONE LINERE Si consideri una distribuzione lineare con la seguente densità di probabilità: f - P.C. Neve Numeri pseudocasuali 9
10 .C. Neve Numeri pseudocasuali 10 Dovendo risultare l area sottesa dalla curva uguale a 1, si ha che il valore massimo nel punto sarà pari a: h h S 1 1 L equazione della retta congiungente i punti e P y y y y risulta essere: f La sua funzione di ripartizione è data da: r d d f F operando la trasformazione inversa della funzione di ripartizione si ottiene: r + usando per r un valore compreso nell intervallo [0 1] e generato per mezzo di un generatore standard, si ottiene per un campione appartenente ad una distribuzione lineare. Nel caso di una distribuzione lineare con pendenza negativa si ha che: r f Nelle figure seguenti sono proposti i grafici delle distribuzioni di frequenza relativi alla simulazione di un generatore di numeri pseudocasuali con distribuzione lineare tra 10 e 100 rispettivamente per la generazione di ed di campioni.
11 GENERTORI CON DISTRIUZIONE ESPONENZILE La generica rappresentazione di una distribuzione esponenziale decrescente è la seguente: f λ λ λ e con λ > 0 e λ e d 1 0 f λ La rappresentazione così proposta garantisce l unitarietà dell area sottesa dalla curva. La relativa funzione di ripartizione risulta: F λ λ f d λ e d 1 e 0 0 operando la trasformazione inversa della funzione di ripartizione si ha che: 1 ln1 r con r compreso nell intervallo [0 1[ λ r con r estratto da una distribuzione uniforme per mezzo di un generatore standard. λ rappresenta la frequenza media di interarrivo se rappresenta il tempo e 1/λ è il tempo medio di interarrivo. Nelle figure seguenti sono proposti i grafici delle distribuzioni di frequenza relativi alla simulazione di un generatore di numeri pseudocasuali con distribuzione esponenziale con λ 0.8 rispettivamente per la generazione di ed di campioni..c. Neve Numeri pseudocasuali 11
12 GENERTORI CON DISTRIUZIONE GUSSIN La generica rappresentazione di una distribuzione gaussiana è la seguente: f µ 1 σ σ e π con µ media e σ deviazione standard si rammenta che, nell intervallo µ ±3 σ ricadono il 99.7% dei campioni f µ - 3σ µ µ + 3σ In questo caso non esiste, in forma esplicita, la funzione F di ripartizione per cui non è possibile far uso del metodo della trasformazione inversa. Una distribuzione gaussiana può essere sufficientemente approssimata dalla somma di un certo numero di campioni estratti da distribuzioni uniformi 0 1 generatori standard, il numero di questi generatori è compreso tra 10 e 4 ma generalmente si consiglia 1. La relazione matematica attraverso la quale è possibile ottenere una accettabile sequenza di numeri con distribuzione gaussiana con media µ e scarto σ è la seguente: N σ N µ + ri N / 1 i 1 con N numero di generatori standard ed r i generico campione di tali generatori. Per N 1 la precedente relazione diventa: 1 µ + σ i 1 r i 6 Nelle figure seguenti sono proposti i grafici delle distribuzioni di frequenza relativi alla simulazione di un generatore di numeri pseudocasuali con distribuzione gaussiana con µ 0 e σ 1 rispettivamente per la generazione di ed di campioni..c. Neve Numeri pseudocasuali 1
13 GENERTORI HRDWRE DIGITLI La generazione di numeri pseudo casuali si ottiene facendo uso di registri a scorrimento shift register retroazionati tali cioè da riportare in ingresso un segnale proveniente dalla combinazione dei bit di uscita. Un registro a scorrimento di M bit viene pilotato con un clock a frequenza f o. L ingresso del registro a scorrimento viene pilotato dall uscita di una porta e-or i cui ingressi sono collegati alle uscite del registro a scorrimento N e M una delle quali è sempre l ultimo bit M. La lunghezza massima della sequenza di numeri così ottenibile è pari a M -1 poiché lo stato formato da tutti zero bloccherebbe la generazione dei numeri. Questo valore della lunghezza della sequenza può essere ottenuto solo con una opportuna scelta dei valori di N ed M. Una volta generata l intera sequenza, questa tornerà a ripetersi in modo periodico. La tabella seguente descrive i valori di M ed N e le relative lunghezze delle sequenze ottenibili. M N Lunghezza N M.C. Neve Numeri pseudocasuali 13
14 Nel caso in cui si volessero utilizzare dei registri di dimensione multipla di 8 bit, si dovranno utilizzare più di due linee di retroazione come descritto dalla seguente tabella. M N1 N N3 Lunghezza Nelle figure seguenti sono proposti i circuiti di due generatori di numeri pseudocasuali rispettivamente ad 8 e 16 bit..c. Neve Numeri pseudocasuali 14
