MODELLI DI DOMANDA E UTILITÀ ALEATORIA

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "MODELLI DI DOMANDA E UTILITÀ ALEATORIA"

Transcript

1 MODELLI DI DOMANDA E TILITÀ ALEATORIA SPOSTAMENTO: RISLTATO DI NMEROSE SCELTE COMPITE DAGLI TENTI DEL SERVIZIO DI TRASPORTO MODELLI DI DOMANDA: TENTANO DI RIPRODRRE I COMPORTAMENTI DI SCELTA DI TRASPORTO DEGLI TENTI MODELLI COMPORTAMENTALI. MODELLI DI TILITÀ ALEATORIA, O CASALE: PARADIGMA TEORICO PIÙ RICCO E DI GRAN LNGA PIÙ TILIZZATO PER SIMLARE LE SCELTE DI TRASPORTO TRA I MODELLI COMPORTAMENTALI

2 IPOTESI GENERALI I MODELLI DI TILITÀ ALEATORIA O CASALE SI BASANO SLLA IPOTESI CHE OGNI TENTE SIA N DECISORE RAZIONALE OVVERO N MASSIMIZZATORE DELL TILITÀ RELATIVA ALLE PROPRIE SCELTE: a IL GENERICO TENTE NELL EFFETTARE LA SCELTA CONSIDERA TTTE LE m ALTERNATIVE DISPONIBILI CHE COSTITISCONO IL SO INSIEME DI SCELTA I. L INSIEME DI SCELTA PÒ ESSERE DIFFERENTE PER TENTI DIVERSI b IL DECISORE ASSOCIA A CIASCNA ALTERNATIVA DEL SO INSIEME DI SCELTA NA TILITÀ O ATTRATTIVITÀ PERCEPITA E SCEGLIE L ALTERNATIVA CHE MASSIMIZZA TALE TILITÀ. c L TILITÀ ASSOCIATA A CIASCNA ALTERNATIVA DI SCELTA DIPENDE DA NA SERIE DI CARATTERISTICHE MISRABILI O ATTRIBTI PROPRI DELL ALTERNATIVA STESSA E DEL DECISORE X CON X VETTORE DEGLI ATTRIBTI RELATIVI ALL ALTERNATIVA E AL DECISORE. d L TILITÀ ASSOCIATA DAL GENERICO DECISORE ALL ALTERNATIVA NON È NOTA CON CERTEZZA ALL OSSERVATORE ESTERNO ANALISTA, E PERTANTO È RAPPRESENTATA CON NA VARIABILE ALEATORIA.

3 MODELLO PROBABILISTICO DI SCELTA I Pr[ >, I ] POSTO: V + ε I [ ] Var[ ] V E, I SI HA: E V V E ε Var Var ε V, [ / I ] Pr[ V V > ε ε ], I NOTAZIONE VETTORIALE: V ε f ε Fε VETTORE DELLE PROBABILITÀ DI SCELTA, DI DIMENSIONE m x, CON ELEMENTI VETTORE DEI VALORI DI TILITÀ PERCEPITA DI DIMENSIONE m x, CON ELEMENTI VETTORE DEI VALORI DI TILITÀ SISTEMATICA DI DIMENSIONE m x, CON ELEMENTI V VETTORE DEI RESIDI ALEATORI, DI DIMENSIONE m x, CON ELEMENTI ε FNZIONE DI DENSITÀ DI PROBABILITÀ CONGINTA DEI RESIDI ALEATORI FNZIONE DI DISTRIBZIONE CONGINTA DEI RESIDI ALEATORI V + ε V V E m MAPPA DI SCELTA TRA I VETTORI V e 3

4 ESPRESSIONE DELL'TILITÀ SISTEMATICA L TILITÀ SISTEMATICA RAPPRESENTA LA MEDIA DELL TILITÀ PERCEPITA FRA TTTI GLI INDIVIDI CHE HANNO GLI STESSI VALORI DEGLI ATTRIBTI È ESPRESSA COME FNZIONE DI ATTRIBTI X DECISORE: V X RELATIVI ALLE ALTERNATIVE E AL CON INDICE DEL GENERICO ATTRIBTO IN GENERE PER RAGIONI DI CONVENIENZA ANALITICA SI ASSME CHE LA TILITÀ SISTEMATICA V SIA NA FNZIONE LINEARE NEI COEFFICIENTI β K DEGLI ATTRIBTI O DI LORO TRASFORMAZIONI FNZIONALI: V T X βx β X 4

5 CLASSIFICAZIONE DEGLI ATTRIBTI ATTRIBTI DI LIVELLO DI SERVIZIO: ATTRIBTI PROPRI DEL SISTEMA DI TRASPORTO ES. TEMPI, COSTI, FREQENZA DEI SERVIZI, COMFORT ETC. ATTRIBTI DEL SISTEMA DI ATTIVITÀ: ATTRIBTI DIPENDENTI DALL SO DEL TERRITORIO DELL AREA DI STDIO ES. NMERO DI NEGOZI O NMERO DI SCOLE DI NA ZONA, ATTRIBTI SOCIO-ECONOMICI: ATTRIBTI PROPRI DELL TENTE O DEL SO NCLEO FAMILIARE ES. POSSESSO DI PATENTE, NMERO DI ATOVETTRE POSSEDTE IN FAMIGLIA ETC.. ATTRIBTI GENERICI: ATTRIBTI CHE COMPAIONO CON STESSA FORMA FNZIONALE E STESSO COEFFICIENTE β IN PIÙ DI NA ALTERNATIVA ATTRIBTI SPECIFICI: ATTRIBTI CHE COMPAIONO CON FORME FNZIONALI E/O COEFFICIENTI β DIVERSI IN DIVERSE ALTERNATIVE ATTRIBTO SPECIFICO DELL ALTERNATIVA ASA: VARIABILE OMBRA CHE VALE PER L ALTERNATIVA E ZERO PER LE ALTRE DIFFERENZA FRA L TILITÀ MEDIA E QELLA SPIEGATA DAGLI ALTRI ATTRIBTI X TILIZZATI. 5

