Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Capitolo 9: PROPAGAZIONE DEGLI ERRORI"

Transcript

1 Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto da quello di altre grandezze misurate direttamente. Poichè la misura di qualunque grandezza è affetta da errore, quale sarà l errore che graverà su una misura indiretta in funzione degli errori delle altre grandezze, misurate direttamente, da cui essa dipende? Consideriamo per il momento gli errori di sensibilità (errori massimi). Per semplicità di trattazione distinguiamo i casi di una grandezza derivata funzione di una sola grandezza misurata direttamente (per esempio il volume di una sfera conoscendo il raggio della stessa) e quello di una grandezza derivata funzione di più grandezze. Questo secondo caso (per esempio la velocità in funzione dello spazio e del tempo) è la più generale e comprende ovviamente il primo. Supponiamo di voler misurare una grandezza G legata da una certa relazione funzionale alla grandezza X. Se indichiamo con g e con x le rispettive misure di G e X si può scrivere: g = f(x) (9.1.1) con f(x) opportuna funzione che lega X a G. Supponiamo che il risultato della misura di X sia: x = x o ± x (9.1.2) Al variare di x nell intervallo (x 0 x, x 0 + x), la funzione f(x) assume un valore minimo ed un valore massimo che possiamo indicare, rispettivamente, con g min e g max. In generale tali valori non corrisponderanno ai valori assunti dalla funzione agli estremi dell intervallo. Per la grandezza G risulteranno possibili, in conseguenza della misura, tutti i valori compresi nell intervallo tra g min e g max. L indeterminazione da cui sarà affetta G, sarà quindi, secondo quanto discusso: G = g max g min 2 (9.1.3) Questo risultato è valido in generale. È però possibile assai sovente usare formule approssimate che permettono di ottenere più comodamente, sotto certe condizioni, il risultato richiesto. Se infatti x è sufficientemente piccolo, nell intervallo (x o x, x o + x) la funzione sarà approssimata assai bene (in modo del tutto generale) dalla retta tangente. Tale retta ha equazione: g = f(x o ) + m(x x o ) = f(x o ) + m x (9.1.4) ove m è il coefficiente angolare della retta, cioè: m = ( ) df (9.1.5) dx x=x o 9.1

2 con x o un punto (usualmente il punto medio) dell intervallo considerato. I valori massimo e minimo assunti da g nell intervallo in questione sono quindi, se vale l approssimazione fatta: g min = f(x o ) m x g max = f(x o ) + m x (9.1.6) e si può quindi concludere che l errore massimo su g sarà: g = df dx x (9.1.7) x=xo Quindi in definitiva trattiamo l errore di g come il differenziale di f(x), con l accortezza di prenderne il valore assoluto in quanto per definizione l errore è intrinsecamente positivo. Perchè l ipotesi fatta per approssimare la funzione sia valida è in generale sufficiente che a) x sia piccolo da giustificare l approssimazione lineare per f(x) b) la derivata df/dx non sia nulla o vicina a zero in x = x o In caso di dubbio, comunque, occorrerà studiare il comportamento della funzione f(x) nell intorno di x o e determinare g min e g max. In generale poichè la funzione f(x) può essere sviluppata in serie di Taylor nell intorno di x o si può scrivere che: f(x) = f(x o ) + f (x o ) (x x o ) f (x o ) (x x o ) (9.1.8) L approssimazione fatta precedentemente corrisponde a supporre che il termine f (x o ) (x x o ) sia dominante rispetto a tutti quelli successivi. Se adesso consideriamo una grandezza g funzione di K grandezze misurate g = f(x 1, x 2 x K ), per una variazione infinitesima degli x j avremo una variazione di g data dal differenziale di f(x 1 x ): df = K ( f ) dxj (9.1.9) Se anche ora sussistono le condizioni viste per le funzioni di una variabile, ossia errori abbastanza piccoli da poter trattare la funzione come lineare e derivate non nulle, l errore massimo si potrà stimare come il differenziale della funzione, assumendo come variazioni delle variabili i rispettivi errori e imponendo che tutti i termini si sommino coerentemente, ossia prendendo i valori assoluti delle derivate parziali: f = K f xj (9.1.10) ove le derivate parziali sono calcolate nei vari x j = x jo. Questa regola riconduce ai risultati già visti nel caso di somma-sottrazione, prodotto e divisione di quantità fisiche. 9.2