15 METODO DI MONTECRLO Il metodo di Montecarlo fu ideato da S. Ulam e J. Von Neumann altre fonti lo attribuiscono ad E. Fermi per lo studio di problemi troppo complessi per essere risolti analiticamente o troppo costosi per essere affrontati sperimentalmente. Questo metodo, basato sulla tecnica del campionamento casuale, fu usata dal naturalista uffon per la determinazione del valore del π per mezzo della misura della posizione di un ago ripetutamente lanciato su un foglio quadrettato. Il metodo di Montecarlo consente il raggiungimento di attendibili risultati in situazioni anche molto complesse grazie alla legge dei grandi numeri per la quale un fenomeno statistico tende a fornire risultati deterministici se sollecitato con un numero molto elevato di eventi casuali. L esecuzione delle simulazioni dovranno iniziare con un numero limitato di eventi che sarà poi man mano aumentato in modo da verificare la tendenza dei valori a stabilizzarsi nell intorno dei risultati cercati. L esempio classico dell uso del metodo di Montecarlo è la misura del valore di π. Si consideri un quadrato di lato unitario contenente al suo interno un arco di cerchio di raggio unitario centrato nell origine. Per mezzo di un generatore di numeri pseudocasuali compresi nell intervallo [0,1] ed uniformemente distribuiti, verranno generate delle coppie Xn,Yn che rappresenteranno dei punti all interno del quadrato. Tutti questi punti dovranno essere divisi in due gruppi: quelli appartenenti a tutto il quadrato e quelli appartenenti al settore circolare. Essendo il generatore equiprobabile, è ragionevole ipotizzare che il numero di punti presenti nelle due aree risulti proporzionale al valore delle aree stesse e cioè: Numero di punti interni al settore circolare Numero di punti interni al quadrato rea del settore circolare rea del quadrato π r r / 4 π 4 da cui: π 4 N N punti cerchio totale di punti in quanto il numero di punti interni al quadrato corrisponde al numero totale di punti usati per la simulazione. Il conteggio dei punti interni al settore circolare si ottiene valutando, per ogni punto, la distanza del punto dall origine e cioè se:.c. Neve Numeri pseudocasuali 15
16 D X + Y 1 allora il punto appartiene al settore altrimenti al quadrato. n n n I risultati ottenibili dalle simulazioni presentano degli errori con i seguenti ordini di grandezza: Numero totale di punti Errore sul calcolo del π 100 6% % ,5% ,1% ,04% Un altro classico esempio riguarda il calcolo dell integrale definito. Si rammenta che, dal punto di vista geometrico, il valore di un integrale definito coincide con il valore dell area sottesa dalla curva tra i due estremi di integrazione. Si consideri come esempio la funzione: f ed il relativo integrale definito: INTEGRLE f d nche in questo caso, per mezzo di un generatore di numeri pseudocasuali uniformemente distribuiti, verranno generate delle coppie Xn,Yn tali che: Xn sia compreso tra e Yn si compreso in questo caso tra 0 ed f in generale è necessario valutare, caso per caso, la dimensione verticale del rettangolo..c. Neve Numeri pseudocasuali 16
17 Tutti questi punti dovranno essere divisi in due gruppi: quelli appartenenti a tutto al rettangolo e quelli appartenenti all area sottesa dalla curva. Essendo il generatore equiprobabile, è ragionevole ipotizzare che il numero di punti presenti nelle due aree risulti proporzionale al valore delle aree stesse e cioè: f d Numero di punti nell'area sottesa dalla curva rea sottesa dalla curva Numero di punti interni al rettangolo rea del rettangolo f da cui: Numero di punti nell'area sottesa dalla curva f d f Numero totaledi punti Il conteggio dei punti appartenenti all area sottesa dalla curva si ottiene confrontando il valore della funzione nel punto Xn con il valore di Yn e cioè: se f Xn Yn allora il punto appartiene all area sottesa dalla curva. I risultati ottenibili dalle simulazioni presentano degli errori con i seguenti ordini di grandezza: Numero totale di punti Errore sul calcolo dell integrale % % % ,7% ,3% Un ulteriore classico esempio è quello del lancio di due dadi. E ben noto che il funzionamento del sistema consiste nel lancio di due dadi e la successiva somma dei due singoli risultati. Le combinazioni dei possibili risultati possono essere schematizzate dalla seguente tabella: Come si può notare, il ed il 1 si possono ottenere solo con una singola combinazione 1+1 e 6+6 senza altre possibilità, mentre il 7 è ottenibile con diverse combinazioni 6+1, 5+, 4+3, 3+4, +5, 1+6. E pertanto ragionevole ipotizzare che la probabilità di ottenere il 7 è superiore a quella di ottenere il o il 1. In considerazione del fatto che il numero totale di eventi è 36, è possibile calcolare le probabilità teoriche dei singoli eventi..c. Neve Numeri pseudocasuali 17