6 CLASSIFICAZIONE DEGLI ATTRIBTI CONTINA VARIABILI OMBRA /: ATTRIBTI CHE INDICANO LA PRESENZA O MENO DI N FATTORE ES. ASA VARIABILI NMERICHE: ATTRIBTI CHE INDICANO LA QANTITÀ DI N FATTORE V β t V auto β t a + β t ba + β 3 c a + β 4 DISP + β 5 REDD + β 6 ATO V bus β t b + β t bb + β 3 c b + β 7 t wb + β 8 BS Attrbut secfc della alternatva ASA ATO BS Attrbut d Lvello d Servzo t b temo a bordo generco t w temo d attesa alla fermata secfco t temo a ed generco c costo monetaro generco Attrbut Soco-Economc DISP n auto/n atentat REDD se reddto>6 Ml 6

7 CASE DI ALEATORIETÀ DELL'TILITÀ PERCEPITA a ATTRIBTI OMESSI: VARIABILI NON OSSERVABILI DIRETTAMENTE, DI DIFFICILE VALTAZIONE O COMNQE NON INCLSE NEL VETTORE DI ATTRIBTI ES. COMFORT DI MARCIA, AFFIDABILITÀ DEL TEMPO TOTALE DI VIAGGIO; b ERRORI DI MISRA DEGLI ATTRIBTI CONSIDERATI NELLA FNZIONE DI TILITÀ SISTEMATICA ES. ATTRIBTI DI LIVELLO DI SERVIZIO RICAVATI CON N MODELLO DI RETE; c PRESENZA DI ATTRIBTI STRMENTALI CIOÈ VARIABILI CHE SOSTITISCONO GLI ATTRIBTI CHE EFFETTIVAMENTE INFLENZANO LA TILITÀ PERCEPITA DELLE ALTERNATIVE ES. ATTRIBTI DI PREFERENZA MODALE CHE SOSTITISCONO VARIABILI DI COMFORT, PRIVACY, IMMAGINE ETC DI N CERTO MODO DI TRASPORTO, IL NMERO DI ADDETTI AL COMMERCIO LOCALIZZATI IN NA CERTA ZONA CHE SOSTITISCE LA NMEROSITÀ E LA VARIETÀ DEI NEGOZI; d VARIAZIONI DI GSTI O DI PREFERENZE FRA I DECISORI ES. DISTANZA DA PERCORRERE A PIEDI E, PER LO STESSO DECISORE, NEL TEMPO A CASA DEL VERIFICARSI DI DIVERSE CONDIZIONI FISICHE O PSICOLOGICHE. e ERRORI NELLE VALTAZIONE DEGLI ATTRIBTI DA PARTE DEL DECISORE ES. VALTAZIONI ERRATE DEL TEMPO DI VIAGGIO. 7

8 8 IL MODELLO LOGIT IPOTESI: RESIDI ALEATORI ε INDIPENDENTEMENTE ED IDENTICAMENTE DISTRIBITI I.I.D SECONDO NA VARIABILE ALEATORIA V.A.. DI GMBEL CON MEDIA NLLA E PARAMETRO θ : D C B A 6 D C B A ε θ π o A B C D [ ] F x x x ε ε θ ex ex / Prob Φ CON φ : COSTANTE DI ELERO φ.577. Var E 6 θ π ε ε ε Cov h I h,, ε ε [ ] + m / V ex V / xv / exv θ θ θ e

9 INDIPENDENZA DELLE ALTERNATIVE IRRILEVANTI I.I.A. NEL MODELLO LOGIT IL RAPPORTO DELLE PROBABILITÀ DI SCELTA DI DE ALTERNATIVE È COSTANTE ED INDIPENDENTE DAL NMERO E DALLA TILITÀ SISTEMATICA DELLE ALTRE, EVENTALI, ALTERNATIVE DI SCELTA: / h ex V ex V / θ / θ h QESTA PROPRIETÀ PÒCOMPORTARE DEI PROBLEMI QANDO LE ALTERNATIVE SONO SIMILI V Auto V Bus blu Auto Bus blu.5 Auto Bus blu V Auto V Bus blu V Bus rosso Auto Bus blu Bus rosso.33 Auto Bus blu 9

10 IL MODELLO LOGIT GERARCHIZZATO AD N LIVELLO V + ε V + η + τ / I E [ ε ] E[ η ] E[ τ ] / o, θ η θ τ / / exv / θ exv / θ ex δy I h h ex δy CON PROBABILITÀ DI SCELTA DELL'ALTERNATIVA / PROBABILITÀ DI SCELTA DELL'ALTERNATIVA DATO IL GRPPO PROBABILITÀ DI SCELTA DEL GRPPO

11 MODELLO PROBIT IPOTESI: Σ ε, MVN E Var Cov h h ε ε ε ε m m m m m m m Σ [ ] [ ] m / N T..d d det / ex m < + < Σ Σ π V V