3 9.2 Propagazione degli errori statistici Supponiamo ora che l indeterminazione da cui è affetto x sia dovuta agli errori casuali. Siano x 1, x 2,..., x delle misure dirette ed indipendenti di X, con valor medio x. Avremo, in corrispondenza dei singoli x i, valori di G: g i = f(x i ), da cui si ricava ḡ = i=1 f(x i) (9.2.1) Se supponiamo che la funzione f(x) sia derivabile nell intorno del punto x, potremo scrivere, nell ipotesi che i vari x i x siano tutti abbastanza piccoli, la relazione approssimata: g i = f(x i ) f( x ) + ( ) df (x i x ) (9.2.2) dx ove la derivata è calcolata in x = x. Allora potremo dire ḡ = f( x ) + ( df [ dx )x= x i=1 (x i x ) ] (9.2.3) Per definizione di valor medio i=1 (x i x ) = 0 per cui ḡ = f( x ) (9.2.4) È molto importante notare che il risultato ottenuto, per quanto possa sembrare naturale, in generale non è affatto vero. Se non sono soddisfatte le condizioni che abbiamo richiesto il valor medio di una funzione può essere anche molto diverso dal valore della funzione calcolato in corrispondenza del valor medio dell argomento. Analogamente, e sempre sotto le stesse condizioni, possiamo ricavare la varianza, o meglio la varianza adattata: Quindi: da cui: i=1 [f(x i) f( x)] 2 1 = i=1 [f( x) + ( ) df dx x= x (x i x) f( x)] 2 1 (9.2.5) df ) 2 i=1( dx x= x (x i x) 2 = ( df ) 2 1 dx x= x s2 (x) (9.2.6) In pratica il risultato è equivalente a quello trovato per gli errori massimi. s (g) = df dx x= x s (x) (9.2.7) Esaminiamo come esempi alcuni casi particolari che ricorrono molto frequentemente. a) Moltiplicazione di x per una costante: g = α x: b) Logaritmo naturale di x: g = ln(x): α 2 s 2 (x) s(g) = α s(x) (9.2.8) s2 (x) x 2, s(g) = s(x) x (9.2.9) 9.3

4 c) Elevamento di x ad una potenza α: g = x α. In questo caso si può calcolare direttamente o sfruttare il risultato precedente: s(g) g = α s(x) x (9.2.10) Questi risultati, ovviamente ottenuti applicando direttamente la formula generale, si applicano anche al caso di errori massimi sostituendo, nel risultato finale, x al posto di s(x). Supponiamo ora che g sia funzione di più grandezze x 1,..., x affette da errori statistici; indichiamoli con s(x 1 ),..., s(x ). La situazione è ora radicalmente differente da quella considerata per gli errori massimi. el caso di questi ultimi, proprio perchè si voleva trovare il massimo valore possibile dell indeterminazione, era sufficiente sommare coerentemente (cioè con lo stesso segno, prendendo il modulo) tutti i contributi. In questo caso, viceversa, ad ogni misura gli errori casuali associati ad ogni singola variabile si combinano in modo imprevedibile talvolta compensandosi in tutto od in parte. Ripetendo la misura volte si otterrà quindi una distribuzione per i valori di G, che risulterà da tutti i possibili modi coi quali si possono combinare gli errori casuali sulle x i. Alcune di queste combinazioni saranno più frequenti di altre e l istogramma dei valori di g avrà una larghezza determinata, per l appunto, dalle modalità delle dette combinazioni, oltre che dal valore dei singoli errori. Vediamo come ricavare valor medio e varianza (per esempio adattata, ma il calcolo sarebbe comunque simile anche per σ 2 ) della grandezza g in questo caso. Supponiamo allora di aver fatto misure delle K variabili da cui g dipende. Chiameremo x ji la misura i esima della j esima variabile. Osserviamo che, sempre nelle solite condizioni più volte richiamate, potremo porre: f(x 1i, x 2i,,x Ki ) = f( x 1, x 2,, x K ) + i=1 ḡ = f(x 1i, x 2i,,x Ki ) = K ( f ) (xji x j ) (9.2.11) i=1 [f( x 1, x 2,, x K ) + K ( f ) (xji x j )] (9.2.12) Come abbiamo più volte osservato, la somma degli scarti dal valor medio, i=1 (x ij x j ), è uguale a zero, per cui rimane: ḡ = f( x 1, x 2,, x K ) (9.2.13) Per la varianza i calcoli sono un po più complicati, ma il modo di ragionare è lo stesso. Tenuto conto del risultato sul valore medio lo scarto di un generico g i dal valor medio ḡ sarà dato da: g i ḡ = K ( f ) (xji x j ) (9.2.14) Allora: i=1 [ K ( f ) (xji x j )] 2 1 (9.2.15) [ K f ) 2 i=1 ( (xji x j ) K 1 K ( f )( f ) L=1 M=L+1 x L x (xli M x L ) (x Mi x M ) ] 1 (9.2.16) Quando si somma un numero finito di termini, è lecito scambiare l ordine e raggruppare a piacere gli addendi, per cui possiamo anche dire: 9.4