18 Valore Probabilità 1/36 /36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 /36 1/36 Prob. %.77% 5.55% 8.33% 11.11% 13.88% 16.66% 13.88% 11.11% 8.33% 5.55%.77% La simulazione di questo sistema è abbastanza semplice: per mezzo di due generatori standard [0 1[ equiprobabile si simulano i due dadi per mezzo della relazione: N DDI N DDO1 + N DDO INTERON1 casuale *6+1 + INTERON casuale *6+1 La distribuzione degli eventi risulterà triangolare con il massimo in corrispondenza del 7. I risultati ottenibili dalle simulazioni presentano dei valori della probabilità degli eventi caratterizzata dai seguenti ordini di grandezza: Prob. con N500 Prob. con N1500 Prob. con N10000 Prob. con N50000 Prob. con N Come si può notare, all aumentare del numero di eventi il valore della probabilità si avvicina sempre di più a quella teorica e con una ripetibilità dei risultati sempre maggiore..c. Neve Numeri pseudocasuali 18
Generazione di numeri random. Distribuzioni uniformi
Generazione di numeri random Distribuzioni uniformi I numeri random Per numero random (o numero casuale) si intende una variabile aleatoria distribuita in modo uniforme tra 0 e 1. Le proprietà statistiche
DettagliGENERAZIONE DI NUMERI PSEUDOCASUALI
GENERAZIONE DI NUMERI PSEUDOCASUALI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) GENERAZIONE
DettagliTeorema del limite centrale TCL
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
DettagliLaboratorio di Calcolo B 68
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliIl metodo Monte Carlo. Numeri (pseudo)casuali. Esempio di transizione al caos. Analisi dati in Fisica Subnucleare. Introduzione al metodo Monte Carlo
Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
Dettagli5. Analisi dei dati di input
Anno accademico 2007/08 Analisi e scelta dei dati di input Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
DettagliLaboratorio di Calcolo B 67
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliSimulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
Dettagli2.3.1 Generazione di numeri pseudocasuali con distribuzione uniforme
GENERAZIONE DI OSSERVAZIONI CASUALI 145 2.3 GENERAZIONE DI OSSERVAZIONI CASUALI Una volta determinate le distribuzioni di input, la simulazione dovrà generare durante ogni esecuzione osservazioni casuali
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliIl metodo Monte Carlo. Esempio di transizione al caos. Numeri (pseudo)casuali. λ 1. Analisi dati in Fisica Subnucleare
Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa
DettagliVariabili aleatorie Parte I
Variabili aleatorie Parte I Variabili aleatorie Scalari - Definizione Funzioni di distribuzione di una VA Funzioni densità di probabilità di una VA Indici di posizione di una distribuzione Indici di dispersione
DettagliTecniche di simulazione
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di simulazione 8/3/2006 Metodo di Monte Carlo Risoluzione di problemi numerici determinazione parametro F di una popolazione
DettagliGeneratori di sequenze pseudocasuali. Manuela Aprile Maria Chiara Fumi
Generatori di sequenze pseudocasuali Manuela Aprile Maria Chiara Fumi Indice Concetti base e terminologia Random bit generator Pseudorandom bit generator Cenni di statistica Test Statistici Concetti base
Dettagli1 4 Esempio 2. Si determini la distribuzione di probabilità della variabile casuale X = punteggio ottenuto lanciando un dado. Si ha immediatamente:
CAPITOLO TERZO VARIABILI CASUALI. Le variabili casuali e la loro distribuzione di probabilità In molte situazioni, dato uno spazio di probabilità S, si è interessati non tanto agli eventi elementari (o
DettagliDispensa sulla funzione gaussiana
Sapienza Università di Roma Dipartimento di Scienze di Base e Applicate per l Ingegneria Sezione di Matematica Dispensa sulla funzione gaussiana Paola Loreti e Cristina Pocci A. A. 011-01 1 Introduzione:
DettagliStatistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill
Statistica - metodologie per le scienze economiche e sociali /e S. Borra A. Di Ciaccio - McGraw Hill s. 9. Soluzione degli esercizi del capitolo 9 In base agli arrotondamenti effettuati nei calcoli si
Dettagli- noise di conteggio ; f[m] è un numero intero che è la realizzazione di una variabile aleatoria con valor medio (valore atteso) f 0 [m].