12 METODO MONTECARLO ITERAZIONE : ESTRAZIONE DI N VETTORE DI RESIDI ALEATORI ε DA NA VARIABILE NORMALE MLTIVARIATA A MEDIA NLLA E MATRICE DI DISPERSIONE Σ. V + ε max { } alternatva d max. utlta all'terazone ˆ n n n NMERO DI VOLTE CHE È RISLTATA L'ALTERNATIVA DI MASSIMA TILITÀ SLLE n ITERAZIONI TOTALI

Richiami di modelli di utilità aleatoria

Richiami di modelli di utilità aleatoria Corso d LOGISTICA TERRITORIALE www.unroma.t/ddattca/lt DOCENTE prof. ng. Agostno Nuzzolo Rcham d modell d utltà aleatora prof. ng. Agostno Nuzzolo - Corso d Logstca Terrtorale Modell d domanda e utltà

Dettagli

MODELLI DI UTILITÀ ALEATORIA

MODELLI DI UTILITÀ ALEATORIA corso d Teora e Tecnca della Crcolazone + Trasport e Terrtoro a.a. 2012-2013 MODELLI DI UTILITÀ ALEATORIA PROF. ING. UMBERTO CRISALLI Dpartmento d Ingegnera dell Impresa crsall@ng.unroma2.t Modell d utltà

Dettagli

Domanda merci interregionale

Domanda merci interregionale Corso di LOGISTICA TERRITORIALE www.uniroma2.it/didattica/lot_2012 DOCENTE prof. ing. Agostino Nuzzolo Domanda merci interregionale Modelli Scelta di della scelta Modalità della modalità di Trasporto di

Dettagli

Modelli di utilità aleatoria

Modelli di utilità aleatoria corso d Teora de Sstem d Trasporto Modell d utltà aleatora PROF. ING. UMBERTO CRISALLI Dpartmento d Ingegnera dell Impresa crsall@ng.unroma.t Iscrzone al corso Modell d offerta ü Da effettuars anche on

Dettagli

Domanda merci interregionale Scelta della Modalità di Trasporto

Domanda merci interregionale Scelta della Modalità di Trasporto Corso di LOGISTICA TERRITORIALE http://didattica.uniroma2.it DOCENTE prof. ing. Agostino Nuzzolo Domanda merci interregionale Scelta della Modalità di Trasporto Decisore Soggetto che sopporta i costi (franco

Dettagli

CORSO DI LOGISTICA TERRITORIALE A. A

CORSO DI LOGISTICA TERRITORIALE A. A CORSO DI LOGISTICA TERRITORIALE A. A. 2015-16 COSTI LOGISTICI E SCELTA MODALITA DI TRASPORTO PROF. AGOSTINO NUZZOLO Decisioni di trasporto e logistica Si considerano decisioni nell ambito di politiche

Dettagli

Vincolo di bilancio e Preferenze del consumatore

Vincolo di bilancio e Preferenze del consumatore Vincolo di bilancio e Preferenze del consmatore Il vincolo di bilancio Il vincolo di bilancio nasce dall esigenza di modellare n economia dove gli individi non possono consmare qantità infinite di beni.

Dettagli

Modelli di scelta del percorso Modelli di assegnazione

Modelli di scelta del percorso Modelli di assegnazione Corso di LOGISTICA TERRITORIALE www.uniroma.it/didattica/lt DOCENTE prof. ing. Agostino Nuzzolo Modelli di scelta del percorso Modelli di assegnazione Definizioni ed ipotesi Relazione tra costi d arco

Dettagli

Stima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.

Stima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c. Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione

Dettagli

Modelli di utilità aleatoria

Modelli di utilità aleatoria Corso d Teora de Sstem d Trasporto + prof. ng. Antono Com gugno 9 Struttura del sstema d modell per la smulazone de sstem d trasporto Modell d offerta OFFERTA DI INFRASTRUTTURE E SERIZI DI TRASPORTO MODELLO

Dettagli

Modelli di scelta del percorso (cenni)

Modelli di scelta del percorso (cenni) Corso di PROGETTAZIONE DEI SISTEMI DI TRASPORTO (tutti i CCS tranne Civile e Gestionale) www.uniroma.it/didattica/pst_accs ing. Antonio Comi ottobre 006 Modelli di scelta del percorso (cenni) Il modello

Dettagli

LA STIMA DELLA DOMANDA DI TRASPORTO

LA STIMA DELLA DOMANDA DI TRASPORTO LA STIMA DELLA DOMANDA DI TRASPORTO STIMA DELLA DOMANDA ATTUALE STIMA DELLA DOMANDA ATTUALE E FUTURA STIMA DIRETTA STIMA DA MODELLO INDAGINI: INTERVISTE SU DI UN CAMPIONE DI UTENTI: (INFORMAZIONI DISAGGREGATE)

Dettagli

Matematica Computazionale(6cfu) Ottimizzazione(8cfu) (a.a , lez.7)

Matematica Computazionale(6cfu) Ottimizzazione(8cfu) (a.a , lez.7) Docente: Marco Gaviano (e-mail:gaviano@nica.it) Corso di Larea in Infomatica Corso di Larea in Matematica Matematica Comptazionale(6cf) Ottimizzazione(8cf) (a.a. -4, lez.7) Matematica Comptazionale, Ottimizzazione,

Dettagli

Figura Area di Studio

Figura Area di Studio Esercizi modelli di domanda Esercizio 1 Considerando tre zone di traffico, si vuole determinare il numero complessivo di spostamenti emessi dalle tre zone per il motivo Casa-Studio ed effettuati da studenti

Dettagli

Modelli Decisionali per la Stima della Domanda di Mobilità

Modelli Decisionali per la Stima della Domanda di Mobilità Modelli Decisionali per la Stima della Domanda di Mobilità dambra@unina.it rodia@unina.it Schema Sintetico Sistema di Offerta Sistema di Trasporto Sistema di Domanda Modello di Offerta Modello di Domanda

Dettagli

PIANIFICAZIONE DEI TRASPORTI

PIANIFICAZIONE DEI TRASPORTI Università di agliari DIAAR Dipartimento di Ingegneria ivile, Ambientale e architettura Sezione Trasporti PIANIFIAZIONE DEI TRASPORTI Esercitazione 4 Il modello di scelta modale A.A. 206-207 Prof. Italo

Dettagli

Modelli fisici (usati in architettura, nella meccanica dei fluidi, etc.) Modelli astratti (mentali, matematici, etc.)