5 K ( f ) 2 i=1 (x ji x j ) 2 1 K K L=1 M=L+1 ( f )( f ) x L x M i=1 (x Li x L ) (x Mi x M ) 1 (9.2.17) Ricordando la definizione di varianza (adattata) e definendo elemento di matrice di covarianza la quantità COV (x L, x M ) = [ i=1 (x Li x L )(x Mi x M )]/( 1), otteniamo: K ( f ) 2s 2 (x j ) + 2 K 1 K L=1 M=L+1 ( f )( f ) COV (xl, x M ) (9.2.18) x L x M Osserviamo in primo luogo che COV (x j, x j ) = s 2 (x j ), ossia la covarianza è una quantità del tutto analoga alla varianza, a parte la sostituzione del quadrato dello scarto (dal proprio valor medio) della j esima variabile con il prodotto degli scarti di due generiche variabili. Il prodotto di due scarti, a differenza del quadrato, può essere negativo; succede quindi che se le variabili non sono correlate, ossia non tendono ad avere sistematicamente scarti dello stesso segno o di segno opposto, gli elementi di matrice di covarianza sono piccoli e tendono a zero quando il numero di misure tende ad infinito. Questo non succede sempre, esistono casi di variabili correlate in cui la covarianza non è affatto trascurabile, ma questo non è il caso delle semplici applicazioni che si fanno in questo corso. Di norma quindi, salvo avviso contrario, assumeremo COV (x L, x M ) = 0, ed esprimeremo la varianza di g semplicemente come: K ( f ) 2s 2 (x j ) (9.2.19) Otteniamo quindi una relazione che ricorda quella che si applica agli errori massimi, salvo il fatto che sommiamo in quadratura i prodotti delle derivate parziali per gli errori delle singole variabili. Si potrebbe dimostrare, utilizzando le proprietà della matrice di covarianza, che la propagazione degli errori massimi corrisponde alla più pessimistica situazione di correlazione delle variabili che si possa incontrare. Ciò è coerente con il fatto che gli errori massimi per definizione si riferiscono alle situazioni più pessimistiche. Vediamo ora alcuni casi particolari importanti: a) Somma o differenza di due (o più) grandezze: g = x ± y σ 2 M(g) = σ 2 (x) + σ 2 M(y) (9.2.20) b) Somma o differenza di costanti e grandezze moltiplicate per costanti: g = a x ± b y ±... σm 2 (g) = a2 σ 2 (x) + b2 σm 2 (y) +... (9.2.21) c) Moltiplicazione (o divisione) di due (o più) grandezze: g = x y oppure g = x/y σ 2 M (g) ḡ 2 M = σ2 (x) x 2 + σ2 M (y) ȳ 2 M (9.2.22) Dagli esempi precedenti si può ricavare che, se le grandezze che si considerano hanno errori statistici, nel caso di somme e sottrazioni l errore del risultato finale si ottiene facendo la radice quadrata della somma in quadratura degli errori assoluti dei singoli addendi mentre nella moltiplicazione o divisione si debbono sommare, sempre in quadratura, gli errori relativi. 9.5

6 Come esempio riassuntivo vediamo il caso di due (o più) grandezze elevate a esponenti diversi da uno: (per esempio g = x α y β...). Applicando quanto detto sopra otteniamo che l errore relativo è dato da: σ M (g) ḡ M = α 2 σ2 (x) x 2 + β 2 σ2 M (y) ȳ 2 M +... (9.2.23) Consideriamo infine un semplice esempio numerico. Si voglia misurare la accelerazione (supposta uniforme) di un corpo. Si è sperimentalmente determinato il tempo t = (1.000 ± 0.004) s impiegato dal corpo a percorrere (partendo da fermo) una certa distanza l = (50.0 ± 0.3) m. La accelerazione risultante è (le cifre significative non sono ancora aggiustate!): el caso che gli errori siano massimi si ha: a = 2 l t 2 = = m s 2 (9.2.24) a a = l l + 2 t t = (9.2.25) da cui, calcolando a, si ottiene: a = (100.0 ± 1.4) m s 2 (9.2.26) mentre nel caso che gli errori siano statistici: σ(a) a da cui il risultato del valore di a risulta: = σ2 (l) l 2 + (2) 2 σ2 (t) t 2 = 0.01 (9.2.27) a = (100.0 ± 1.0) m s 2 (9.2.28) Si noti che l errore calcolato nel secondo caso risulta più piccolo che nel primo proprio perchè in questo caso gli errori sono stati sommati quadraticamente. 9.3 Combinazione di errori massimi e statistici Abbiamo discusso nei paragrafi precedenti come si combinano fra loro errori massimi oppure errori statistici. Succede talvolta che a costituire l errore da cui è affetta una misura contribuiscano simultaneamente errori sia massimi sia statistici. on è evidente, in un tal caso, come combinare fra loro i vari errori. In effetti possiamo operare in modi differenti a seconda dello scopo della nostra misura. Se vogliamo sapere con certezza in quale intervallo cade il valor vero della grandezza in questione, usiamo la trattazione degli errori massimi. Consideriamo il caso di un singolo errore massimo con un singolo errore statistico. Ci si può sempre ridurre a questa situazione combinando dapprima fra loro tutti gli errori massimi e poi tutti quelli statistici. Vi è però una difficoltà. L errore massimo, per definizione, rappresenta la massima incertezza da cui è affetta una grandezza. L errore statistico rappresenta invece la larghezza della distribuzione limite ed ha 9.6