Segnali con noise Sia f [m], m,,..., N-, il campionamento del segnale in arrivo sul rivelatore; il segnale campionato in uscita f[m] differisce da f [m] per quantità che variano in modo casuale. Si hanno
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliPROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE
PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE (da un idea di M. Impedovo Variabili aleatorie continue e simulazione Progetto Alice n. 15, ) 1. La simulazione Nelle schede precedenti
DettagliValutazione incertezza di categoria B
Valutazione incertezza di categoria B La valutazione consiste nell assegnare alla grandezza x uno scarto tipo σ in base alle informazioni disponibili Le informazioni riguardano: ) Gli estremi dell intervallo
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliGeneratori di numeri casuali
Statistica computazionale Generatori di numeri casuali Alberto Lusoli www.cash-cow.it Distribuito sotto licenza Creative Common Share Alike Attribution La generazione dei numeri casuali è troppo importante
DettagliPROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
DettagliRisultati esperienza sul lancio di dadi Ho ottenuto ad esempio:
Dado B (6): 2 2 6 6 6 1 1 3 6 4 6 6 3 1 1 4 1 6 3 6 6 4 6 3 2 4 3 2 6 3 5 5 6 4 3 3 2 1 2 1 6 3 2 4 4 3 6 6 3 2 1 6 6 4 6 1 3 6 6 1 6 2 4 5 3 3 6 2 1 6 6 3 1 2 6 3 1 3 4 6 1 6 4 1 6 4 6 6 6 5 5 2 4 1 2
DettagliSTIMA DELLA VARIANZA CAMPIONARIA
STIMA DELLA VARIANZA CAMPIONARIA Abbiamo visto che una stima puntuale corretta per il valore atteso µ delle variabili aleatorie X i è x n = (x 1 +.. + x n )/n. Una stima puntuale della varianza σ 2 delle
DettagliLaboratorio di Calcolo I. Applicazioni : Metodo Monte Carlo
Laboratorio di Calcolo I Applicazioni : Metodo Monte Carlo 1 Monte Carlo Il metodo di Monte Carlo è un metodo per la risoluzione numerica di problemi matematici che utilizza numeri casuali. Si applica
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
Dettaglif è una combinazione convessa f con w 1
SIMULAZIONE Che cosa serve: - un sistema dinamico completamente definito - un orizzonte di simulazione (intervallo di tempo per il quale sono noti gli ingressi) - funzioni di ingresso definite per tutto
DettagliUlteriori conoscenze di informatica Elementi di statistica Esercitazione3
Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows. Immettere Nome utente b## (##
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini e Leonardo Bertini. Lezione 6:
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini e Leonardo Bertini Lezione 6: Combinazioni di variabili aleatorie Algebra delle variabili aleatorie 1/2 Date
DettagliStatistica. POPOLAZIONE: serie di dati, che rappresenta linsieme che si vuole indagare (reali, sperimentali, matematici)
Statistica La statistica può essere vista come la scienza che organizza ed analizza dati numerici per fini descrittivi o per permettere di prendere delle decisioni e fare previsioni. Statistica descrittiva:
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
DettagliSTATISTICHE, DISTRIBUZIONI CAMPIONARIE E INFERENZA
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 STATISTICHE, DISTRIBUZIONI CAMPIONARIE
DettagliStatistica. Matematica con Elementi di Statistica a.a. 2017/18
Statistica La statistica è la scienza che organizza e analizza dati numerici per fini descrittivi o per permettere di prendere delle decisioni e fare previsioni. Statistica descrittiva: dalla mole di dati
Dettagli7. STATISTICA DESCRITTIVA
7. STATISTICA DESCRITTIVA Quando si effettua un indagine statistica si ha a che fare con un numeroso insieme di oggetti, detto popolazione del quale si intende esaminare una o più caratteristiche (matricole
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 4 Abbiamo visto: Distribuzioni discrete Modelli probabilistici nel discreto Distribuzione uniforme
DettagliCircuiti a tempo discreto Raffaele Parisi
Università di Roma La Sapienza Laurea Specialistica in Ingegneria Elettronica Circuiti a tempo discreto Raffaele Parisi : Cenni alla sintesi di Circuiti TD Generalità sulle tecniche di progetto. Filtri