Modelli fisici (usati in architettura, nella meccanica dei fluidi, etc.) Modelli astratti (mentali, matematici, etc.) Rappresentazione semplificata di una parte del mondo reale (sistema di interesse) attraverso la definizione di elementi considerati importanti per la sua analisi e secondo un particolare punto di vista:

Dettagli

Modelli di utilità aleatoria

Modelli di utilità aleatoria Corso d Teora de Sstem d Trasporto + prof. ng. Antono Com gugno 8 Struttura del sstema d modell per la smulazone de sstem d trasporto Modell d offerta OFFERTA DI INFRASTRUTTURE E SERVIZI DI TRASPORTO MODELLO

Dettagli

CORSI E SEMINARI DI FORMAZIONE UTILIZZO DEI MODELLI DI SIMULAZIONE DEL TRAFFICO: MODELLI MULTIMODALI E BIG DATA

CORSI E SEMINARI DI FORMAZIONE UTILIZZO DEI MODELLI DI SIMULAZIONE DEL TRAFFICO: MODELLI MULTIMODALI E BIG DATA UTILIZZO DEI MODELLI DI SIMULAZIONE DEL TRAFFICO: MODELLI MULTIMODALI E BIG DATA giovedì 9 novembre 2017// Centro Studi PIM - Villa Scheibler Modelli di simulazione Multimodale: caratteristiche, dati di

Dettagli

Dalla dinamica alla normativa sismica

Dalla dinamica alla normativa sismica Dalla dinamica alla normativa sismica Sistemi a più gradi di libertà: stdio del comportamento non-lineare Caltagirone, 6 aprile 2004 Brno Biondi Dalla sezione alla strttra Per schemi a più gradi di libertà

Dettagli

Seminario Modelli di Scelta Discreta

Seminario Modelli di Scelta Discreta Seminario Modelli di Scelta Discreta Università degli Studi di Cagliari Facoltà di Ingegneria Dott. Ing. Eleonora Sottile, PhD Cagliari, 4 maggio 2018 Modelli Rappresentazione semplificata di una parte

Dettagli

MODELLI DI DOMANDA. Prof. Ing. Umberto Crisalli Dipartimento di Ingegneria dell Impresa.

MODELLI DI DOMANDA. Prof. Ing. Umberto Crisalli Dipartimento di Ingegneria dell Impresa. corso di Teoria e Tecnica della Circolazione MODELLI DI DOMANDA Prof. Ing. Umberto Crisalli Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma2.it Modelli di domanda Sistema di modelli per la

Dettagli

La codifica delle immagini

La codifica delle immagini La codifica delle immagini Lettere e nmeri non costitiscono le niche informazioni tilizzate dagli elaboratori ma si stanno diffondendo sempre di più applicazioni che tilizzano ed elaborano anche altri

Dettagli

Corso di TEORIA DEI SISTEMI DI TRASPORTO. Prof. Ing. Umberto Crisalli

Corso di TEORIA DEI SISTEMI DI TRASPORTO. Prof. Ing. Umberto Crisalli Corso di TEORIA DEI SISTEMI DI TRASPORTO Prof. Ing. Umberto Crisalli Modelli di domanda 1 Struttura del sistema di modelli per la simulazione dei sistemi di trasporto OFFERTA DI INFRASTRUTTURE E SERVIZI

Dettagli

Teoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata ( )

Teoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata ( ) Il Concetto di Distribuzione Condizionata Se B è un evento, la probabilità di un evento A condizionata a B vale: ponendo: P A B = ( ) P A B P B A = { x} si giunge al concetto di distribuzione condizionata

Dettagli

Modelli di domanda e utilità aleatoria

Modelli di domanda e utilità aleatoria La domanda d mobltà Corso d PIANIFICAZIONE DEI TRASPORTI Prof. Ing. Agostno Nuzzolo Marzo 005 Struttura del sstema d modell er la smulazone de sstem d trasorto Modello del sstema d trasorto OFFERTA DI

Dettagli

Richiami di TEORIA DELLE PROBABILITÀ

Richiami di TEORIA DELLE PROBABILITÀ corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A. 015-016 Richiami di TEORIA DELLE PROBABILITÀ Prof. Ing. Umberto Crisalli Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma.it

Dettagli

Richiami di Teoria della probabilità (I)

Richiami di Teoria della probabilità (I) Richiami di Teoria della probabilità (I) ESPERIMENTO: ogni operazione il cui risultato non può essere predetto con certezza EVENTO: è il risultato di un esperimento Eventi semplici e composti Eventi disgiunti

Dettagli

1) Codici lineari a blocchi. 2) Matrice generatrice del codice. 3) Proprietà dei codici lineari a blocchi. 4) Matrice di controllo di parità