7 un significato probabilistico. Errori molto più grandi della deviazione standard, per quanto poco frequenti, non sono certo da escludere. Ciò che va combinato con l errore massimo non sarà quindi la deviazione standard, ma una quantità tale che la probabilità di osservare un errore superiore (in modulo) ad esso sia ragionevolmente piccola. Se la distribuzione limite è descritta da una curva di Gauss, cosa che avviene molto sovente, con valor medio µ e deviazione standard σ, si trova che la probabilità di osservare uno scarto dalla media maggiore (in modulo) di 3σ è inferiore allo 0.3%, e quindi, in partica, quasi tutte le misure dovrebbero trovarsi nell intervallo µ 3σ e µ + 3σ. Sulla base di queste considerazioni siamo quindi condotti a formulare una regola secondo cui si trasforma l errore statistico in massimo (a rigore non lo è, il massimo valore è infinito!) moltiplicandolo per 3; dopo di che si procede con le regole viste per gli errori massimi. Questa trattazione tende a dare errori molto grossi, che d altronde sono quelli che ci danno un risultato sicuro. Se invece vogliamo avere una stima realistica ma probabilistica del nostro errore, ossia vogliamo sapere quanto può scartare di norma il nostro risultato dal valore vero, pur sapendo che potrebbe scartare anche sensibilmente di più, ci riconduciamo al caso degli errori statistici. Per far questo osserviamo che se una grandezza x i è misurata con un errore massimo x i il valore vero può cadere indifferentemente in qualunque punto dell intervallo (x i x i, x i + x i ), quindi questa situazione è assimilabile a quella di una distribuzione limite continua che sia identicamente nulla fuori e costante all interno dell intervallo. Abbiamo già considerato questo caso, e osservato come ad esso competa una σ(x i ) = x i / x i. Possiamo allora utilizzare questo valore come deviazione standard di x i e combinarlo in quadratura agli errori sulle altre variabili. 9.4 Errori sistematici Tutte le considerazioni dei paragrafi precedenti sono valide nell ipotesi che si possano trascurare gli errori sistematici che sorgono per svariatissimi motivi. Una causa possono essere delle imperfezioni di natura strumentale quali un errata graduazione della scala in corrispondenza di certi valori, lo zero spostato, il regolo non rettilineo, e così via. Un altra la inadeguatezza della schematizzazione supposta; in altre parole la funzione f(x 1, x 2,..., x ) che lega la grandezza y alle grandezze x 1, x 2,..., x non è corretta. Per esempio volendo determinare l accelerazione di gravità g dalla misura del periodo di oscillazione, T, di un pendolo, se le oscillazioni non sono molto piccole è scorretto usare la relazione: l T = 2π g (9.4.1) in quanto l espressione corretta da usare è invece: T = 2π ) l (1 + θ2 g 16 (9.4.2) ed eventualmente anche termini successivi, ossia contenenti potenze più elevate di θ. Gli errori sistematici sorgono altresì dall aver trascurato la dipendenza della grandezza in questione da altre grandezze; ad esempio presenza di campi magnetici, umidità e densità dell aria e altre ancora. Gli errori sistematici sono difficili da scoprire essendo anche nella più parte dei casi, costanti nel tempo. Il solo 9.7

8 (o quasi) modo di metterli in evidenza è quello di rifare la misura con uno strumento differente. È assai importante perciò, in ogni misura o serie di misure, registrare tutte le possibili condizioni sperimentali o i parametri che si può immaginare possano in qualche modo influire sulla misura. Il modo di procedere per la trattazione degli errori sistematici è il seguente. Si prendono in considerazione tutte le approssimazioni e schematizzazioni che sono state fatte, e per ognuna di esse si stima rozzamente quanto possa far variare il valore della grandezza ricercata. ei casi in cui l effetto sia molto minore degli errori casuali o di sensibilità, esso viene trascurato. Altrimenti se possibile si cerca una correzione, e si stima quale incertezza rimane dopo aver apportato la correzione, che sarà a sua volta sempre approssimativa. Se dopo aver operato in questo modo tutte le sorgenti note di errori sistematici sono ridotte a dare errori trascurabili, vengono ignorate. Altrimenti, si combinano tra loro gli errori sistematici rimasti (in quadratura o linearmente, a seconda del tipo di errore che si vuole ottenere) determinando un errore sistematico complessivo. A volte questo errore viene a sua volta combinato con gli altri, più spesso viene quotato indipendentemente. Per esempio potremo vedere un risultato espresso come: v = (3.25 ± 0.12 ± 0.08 syst ) m/s (9.4.3) 9.5 Accuratezza della deviazione standard el caso di errori statistici è possibile determinare l accuratezza con cui è nota la deviazione standard, utilizzando le regole di propagazione degli errori che abbiamo stabilito. e facciamo una trattazione approssimata che è comunque adeguata ai nostri scopi. Osserviamo che σ è una funzione delle singole misure x i e del valor medio x. Poichè il valor medio si ricava a sua volta dagli x i e comunque è noto con miglior precisione, esso sarà trattato come non affetto da errore. Allora dato che: avremo: Quindi: σ 2 (σ) = σ x i i=1 σ = [ i=1 (x i x) 2 ]1 2 (9.5.1) = 1 2 σ 1 2 (x i x) ( σ x i ) 2 σ 2 (x i ) = i=1 = 1 σ (x i x) (9.5.2) 1 2 σ 2 (x i x) 2 σ 2 (x i ) (9.5.3) Ma i vari x i rappresentano misure ripetute, con stesso strumento e stesse condizioni, della quantità x, per cui σ 2 (x i ) = σ 2 (x) = σ 2. In definitiva: σ 2 (σ) = 1 i=1 (x i x) 2 = σ2 (x) (9.5.4) Conseguentemente la deviazione standard della deviazione standard sarà: σ[σ(x)] = σ(x). (9.5.5) 9.8