DettagliPOPOLAZIONE E CAMPIONI
p. 1/2 POPOLAZIONE E CAMPIONI POPOLAZIONE insieme di tutti quegli elementi che hanno almeno una caratteristica comune (persone, oggetti,misure, osservazioni). Consideriamo il caso di caratteristiche associate
DettagliINFORMAZIONI. p. 1/23
p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 11/02 14:30 Laboratorio (via Loredan) Martedi 16/02 14:30 P50 Lunedi 22/02 09:30 P50 Martedi 23/02 14:30 P50 Giovedi 25/02 14:30 Aula informatica
DettagliTeoremi limite. Enrico Ferrero. 27 febbraio 2007
Teoremi limite Enrico Ferrero 27 febbraio 2007 LA DISEGUAGLIANZA DI CHEBYCHEV Sia X una variabile aleatoria avente valore medio µ e varianza σ 2. Sia poi K un arbitrario numero positivo. È possibile dimostrare
DettagliIntroduzione al modello Uniforme
Teoria dei Fenomeni Aleatori 1 AA 01/13 Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x t x q t Tempo Discreto Continuo 0
DettagliStatistica. Matematica con Elementi di Statistica a.a. 2015/16
Statistica La statistica è la scienza che organizza e analizza dati numerici per fini descrittivi o per permettere di prendere delle decisioni e fare previsioni. Statistica descrittiva: dalla mole di dati
DettagliProgrammazione con Foglio di Calcolo Cenni di Statistica Descrittiva
Fondamenti di Informatica Ester Zumpano Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Lezione 5 Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di
DettagliEsercizi di riepilogo
Esercizi di riepilogo Es1: Scommesse al casinò Tizio e Caio si alternano al tavolo di un casinò. Tizio gioca negli istanti di tempo dispari, mentre Caio in quelli pari Ad ogni istante di tempo, il guadagno
DettagliL analisi dei dati. Primi elementi. EEE- Cosmic Box proff.: M.Cottino, P.Porta
L analisi dei dati Primi elementi Metodo dei minimi quadrati Negli esperimenti spesso si misurano parecchie volte due diverse variabili fisiche per investigare la relazione matematica tra le due variabili.
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2004-05 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento suscettibile di più
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliCapitolo 7. Distribuzioni campionarie. Statistica. Levine, Krehbiel, Berenson
Levine, Krehbiel, Berenson Statistica Capitolo 7 Distribuzioni campionarie Insegnamento: Statistica Applicata Corsi di Laurea in "Scienze e tecnologie Alimentari" Unità Integrata Organizzativa Agraria,
DettagliDescrizione delle operazioni di calcolo. Espressioni costanti semplici
Descrizione delle operazioni di calcolo Come abbiamo detto l interprete è in grado di generare nuovi valori a partire da valori precedentemente acquisiti o generati. Il linguaggio di programmazione permette
DettagliMetodi di Monte Carlo: un'applicazione
Metodi di Monte Carlo: un'applicazione Metodi di Monte Carlo: definizione Brevi richiami sui concetti base utilizzati Variabile casuale Valore di aspettazione Varianza Densità di probabilità Funzione cumulativa
DettagliESTRATTO DA INDUZIONI, 32 (2001) pp 141-149. Significato geometrico del fattoriale, numeri pseudo-casuali e numero di Nepero
ESTRATTO DA INDUZIONI, 32 (2001) pp 141-149 Significato geometrico del fattoriale, numeri pseudo-casuali e numero di Nepero MARIO ABUNDO e LAURA SILVANI È raro che ci si preoccupi di attribuire un significato
DettagliScuola di Calcolo Scientifico con MATLAB (SCSM) 2017
Scuola di Calcolo Scientifico con MATLAB (SCSM) 2017 Palermo 24-28 Luglio 2017 www.u4learn.it Arianna Pipitone Introduzione alla probabilità MATLAB mette a disposizione degli utenti una serie di funzioni
DettagliElementi di Statistica
Università degli Studi di Palermo Dipartimento di Ingegneria Informatica Informatica ed Elementi di Statistica 3 c.f.u. Anno Accademico 2010/2011 Docente: ing. Salvatore Sorce Elementi di Statistica Statistica
DettagliIndice Premessa................................... Cenni storici delle misure......................