1) Codici lineari a blocchi. 2) Matrice generatrice del codice. 3) Proprietà dei codici lineari a blocchi. 4) Matrice di controllo di parità Argomenti della Lezione ) Codici lineari a blocchi ) Matrice generatrice del codice 3) Proprietà dei codici lineari a blocchi 4) Matrice di controllo di parità 5) Rivelazione e correzione d errore 6) Standard

Dettagli

CALIBRAZIONE DISAGGREGATA

CALIBRAZIONE DISAGGREGATA corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A. 2018-2019 CALIBRAZIONE DISAGGREGATA corso selezionato per la sperimentazione della piattaforma di insegnamento/apprendimento Prof. Ing. Umberto

Dettagli

IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA

IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale

Dettagli

Statistica Applicata all edilizia: Stime e stimatori

Statistica Applicata all edilizia: Stime e stimatori Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica

Dettagli

Gli indici tensoriali in corsivo (i, j, k, ) hanno il range (1,2,3). L insieme dei numeri reali

Gli indici tensoriali in corsivo (i, j, k, ) hanno il range (1,2,3). L insieme dei numeri reali Introdzione I.3 SHEMA DI NOTAZIONE Vettori e tensori insieme a nzioni aventi come valori qantità di qesto tipo sono indicati con lettere in grassetto. Le componenti di qeste qantità sono indicate con lettere

Dettagli

X n = αx n 1 + Y n. Si dimostri che. Usando la precedente relazione si dimostri che. e che. e si determini il limite di media e varianza quando n +.

X n = αx n 1 + Y n. Si dimostri che. Usando la precedente relazione si dimostri che. e che. e si determini il limite di media e varianza quando n +. Problema 1. Siano X, Y 1, Y,... variabili aleatorie indipendenti. Si supponga che X abbia media m e varianza σ e che le Y i abbiano distribuzione gaussiana con media µ e varianza σ. Dato α in (, 1, si

Dettagli

Random Utility Models

Random Utility Models Corso di LOGISTICA TERRITORIALE http://didattica.uniroma2.it/ DOCENTE prof. ing. Agostino Nuzzolo prof. ing. Antonio Comi Random Utility Models 1 Modelli di utilità Ipotesi generali I modelli di utilità

Dettagli

Corso di Fondamenti di Telecomunicazioni

Corso di Fondamenti di Telecomunicazioni Corso di Fondamenti di Telecomunicazioni Prof. Mario Barbera [parte ] Variabili aleatorie Esempio: sia dato l esperimento: Scegliere un qualunque giorno non festivo della settimana, per verificare casualmente

Dettagli

Introduzione al modello Uniforme

Introduzione 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

Dettagli

Calibrazione disaggregata

Calibrazione disaggregata Corso di TEORIA DEI SISTEMI DI TRASPORTO prof. ing. Umberto Crisalli Calibrazione disaggregata La stima della domanda di trasporto Stima della Domanda Attuale Stima della Domanda Attuale e Futura Stima

Dettagli

La regressione lineare semplice

La regressione lineare semplice La regressione lineare semplice Il modello di regressione lineare semplice - 1 y = β 0 + βx + ε 10 8 Una retta nel piano Variabile Y 6 4 2 0 0 1 2 3 4 Variabile X 1 Il modello di regressione lineare semplice

Dettagli

1 Prova scritta del svolgimento

1 Prova scritta del svolgimento Università di Siena - a.a. 4-5 - Dip.to di ing. inf. e sc. mat. Corso: Probabilità e statistica (prof. a.battinelli) Prova scritta del 6..6 - svolgimento. Il nmero aleatorio Y ha per dominio l insieme

Dettagli

Correlazione e regressione

Correlazione e regressione Correlazione e regressione Correlazione 1 Come posso determinare il legame tra due o più variabili? Correlazione COEFFICIENTE DI CORRELAZIONE (r di Pearson) massimo consumo di ossigeno e prestazione nelle

Dettagli

DEFINIZIONI. CORSA connessione spazio-temporale data da una sequenza di fermate con determinati orari di partenza/arrivo.

DEFINIZIONI. CORSA connessione spazio-temporale data da una sequenza di fermate con determinati orari di partenza/arrivo. DEFINIZIONI Dato un sistema di trasporto collettivo: CORSA connessione spazio-temporale data da una sequenza di fermate con determinati orari di partenza/arrivo. LINEA insieme di corse con le stesse caratteristiche

Dettagli

POLITECNICO DI TORINO - III FACOLT A DI INGEGNERIA - sede di MONDOVI ESAME DI: PROVA DEL: Esercizio

POLITECNICO DI TORINO - III FACOLT A DI INGEGNERIA - sede di MONDOVI ESAME DI: PROVA DEL: Esercizio POLITECNICO DI TORINO - III FACOLT A DI INGEGNERIA - sede di MONDOVI COGNOME:... NOME:... ESAME DI: FONDAMENTI DI AUTOMATICA MATRICOLA:... PROVA DEL: Test prova N. Esercizio 8 9 Risposta Esercizio 8 9

Dettagli

Università di Pavia Econometria. Richiami di Statistica. Eduardo Rossi

Università di Pavia Econometria. Richiami di Statistica. Eduardo Rossi Università di Pavia Econometria Richiami di Statistica Eduardo Rossi Università di Pavia Campione casuale Siano (Y 1, Y 2,..., Y N ) variabili casuali tali che le y i siano realizzazioni mutuamente indipendenti