9 Con considerazioni più accurate, tenuto che σ[σ(x)] è ricavata dalle stesse informazioni di partenza di x e σ(x), si può trovare un valore adattato s(σ) = σ(x) 2 (9.5.6) che peraltro per abbastanza alto praticamente coincide con il nostro risultato. Si vede allora che la deviazione standard della deviazione standard è grosso modo equivalente all errore standard. Si potrebbe argomentare in base al suo valore sul numero di cifre significative da conservare, ma in effetti è un discorso di scarsa utilità, in quanto sapere per esempio che l errore su una certa misura è, poniamo, anzichè 0.12 non ci fornisce alcuna sostanziale informazione, in quanto l indeterminazione sulla quantità in gioco resta comunque dello stesso ordine di grandezza. 9.9

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili:

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili: Incertezze di misura Argomenti: classificazione delle incertezze; definizione di incertezza tipo e schemi di calcolo; schemi per il calcolo dell incertezza di grandezze combinate; confronto di misure affette

Dettagli

Analisi statistica degli errori

Analisi statistica degli errori Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

Applicazioni del calcolo differenziale allo studio delle funzioni

Applicazioni del calcolo differenziale allo studio delle funzioni Capitolo 9 9.1 Crescenza e decrescenza in piccolo; massimi e minimi relativi Sia y = f(x) una funzione definita nell intervallo A; su di essa non facciamo, per ora, alcuna particolare ipotesi (né di continuità,

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

UNIVERSITA DEGLI STUDI DI FIRENZE Facoltà di Scienze M.F.N. Corso di Laurea in Fisica. Prof. Roberto Falciani. Prof.

UNIVERSITA DEGLI STUDI DI FIRENZE Facoltà di Scienze M.F.N. Corso di Laurea in Fisica. Prof. Roberto Falciani. Prof. UIVERSITA DEGLI STUDI DI FIREZE Facoltà di Scienze M.F.. Corso di Laurea in Fisica Prof. Roberto Falciani Prof. Andrea Stefanini Appunti aggiuntivi al corso di ESPERIMETAZIOI I Analisi statistica degli

Dettagli

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys.

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys. METODO DEI MINIMI QUADRATI GIUSEPPE GIUDICE Sommario Il metodo dei minimi quadrati è trattato in tutti i testi di statistica e di elaborazione dei dati sperimentali, ma non sempre col rigore necessario

Dettagli

Lezione2 Ricerca di zeri. http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali. Fernando Palombo

Lezione2 Ricerca di zeri. http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali. Fernando Palombo Lezione2 Ricerca di zeri http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali Fernando Palombo Aritmetica Finita nel Computer Nel computer l aritmetica è a precisione finita cioè

Dettagli

Serie numeriche e serie di potenze

Serie numeriche e serie di potenze Serie numeriche e serie di potenze Sommare un numero finito di numeri reali è senza dubbio un operazione che non può riservare molte sorprese Cosa succede però se ne sommiamo un numero infinito? Prima

Dettagli

ELEMENTI DI STATISTICA PER IDROLOGIA

ELEMENTI DI STATISTICA PER IDROLOGIA Carlo Gregoretti Corso di Idraulica ed Idrologia Elementi di statist. per Idrolog.-7//4 ELEMETI DI STATISTICA PER IDROLOGIA Introduzione Una variabile si dice casuale quando assume valori che dipendono

Dettagli

GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI

GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI SISTEMA NAZIONALE PER L'ACCREDITAMENTO DI LABORATORI DT-000 GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI INDICE parte sezione pagina 1. INTRODUZIONE. FONDAMENTI.1. Misurando,

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

Note sull esperienza Misura di g versione 1, Francesco, 7/05/2010

Note sull esperienza Misura di g versione 1, Francesco, 7/05/2010 Note sull esperienza Misura di g versione 1, Francesco, 7/05/010 L esperienza, basata sullo studio di una molla a spirale in condizioni di equilibrio e di oscillazione, ha diversi scopi e finalità, tra

Dettagli

CAMPI E LORO PROPRIETÀ

CAMPI E LORO PROPRIETÀ CMPI E LORO PROPRIETÀ 1.1 Introduzione ia una regione nello spazio in cui, in ogni suo punto, sia definita una grandezza g. La regione si dice allora soggetta ad un campo. Un campo può essere scalare,

Dettagli

Lezioni del Corso di Fondamenti di Metrologia Meccanica

Lezioni del Corso di Fondamenti di Metrologia Meccanica Facoltà di Ingegneria Lezioni del Corso di Fondamenti di Metrologia Meccanica A.A. 2005-2006 Prof. Paolo Vigo Indice 1. Errori ed Incertezze 2. Errori Sistematici ed Accidentali 3. Proprietà degli Strumenti

Dettagli

Basi di matematica per il corso di micro

Basi di matematica per il corso di micro Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione

Dettagli

MODULO 1 Le grandezze fisiche

MODULO 1 Le grandezze fisiche MODULO 1 Le grandezze fisiche Quante volte, ogni giorno, utilizziamo il metro, i secondi, i kilogrammi Ma forse non sappiamo quante menti di uomini ingegnosi hanno dato un senso a quei simboli per noi

Dettagli

09 - Funzioni reali di due variabili reali

09 - Funzioni reali di due variabili reali Università degli Studi di Palermo Facoltà di Economia CdS Sviluppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 09 - Funzioni reali di due variabili reali Anno Accademico 2013/2014

