MODELLI DI DOMANDA E UTILITÀ ALEATORIA
|
|
- Beniamino Bartolini
- 7 anni fa
- Visualizzazioni
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
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
DettagliMODELLI 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
DettagliDomanda 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
DettagliModelli 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
DettagliDomanda 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
DettagliCORSO 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
DettagliVincolo 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.
DettagliModelli 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
DettagliStima 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
DettagliModelli 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
DettagliModelli 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
DettagliLA 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)
DettagliMatematica 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,
DettagliFigura 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
DettagliModelli 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
DettagliPIANIFICAZIONE 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
DettagliModelli 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:
DettagliModelli 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
DettagliCORSI 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
DettagliDalla 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
DettagliSeminario 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
DettagliMODELLI 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
DettagliLa 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
DettagliCorso 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
DettagliTeoria 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
DettagliModelli 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
DettagliRichiami 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
DettagliRichiami 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
Dettagli1) 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
DettagliCALIBRAZIONE 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
DettagliIL 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
DettagliStatistica 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
DettagliGli 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
DettagliX 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
DettagliRandom 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
DettagliCorso 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
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
DettagliCalibrazione 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
DettagliLa 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
Dettagli1 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
DettagliCorrelazione 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
DettagliDEFINIZIONI. 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
DettagliPOLITECNICO 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
DettagliUniversità 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
DettagliFire 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
DettagliUniversità 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
DettagliElemento 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
DettagliPolitecnico 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
DettagliUniversità 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
DettagliStazionarietà. 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
Dettagli2. 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
Dettagli4. 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
DettagliRichiami 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
DettagliSia 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
DettagliIndice. 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
DettagliLe 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.
DettagliTEORIA 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
DettagliRegressione 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
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
DettagliELEMENTI 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
DettagliVINCENZO 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)
Dettagli4. 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
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
DettagliDomanda 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
DettagliGianni 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
DettagliBREVE 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.
DettagliLab 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
DettagliUniversità 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
DettagliDISTRIBUZIONE 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
DettagliCorso 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.
DettagliDalla 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?
DettagliSpazi 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
DettagliDalla 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
DettagliLezione 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
DettagliVariabili 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
DettagliMODELLI 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
DettagliCOGNOME.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
DettagliStatistica 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
DettagliTeoria 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
DettagliLa 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
DettagliCompitino 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
DettagliTest 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
Dettagli28 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
DettagliI 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:
DettagliCorso 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
DettagliRappresentazione 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)
DettagliElementi 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
DettagliCP410: 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
DettagliARGOMENTI 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
DettagliCorso 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
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,
DettagliTeoria 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
DettagliComputazione 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
DettagliIdentificazione 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
Dettaglio 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
DettagliEquilibrio 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
DettagliOld 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