Dettagli

Fire Monitoring System

Fire Monitoring System Sistemi antincendio Fire Monitoring System Fire Monitoring System www.boschsecrity.com Monitoraggio di centrali singole o in rete Gestione di n massimo di 5.000 pnti di rivelazione Connessioni simltanee

Dettagli

Università di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A

Università di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime

Dettagli

Elemento asta. Identificazione della adatta formulazione dell elemento

Elemento asta. Identificazione della adatta formulazione dell elemento F F Elemento asta I) Identificaione della adatta formlaione dell elemento l elemento ha nodi Un solo spostamento interno è definito II) Scelta di insieme di fnioni con le qali si descriverà il campo interno

Dettagli

Politecnico di Milano Fondamenti di Fisica Sperimentale a.a Facoltà di Ingegneria Industriale - Ind. Energetica-Meccanica- Aerospaziale

Politecnico di Milano Fondamenti di Fisica Sperimentale a.a Facoltà di Ingegneria Industriale - Ind. Energetica-Meccanica- Aerospaziale Politecnico di Milano Fondamenti di Fisica Sperimentale a.a. 8-9 - Facoltà di Ingegneria Indstriale - Ind. Energetica-Meccanica- Aerospaziale II prova in itinere - /7/9 Gistificare le risposte e scrivere

Dettagli

Università di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi

Università di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove

Dettagli

Stazionarietà. IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 3: Processi Stocastici 3-1

Stazionarietà. IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 3: Processi Stocastici 3-1 IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 3: Processi Stocastici Motivazioni Esempi Definizione Dualitá Stazionarietà 3-1 Motivazioni In molti settori scientifici sia tecnologici che economico-sociali

Dettagli

2. ANALISI DELLA DEFORMAZIONE

2. ANALISI DELLA DEFORMAZIONE . ANALISI DELLA DEFORMAZIONE Un elemento monodimensionale soggetto ad na forza di trazione o compressione sbisce na variazione di lnghezza Δl (rispettivamente n allngamento o n accorciamento) rispetto

Dettagli

4. MODELLI DI SCELTA DEL PERCORSO

4. MODELLI DI SCELTA DEL PERCORSO 4. MODELLI DI SCELTA DEL PERCORSO Il modello di scelta del percorso fornisce l aliquota p[/oshdm] degli spostamenti effettuati da utenti di categoria i, che utilizzano ciascun percorso relativo al modo

Dettagli

Richiami di Statistica

Richiami di Statistica Università di Pavia Richiami di Statistica Eduardo Rossi Popolazione e campione casuale Un idea centrale della statistica è che un campione sia una rappresentazione della popolazione. Si possono sfruttare

Dettagli

Sia dato il sistema LTI descritto dalla seguente funzione di trasferimento: 31250(s + 4) d u. K c +

Sia dato il sistema LTI descritto dalla seguente funzione di trasferimento: 31250(s + 4) d u. K c + Esercizio 1 Sia dato il sistema LTI descritto dalla segente fnzione di trasferimento: 3150(s 4) F(s) = 3 (s s )(s 50) controllato mediante n controllore statico di gadagno K c =, chiso in n anello di retroazione

Dettagli

Indice. Scelta in condizioni di incertezza. Lotterie monetarie. Lotterie monetarie. Corso di Microeconomia progredito. Parte III

Indice. Scelta in condizioni di incertezza. Lotterie monetarie. Lotterie monetarie. Corso di Microeconomia progredito. Parte III Indice Scelta in condizioni di incertezza Corso di Microeconomia progredito 1 Lotterie monetarie 2 Avversione al rischio Parte III 3 Applicazioni 4 Misura dell avversione al rischio Corso di Microeconomia

Dettagli

Le onde elastiche stazionarie

Le onde elastiche stazionarie Le onde elastiche stazionarie Pitagora Samo 570-495 a.c. Jean Baptiste Joseph Forier Francia, 1768 1830 Pitagora e i soi allievi diedero n implso straordinario alla teoria dei nmeri e alla teoria del sono.

Dettagli

TEORIA DEI SISTEMI DI TRASPORTO

TEORIA DEI SISTEMI DI TRASPORTO UNIVERSITA' DI ROMA "TOR VERGATA" FACOLTA DI INGEGNERIA TEORIA DEI SISTEMI DI TRASPORTO DOCENTE Prof. Ing. UMBERTO CRISALLI ESEMPI APPLICATIVI a cura di Ing. Antonio Comi 1 SOMMARIO Premessa... 2 1. Il

Dettagli

Regressione lineare semplice

Regressione lineare semplice Regressione lineare semplice Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Statistica con due variabili var. nominale, var. nominale: gruppo sanguigno - cancro

Dettagli

Costruzione 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. 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

Dettagli

ELEMENTI DI MECCANICA. 1 Nozioni fondamentali

ELEMENTI DI MECCANICA. 1 Nozioni fondamentali ELEMENTI DI MECCANICA 1 Nozioni fondamentali Giovanni Bccolieri Università del Salento, Dipartimento Matematica e Fisica e-mail: giovanni.bccolieri@nisalento.it 1 Grandezze fisiche La fisica permette di

Dettagli

VINCENZO AIETA Spazi vettoriali

VINCENZO AIETA Spazi vettoriali VINCENZO AIETA Spazi vettoriali 2.1 Vettori ed operazioni Sia V n insieme di segmenti orientati ed R na relazione di eqipollenza definita in esso. De qalsiasi elementi di V stanno nella R se hanno: 1)