Dettagli

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

Funzioni in più variabili

Funzioni in più variabili Funzioni in più variabili Corso di Analisi 1 di Andrea Centomo 27 gennaio 2011 Indichiamo con R n, n 1, l insieme delle n-uple ordinate di numeri reali R n4{(x 1, x 2,,x n ), x i R, i =1,,n}. Dato X R

Dettagli

Laboratorio di fisica per PAS Proposito di questo modulo: Fornire ai docenti gli strumenti teorici e pratici per affrontare esperimenti di laboratorio dal punto di vista quantitativo. Effettuare alcune

Dettagli

Statistica Medica. Verranno presi in esame:

Statistica Medica. Verranno presi in esame: Statistica Medica Premessa: il seguente testo cerca di riassumere e rendere in forma comprensibile ai non esperti in matematica e statistica le nozioni e le procedure necessarie a svolgere gli esercizi

Dettagli

DEFINIZIONE Una grandezza fisica è una classe di equivalenza di proprietà fisiche che possono essere misurate mediante un rapporto.

DEFINIZIONE Una grandezza fisica è una classe di equivalenza di proprietà fisiche che possono essere misurate mediante un rapporto. «Possiamo conoscere qualcosa dell'oggetto di cui stiamo parlando solo se possiamo eseguirvi misurazioni, per descriverlo mediante numeri; altrimenti la nostra conoscenza è scarsa e insoddisfacente.» (Lord

Dettagli

Cifre significative. Supponiamo di misurare il volume di un liquido con una buretta che consente di misurare tale volume con un incertezza di 0.

Cifre significative. Supponiamo di misurare il volume di un liquido con una buretta che consente di misurare tale volume con un incertezza di 0. Cifre significative I numeri utilizzati in chimica provengono sempre da misure sperimentali. Questi numeri sono dunque affetti da errore. Le cifre significative esprimono il risultato della misura tenendo

Dettagli

Note sull uso della carta (bi)logaritmica. Luca Baldini, INFN - Pisa versione 1.1

Note sull uso della carta (bi)logaritmica. Luca Baldini, INFN - Pisa versione 1.1 Note sull uso della carta (bi)logaritmica Luca Baldini, INFN - Pisa versione 1.1 23 dicembre 2003 Indice Introduzione 2 Indice delle versioni............................ 2 1 Le leggi di potenza e la carta

Dettagli

Slide Cerbara parte1 5. Le distribuzioni teoriche

Slide Cerbara parte1 5. Le distribuzioni teoriche Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle

Dettagli

Analisi 2. Argomenti. Raffaele D. Facendola

Analisi 2. Argomenti. Raffaele D. Facendola Analisi 2 Argomenti Successioni di funzioni Definizione Convergenza puntuale Proprietà della convergenza puntuale Convergenza uniforme Continuità e limitatezza Teorema della continuità del limite Teorema

Dettagli

Corso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti

Corso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti Corso di Analisi Numerica - AN1 Parte 2: metodi diretti per sistemi lineari Roberto Ferretti Richiami sulle norme e sui sistemi lineari Il Metodo di Eliminazione di Gauss Il Metodo di Eliminazione con

Dettagli

ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE

ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE Sia I un intervallo di R e siano a = inf(i) R { } e b = sup(i) R {+ }; i punti di I diversi dagli estremi a e b, ( e quindi appartenenti all intervallo aperto

Dettagli

Forze elastiche e Molla elicoidale versione 1.02 preliminare

Forze elastiche e Molla elicoidale versione 1.02 preliminare Forze elastiche e Molla elicoidale versione 1.02 preliminare MDV April 18, 2015 1 Elasticità L elasticità è la proprietà dei corpi soldi di tornare nella loro forma originale dopo avere subito una deformazione

Dettagli

8 Elementi di Statistica

8 Elementi di Statistica 8 Elementi di Statistica La conoscenza di alcuni elementi di statistica e di analisi degli errori è importante quando si vogliano realizzare delle osservazioni sperimentali significative, ed anche per

Dettagli

MISURAZIONI E MISURE

MISURAZIONI E MISURE MISURAZIONI E MISURE Nel momento in cui studiamo una proprietà di un corpo materiale, vediamo se questa risponde in modo positivo o negativo alla nostra considerazione. Possiamo includerlo o escluderlo

Dettagli

Per forma di una distribuzione si intende il modo secondo il quale si dispongono i valori di un carattere intorno alla rispettiva media.

Per forma di una distribuzione si intende il modo secondo il quale si dispongono i valori di un carattere intorno alla rispettiva media. FORMA DI UNA DISTRIBUZIONE Per forma di una distribuzione si intende il modo secondo il quale si dispongono i valori di un carattere intorno alla rispettiva media. Le prime informazioni sulla forma di

Dettagli

= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E

= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E 1. Previsione per modelli ARM A Questo capitolo è dedicato alla teoria della previsione lineare per processi stocastici puramente non deterministici, cioè per processi che ammettono una rappresentazione

Dettagli

Teoria degli errori. Stefano Brocchi stefano.brocchi@unifi.it. Stefano Brocchi Teoria degli errori 1 / 107