Indice Premessa................................... 5 1 Cenni storici delle misure...................... 11 1.1 Il numero come misura...................... 13 1.2 I primi campioni di lunghezza..................
DettagliX = X 1 + X 2 +... + X n. dove. 1 se alla i-esima prova si ha un successo 0 se alla i-esima prova si ha un insuccesso. X i =
PIU DI UNA VARIABILE CASUALE Supponiamo di avere n variabili casuali, X 1, X 2,..., X n. Le n variabili casuali si dicono indipendenti se e solo se P(X 1 x 1 X 2 x 2... X n x n ) = = P(X 1 x 1 ) P(X 2
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliRappresentazione dei numeri. Rappresentazione di insiemi numerici mediante insiemi finiti di stringhe di bit Problemi:
Argomenti trattati Rappresentazione dei numeri Calcoli in binario Rappresentazione di numeri naturali Rappresentazione di numeri relativi Rappresentazione di numeri reali (Virgola mobile) Rappresentazione
DettagliCALCOLO NUMERICO. Prof. Di Capua Giuseppe. Appunti di Informatica - Prof. Di Capua 1
CALCOLO NUMERICO Prof. Di Capua Giuseppe Appunti di Informatica - Prof. Di Capua 1 INTRODUZIONE Quando algoritmi algebrici non determinano la soluzione di un problema o il loro «costo» è molto alto, allora
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2006-07 Alberto Perotti Esperimento casuale Esperimento suscettibile di più risultati
DettagliDaniela Lera A.A. 2008-2009
Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2008-2009 Equazioni non lineari Metodo di Newton Il metodo di Newton sfrutta le informazioni sulla funzione
DettagliGenerazione di numeri casuali
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliIntroduzione al modello Uniforme
Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x () t x ( t ) q Tempo Discreto Continuo Segnale Analogico ( ) x t k t t Segnale
DettagliDio non gioca a dadi : Un introduzione al metodo Monte Carlo Orazio Muscato
Università degli Studi di Catania Dipartimento di Matematica e Informatica Dio non gioca a dadi : Un introduzione al metodo Monte Carlo Orazio Muscato La meccanica quantistica è degna di ogni rispetto,
DettagliQUANTIZZAZIONE E CONVERSIONE IN FORMA NUMERICA
QUANTIZZAZIONE E CONVERSIONE IN FORMA NUMERICA 1 Fondamenti di segnali Fondamenti e trasmissione TLC Campionamento e quantizzazione di un segnale analogico Si consideri il segnale x(t) campionato con passo
DettagliUnità Didattica N 2 Le funzioni
Unità Didattica N Le funzioni 1 Unità Didattica N Le funzioni 05) Definizione di applicazione o funzione o mappa. 06) Classificazione delle funzioni numeriche 07) Estremi di una funzione, funzioni limitate.