Dettagli

4. MODELLI DI SCELTA DEL PERCORSO

4. MODELLI DI SCELTA DEL PERCORSO 4. MODELLI DI SCELTA DEL PERCORSO Il modello di scelta del percorso fornisce l aliquota p[/oshdm] degli spostamenti effettuati da utenti di categoria i, che utilizzano ciascun percorso relativo al modo

Dettagli

Teoria dei Fenomeni Aleatori AA 2012/13

Teoria 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

Dettagli

Domanda merci internazionale Import-Export

Domanda merci internazionale Import-Export Corso di LOGISTICA TERRITORIALE www.uniroma2.it/didattica/lt_20112011 DOCENTE prof. ing. Agostino Nuzzolo Domanda merci internazionale Import-Export Quadro di riferimento Geografic Area Import Export 2007

Dettagli

Gianni Michele De Gaetanis

Gianni Michele De Gaetanis Gianni Michele De Gaetanis PUSHOVER DALLA TEORIA ALLA PRATICA APPROCCIO NORMATIVO, BASI TEORICHE, IMPLEMENTAZIONI DEL METODO PUSHOVER, CURVE DI CAPACITÀ, CARATTERISTICHE DEI MATERIALI, ELEMENTI STRUTTURALI

Dettagli

BREVE TRATTATO SULLA LINEA ELETTRICA DI TRASMISSIONE

BREVE TRATTATO SULLA LINEA ELETTRICA DI TRASMISSIONE BREVE TRATTATO SULLA LINEA ELETTRICA DI TRASMISSIONE Di Vincenzo Iorio Introdzione La corrente elettrica contina, circola nei corpi condttori in base alle modalità che conosciamo dallo stdio dell'elettrologia.

Dettagli

Lab 2: Progettazione di controllori PID e con retroazione stato per un motore elettrico

Lab 2: Progettazione di controllori PID e con retroazione stato per un motore elettrico Lab 2: Progettazione di controllori PID e con retroazione stato per n motore elettrico Lca Schenato Email: schenato@dei.nipd.it 15 Aprile 2015 1 Scopo L obiettivo di qesto laboratorio è di procedere alla

Dettagli

Università di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti

Università di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di

Dettagli

DISTRIBUZIONE ESPONENZIALE Nella forma più usuale la distribuzione esponenziale assume la forma: Le relazioni teoriche dei momenti sono:

DISTRIBUZIONE ESPONENZIALE Nella forma più usuale la distribuzione esponenziale assume la forma: Le relazioni teoriche dei momenti sono: DISTRIBUZIONE ESPONENZIALE Nella forma più usuale la distribuzione esponenziale assume la forma: Le relazioni teoriche dei momenti sono: DISTRIBUZIONE ESPONENZIALE a 2 parametri (con soglia) Se esiste

Dettagli

Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prima prova in itinere

Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prima prova in itinere Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (69AA) A.A. 016/17 - Prima prova in itinere 017-01-13 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.

Dettagli

Dalla dinamica alla normativa sismica

Dalla dinamica alla normativa sismica Dalla dinamica alla normativa sismica Sistemi a n grado di libertà: stdio del comportamento non-lineare Caltagirone, 6 aprile 24 Brno Biondi È possibile progettare le strttre in modo che rimangano in campo?

Dettagli

Spazi vettoriali e spazi di funzioni

Spazi vettoriali e spazi di funzioni λ Spazi vettoriali e spazi di nzioni M Bertero ISI - Università di Genova - Spazi vettoriali complessi - Operatori lineari in spazi vettoriali complessi e matrici - Estensione al caso - Spazi lineari di

Dettagli

Dalla dinamica alla normativa sismica

Dalla dinamica alla normativa sismica Dalla dinamica alla normativa sismica Sistemi a n grado di libertà: stdio del comportamento non-lineare Caltagirone, 6 aprile 2004 Brno Biondi È possibile progettare le strttre in modo che rimangano in

Dettagli

Lezione 28. Sistemi dinamici a tempo discreto (approccio in variabili di stato) F.Previdi - Fondamenti di Automatica - Lez. 28

Lezione 28. Sistemi dinamici a tempo discreto (approccio in variabili di stato) F.Previdi - Fondamenti di Automatica - Lez. 28 Lezione 28. Sistemi dinamici a tempo discreto (approccio in variabili di stato) Schema. Introdzione 2. Segnali a tempo discreto 3. Rappresentazione di stato 4. Classificazione 5. Movimento 6. Eqilibrio

Dettagli

Variabili Aleatorie Multiple

Variabili Aleatorie Multiple Variabili Aleatorie Multiple v.a. multiple - Esercizio 1 Consideriamo l estrazione con reimmissione di palline colorate da un urna contenente 5 palline bianche, 15 verdi, e 10 rosse. 1) Calcolare la probabilità

Dettagli

MODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai processi di scelta discreta in condizioni di rischio

MODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai processi di scelta discreta in condizioni di rischio Corso di TRASPORTI E TERRITORIO e TEORIA E TECNICA DELLA CIRCOLAZIONE MODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai processi di scelta discreta in condizioni di rischio DOCENTI

Dettagli

COGNOME.NOME...MATR..