Teoria degli errori. Stefano Brocchi stefano.brocchi@unifi.it. Stefano Brocchi Teoria degli errori 1 / 107 Teoria degli errori Stefano Brocchi stefano.brocchi@unifi.it Stefano Brocchi Teoria degli errori 1 / 107 Errori ed incertezza Ogni qual volta eseguiamo una misura, dobbiamo aspettarci un errore sulla misura

Dettagli

Massimi e minimi vincolati di funzioni in due variabili

Massimi e minimi vincolati di funzioni in due variabili Massimi e minimi vincolati di funzioni in due variabili I risultati principali della teoria dell ottimizzazione, il Teorema di Fermat in due variabili e il Test dell hessiana, si applicano esclusivamente

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

Lezione n. 2 (a cura di Chiara Rossi)

Lezione n. 2 (a cura di Chiara Rossi) Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,

Dettagli

In laboratorio si useranno fogli di carta millimetrata con scale lineari oppure logaritmiche.

In laboratorio si useranno fogli di carta millimetrata con scale lineari oppure logaritmiche. GRAFICI Servono per dare immediatamente e completamente le informazioni, che riguardano l andamento di una variabile in funzione dell altra. La Geometria Analitica c insegna che c è una corrispondenza

Dettagli

ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE. A. A. 2014-2015 L. Doretti

ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE. A. A. 2014-2015 L. Doretti ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE A. A. 2014-2015 L. Doretti 1 Il concetto di derivata di una funzione è uno dei più importanti e fecondi di tutta la matematica sia per

Dettagli

SOLUZIONI D = (-1,+ ).

SOLUZIONI D = (-1,+ ). SOLUZIONI. Data la funzione f() ( ) ln( ) a) trova il dominio di f b) indica quali sono gli intervalli in cui f() risulta positiva e quelli in cui risulta negativa c) determina le eventuali intersezioni

Dettagli

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

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

Dettagli

Matematica 1 - Corso di Laurea in Ingegneria Meccanica

Matematica 1 - Corso di Laurea in Ingegneria Meccanica Matematica 1 - Corso di Laurea in Ingegneria Meccanica Esercitazione su massimi e minimi vincolati 9 dicembre 005 Esercizio 1. Considerare l insieme C = {(x,y) R : (x + y ) = x } e dire se è una curva

Dettagli

CAPITOLO 3 FONDAMENTI DI ANALISI DELLA STABILITA' DI SISTEMI NON LINEARI

CAPITOLO 3 FONDAMENTI DI ANALISI DELLA STABILITA' DI SISTEMI NON LINEARI 31 CAPITOLO 3 FONDAMENTI DI ANALISI DELLA STABILITA' DI SISTEMI NON LINEARI INTRODUZIONE L'obbiettivo di questo capitolo è quello di presentare in modo sintetico ma completo, la teoria della stabilità

Dettagli

Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali Note A.A. 2009-10 C. Meneghini. 1 misura ed errori di misura

Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali Note A.A. 2009-10 C. Meneghini. 1 misura ed errori di misura Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali ote A.A. 009-10 C. Meneghini 1 misura ed errori di misura La misura è il processo che permette di determinare il valore di una

Dettagli

Metodi Numerici per Equazioni Ellittiche

Metodi Numerici per Equazioni Ellittiche Metodi Numerici per Equazioni Ellittiche Vediamo ora di descrivere una tecnica per la risoluzione numerica della più semplice equazione ellittica lineare, l Equazione di Laplace: u xx + u yy = 0, (x, y)

Dettagli

Analisi discriminante

Analisi discriminante Capitolo 6 Analisi discriminante L analisi statistica multivariata comprende un corpo di metodologie statistiche che permettono di analizzare simultaneamente misurazioni riguardanti diverse caratteristiche

Dettagli

Università degli Studi di Firenze Facoltà di Scienze Mat., Fis. e Nat. Corso di Laurea in Fisica. Corso di Esperimentazioni I

Università degli Studi di Firenze Facoltà di Scienze Mat., Fis. e Nat. Corso di Laurea in Fisica. Corso di Esperimentazioni I Università deli Studi di Firenze Facoltà di Scienze Mat., Fis. e Nat. Corso di Laurea in Fisica Corso di Esperimentazioni I Prof. R. Falciani Prof. A. Stefanini Appunti su: PROPAGAZIONE DEGLI ERRORI NELLE

Dettagli

LE PROVE DI LABORATORIO E LE RELAZIONI

LE PROVE DI LABORATORIO E LE RELAZIONI LE PROVE DI LABORATORIO E LE RELAZIONI 1. LA PROVA Durante la prova è necessario: -verificare la correttezza dei collegamenti; -verificare la congruenza degli strumenti rispetto alla misura; -verificare

Dettagli

ESERCIZI CINEMATICA IN UNA DIMENSIONE

ESERCIZI CINEMATICA IN UNA DIMENSIONE ESERCIZI CINEMATICA IN UNA DIMENSIONE ES. 1 - Due treni partono da due stazioni distanti 20 km dirigendosi uno verso l altro rispettivamente alla velocità costante di v! = 50,00 km/h e v 2 = 100,00 km