DettagliELEMENTI DI STATISTICA DESCRITTIVA
Dipartimento di Matematica U. Dini, Università di Firenze Viale Morgagni 67/A, 50134 - Firenze, Italy, vlacci@math.unifi.it November 15, 2015 Terminologia In un esperimento ogni risultato delle caratteristiche
DettagliLE DISTRIBUZIONI CAMPIONARIE
LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria
DettagliClassi: Prime Disciplina: MATEMATICA Ore settimanali previste: 4
Classi: Prime Disciplina: MATEMATICA Ore settimanali previste: 4 N. modulo Titolo Modulo Titolo unità didattiche Ore previste Periodo Competenze Prerequisiti per l'accesso al modulo 1: Conoscenze di base
DettagliLaboratorio di Chimica Fisica. Analisi Statistica
Università degli Studi di Bari Dipartimento di Chimica 9 giugno F.Mavelli- Laboratorio Chimica Fisica - a.a. 3-4 F.Mavelli Laboratorio di Chimica Fisica a.a. 3-4 Analisi Statistica dei Dati Analisi Statistica
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure relative a una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliMETODO DI CAVALIERI-SIMPSON (o delle parabole) (per il calcolo approssimato 1 di integrali definiti)
METODO DI CVLIERI-SIMPSON (o delle parabole) (per il calcolo approssimato di integrali definiti) ssieme ai metodi dei Rettangoli e dei Trapezi costituisce l insieme dei metodi di Integrazione Numerica
DettagliNUMERI CASUALI E SIMULAZIONE
NUMERI CASUALI E SIMULAZIONE NUMERI CASUALI Usati in: statistica programmi di simulazione... Strumenti: - tabelle di numeri casuali - generatori hardware - generatori software DESCRIZIONE DEL PROBLEMA
DettagliClassi: Prime Disciplina: MATEMATICA Ore settimanali previste: 4
Classi: Prime Disciplina: MATEMATICA Ore settimanali previste: 4 N. modulo Titolo Modulo Titolo unità didattiche Ore previste Periodo Competenze Prerequisiti per l'accesso al modulo 1: Conoscenze di base
DettagliClassi: Prime IA; IB; IC; ID; IE; IF Disciplina: MATEMATICA Ore settimanali previste: 4
Classi: Prime IA; IB; IC; ID; IE; IF Disciplina: MATEMATICA Ore settimanali previste: 4 N. modulo Titolo Modulo Titolo unità didattiche Ore previste Periodo Competenze Prerequisiti per l'accesso al modulo
Dettagli( ) ( ) ( e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da:
e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da: p ( ) ( c < X < b) f ( x) LA VC NORMALE O GAUSSIANA Una vc si dice normale o gaussiana (da Gauss che la propose come
DettagliEsercizio 1. Ricavi 102,3 105,6 100,7 105,2 104,8 104,6 100,7 100,2 100,9 102,7 95,4 120,7
Esercizio 1 Un azienda del settore abbigliamento operante nella provincia di Frosinone ha registrato i seguenti ricavi annui (in migliaia di Euro) derivanti dalla vendita di capi in pelle: Anni 1991 1992
DettagliLa codifica. dell informazione
La codifica dell informazione (continua) Codifica dei numeri Il codice ASCII consente di codificare le cifre decimali da 0 a 9 fornendo in questo modo un metodo per la rappresentazione dei numeri Il numero
DettagliCALCOLO DELL ERRORE E VALUTAZIONE DI UN METODO ANALITICO
CALCOLO DELL ERRORE E VALUTAZIONE DI UN METODO ANALITICO In chimica analitica un settore importante riguarda il calcolo dell errore e la valutazione della significatività di una misura. Generalmente nell
DettagliTeoria della probabilità Variabili casuali
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Variabili casuali A.A. 2008-09 Alberto Perotti DELEN-DAUIN Variabile casuale Una variabile
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 6: Combinazioni di variabili aleatorie
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini ezione 6: Combinazioni di variabili aleatorie Combinazioni di più variabili aleatorie continue Distribuzione
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
PROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE 1. Distribuzione congiunta Ci sono situazioni in cui un esperimento casuale non si può modellare con una sola variabile casuale,
DettagliClassi: Prime Disciplina: MATEMATICA Ore settimanali previste: 4
Classi: Prime Disciplina: MATEMATICA Ore settimanali previste: 4 MACRO UNITÀ PREREQUISITI TITOLO UNITÀ DI APPRENDIMENTO COMPETENZE ORE PREVISTE PERIODO INSIEMI NUMERICI Conoscenze di base sulle operazioni
Dettaglim = a k n k + + a 1 n + a 0 Tale scrittura si chiama rappresentazione del numero m in base n e si indica
G. Pareschi COMPLEMENTI ED ESEMPI SUI NUMERI INTERI. 1. Divisione con resto di numeri interi 1.1. Divisione con resto. Per evitare fraintendimenti nel caso in cui il numero a del Teorema 0.4 sia negativo,
DettagliMATEMATICA E STATISTICA CORSO A III COMPITINO 20 Marzo 2009
MATEMATICA E STATISTICA CORSO A III COMPITINO Marzo 9 SOLUZIONI. () Sia X una variabile aleatoria binomiale con valor medio uguale a 5/; la varianza di X può valere? Giustificare la risposta. Il valor
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
Dettagli