COGNOME.NOME...MATR.. STATISTICA 29.01.15 - PROVA GENERALE (CHALLENGE) Modalità A (A) ai fini della valutazione verranno considerate solo le risposte riportate dallo studente negli appositi riquadri bianchi: in caso di necessità

Dettagli

Statistica Applicata all edilizia: il modello di regressione

Statistica Applicata all edilizia: il modello di regressione Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione

Dettagli

Teoria delle decisioni

Teoria delle decisioni A. A. 2017-2018 Teoria delle decisioni introduzione expected utility prof. ing. Antonio Comi Department of Enterprise Engineering Tor Vergata University of Rome Teoria delle decisioni razionali Teoria

Dettagli

La filosofia del metodo agli stati limite, il concetto di sicurezza, la probabilità degli eventi Capitolo 2 delle Norme

La filosofia del metodo agli stati limite, il concetto di sicurezza, la probabilità degli eventi Capitolo 2 delle Norme La filosofia del metodo agli stati limite, il concetto di sicurezza, la probabilità degli eventi Capitolo delle Norme Prof. Franco Mola Dipartimento di Ingegneria Strutturale La sicurezza strutturale STRUTTURA

Dettagli

Compitino di Meccanica dei Fluidi, 18/6/2019

Compitino di Meccanica dei Fluidi, 18/6/2019 Compitino di Meccanica dei Flidi, 18/6/2019 1 foglio aiti ammesso, più diagramma di Moody fila A Esercizio 1 Si consideri n flido di ci si vole conoscere la viscosità. Per far ciò si sano delle biglie

Dettagli

Test delle Ipotesi Parte I

Test delle Ipotesi Parte I Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test

Dettagli

28 giugno 2018, es.1) Programmazione lineare

28 giugno 2018, es.1) Programmazione lineare 8 giugno 018, es.1) Programmazione lineare Discutere il seguente problema di Programmazione lineare: trovare il massimo di p(x 1, x, x, x 4 ) = x 1 + 15 x + 8 x + x 4 con i vincoli x k 0 (1 k ) e x + x

Dettagli

I modelli probabilistici

I modelli probabilistici e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:

Dettagli

Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino)

Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino) Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino Prova di mercoledì 22 Settembre 24 (tempo a disposizione: 2 ore e 4 minuti. consegna compiti e inizio

Dettagli

Rappresentazione geometrica

Rappresentazione geometrica I ettori rappresentati come segmenti orientati (rappresentazione geometrica) Rappresentazione geometrica si intendono con l origine coincidente con l origine del sistema di riferimento (assi coordinati)

Dettagli

Elementi di Algebra Lineare. Spazio Vettoriale (lineare)

Elementi di Algebra Lineare. Spazio Vettoriale (lineare) Elementi di Algebra Lineare Spazio Vettoriale (lineare) Uno spazio vettoriale su un corpo F è una quadrupla (X, F, +, ) costituita da: un insieme di elementi X, detti vettori, un corpo F, i cui elementi

Dettagli

CP410: Esame 2, 30 gennaio Testo e soluzione

CP410: Esame 2, 30 gennaio Testo e soluzione Dipartimento di Matematica, Roma Tre Pietro Caputo 23-4, I semestre 3 gennaio, 24 CP4: Esame 2, 3 gennaio 24 Testo e soluzione Cognome Nome Matricola Firma . Per ogni n N, sia X n la variabile aleatoria

Dettagli

ARGOMENTI TRATTATI NEL CORSO DI ANALISI II

ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ANALISI Limiti Curve Convergenza di una successione di punti Definizione di limite Condizione necessaria e condizione sufficiente all esistenza del limite in

Dettagli

Corso di Statistica Industriale

Corso di Statistica Industriale Corso di Statistica Industriale Corsi di Laurea Specialistica in Ingegneria Gestionale e Ingegneria Meccanica Docente: Ilia Negri Orario del corso: Martedì: dalle 14.00 alle 16.00 Venerdì: dalle 10.30

Dettagli

LA DISTRIBUZIONE NORMALE o DI GAUSS

LA 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,

Dettagli

Teoria dei Fenomeni Aleatori AA 2012/13

Teoria dei Fenomeni Aleatori AA 2012/13 Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono

Dettagli

Computazione per l interazione naturale: Regressione probabilistica

Computazione per l interazione naturale: Regressione probabilistica Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2018.html

Dettagli

Identificazione di un modello di motore elettrico e controllo in catena chiusa del dispositivo

Identificazione di un modello di motore elettrico e controllo in catena chiusa del dispositivo CONTROLLI AUTOMATICI (01AKS, 0FSQ) I esercitazione presso il LADISPE Identificazione di n modello di motore elettrico e controllo in catena chisa del dispositivo Il sistema fisico che sarà tilizzato in

Dettagli

o Si sceglie il modello che meglio si adatta alla realtà osservata, cioè quello per il quale risulta più probabile la realtà osservata.

o Si sceglie il modello che meglio si adatta alla realtà osservata, cioè quello per il quale risulta più probabile la realtà osservata. Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono

Dettagli

Equilibrio e stabilità di sistemi dinamici. Linearizzazione di sistemi dinamici

Equilibrio e stabilità di sistemi dinamici. Linearizzazione di sistemi dinamici Eqilibrio e stabilità di sistemi dinamici Linearizzazione di sistemi dinamici Linearizzazione di sistemi dinamici Linearizzazione di na fnzione reale Linearizzazione di n sistema dinamico Esempi di linearizzazione

Dettagli

Old Faithful, Yellowstone Park. Statistica e biometria. D. Bertacchi. Dati congiunti. Tabella. Scatterplot. Covarianza. Correlazione.

Old Faithful, Yellowstone Park. Statistica e biometria. D. Bertacchi. Dati congiunti. Tabella. Scatterplot. Covarianza. Correlazione. Coppie o vettori di dati Spesso i dati osservati sono di tipo vettoriale. Ad esempio studiamo 222 osservazioni relative alle eruzioni del geyser Old Faithful. Old Faithful, Yellowstone Park. Old Faithful

Dettagli