Dettagli

2 + (σ2 - ρσ 1 ) 2 > 0 [da -1 ρ 1] b = (σ 2. 2 - ρσ1 σ 2 ) = (σ 1

2 + (σ2 - ρσ 1 ) 2 > 0 [da -1 ρ 1] b = (σ 2. 2 - ρσ1 σ 2 ) = (σ 1 1 PORTAFOGLIO Portafoglio Markowitz (2 titoli) (rischiosi) due titoli rendimento/varianza ( μ 1, σ 1 ), ( μ 2, σ 2 ) Si suppone μ 1 > μ 2, σ 1 > σ 2 portafoglio con pesi w 1, w 2 w 1 = w, w 2 = 1- w 1

Dettagli

DUE PROPOSTE ANALISI MATEMATICA. Lorenzo Orio

DUE PROPOSTE ANALISI MATEMATICA. Lorenzo Orio DUE PROPOSTE DI ANALISI MATEMATICA Lorenzo Orio Introduzione Il lavoro propone argomenti di analisi matematica trattati in maniera tale da privilegiare l intuizione e con accorgimenti nuovi. Il tratta

Dettagli

Introduzione alla scienza della comunicazione (E. T. Jaynes)

Introduzione alla scienza della comunicazione (E. T. Jaynes) Introduzione alla scienza della comunicazione (E T Jaynes) S Bonaccorsi Department of Mathematics University of Trento Corso di Mathematical model for the Physical, Natural and Social Sciences Outline

Dettagli

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

Dettagli

Introduzione. Margine di ampiezza... 2 Margine di fase... 5 Osservazione... 6 Margini di stabilità e diagrammi di Bode... 6

Introduzione. Margine di ampiezza... 2 Margine di fase... 5 Osservazione... 6 Margini di stabilità e diagrammi di Bode... 6 ppunti di Controlli utomatici Capitolo 7 parte II Margini di stabilità Introduzione... Margine di ampiezza... Margine di fase... 5 Osservazione... 6 Margini di stabilità e diagrammi di ode... 6 Introduzione

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI

Dettagli

Studio grafico-analitico delle funzioni reali a variabile reale

Studio grafico-analitico delle funzioni reali a variabile reale Studio grafico-analitico delle funzioni reali a variabile reale Sequenza dei passi Classificazione In pratica Classifica il tipo di funzione: Funzione razionale: intera / fratta Funzione irrazionale: intera

Dettagli

Consideriamo una forza di tipo elastico che segue la legge di Hooke: F x = kx, (1)

Consideriamo una forza di tipo elastico che segue la legge di Hooke: F x = kx, (1) 1 L Oscillatore armonico L oscillatore armonico è un interessante modello fisico che permette lo studio di fondamentali grandezze meccaniche sia da un punto di vista teorico che sperimentale. Le condizioni

Dettagli

Note di matematica per microeconomia

Note di matematica per microeconomia Note di matematica per microeconomia Luigi Balletta Funzioni di una variabile (richiami) Una funzione di variabile reale ha come insieme di partenza un sottoinsieme di R e come insieme di arrivo un sottoinsieme

Dettagli

Appunti di Statistica Descrittiva

Appunti di Statistica Descrittiva Appunti di Statistica Descrittiva 30 dicembre 009 1 La tabella a doppia entrata Per studiare dei fenomeni con caratteristiche statistiche si utilizza l espediente della tabella a doppia entrata Per esempio

Dettagli

l insieme delle misure effettuate costituisce il campione statistico

l insieme delle misure effettuate costituisce il campione statistico Statistica negli esperimenti reali si effettuano sempre un numero finito di misure, ( spesso molto limitato ) l insieme delle misure effettuate costituisce il campione statistico Statistica descrittiva

Dettagli

0. Piano cartesiano 1

0. Piano cartesiano 1 0. Piano cartesiano Per piano cartesiano si intende un piano dotato di due assi (che per ragioni pratiche possiamo scegliere ortogonali). Il punto in comune ai due assi è detto origine, e funziona da origine

Dettagli

9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A = LU

9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A = LU 9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A LU 9.1 Il metodo di Gauss Come si è visto nella sezione 3.3, per la risoluzione di un sistema lineare si può considerare al posto

Dettagli

4. Funzioni elementari algebriche

4. Funzioni elementari algebriche ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 4. Funzioni elementari algebriche A. A. 2013-2014 1 Funzioni elementari Sono dette elementari un insieme di funzioni dalle quali si ottengono, mediante

Dettagli

Funzioni di più variabili. Ottimizzazione libera e vincolata

Funzioni di più variabili. Ottimizzazione libera e vincolata libera e vincolata Generalità. Limiti e continuità per funzioni di 2 o Piano tangente. Derivate successive Formula di Taylor libera vincolata Lo ordinario è in corrispondenza biunivoca con i vettori di

Dettagli

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete Funzioni in due variabili Raccolta di FAQ by Andrea Prevete 1) Cosa intendiamo, esattamente, quando parliamo di funzione reale di due variabili reali? Quando esiste una relazione fra tre variabili reali

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

Dettagli

1. Richiami di Statistica. Stefano Di Colli

1. Richiami di Statistica. Stefano Di Colli 1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche

Dettagli

1 Grandezze Fisiche. Dimensioni. Unità di Misura 2.

1 Grandezze Fisiche. Dimensioni. Unità di Misura 2. UNIVERSITA DEGLI STUDI DI FIRENZE - Corso di Laurea in Matematica Appunti per il corso di Laboratorio di Fisica 1 - A.A. 2009-2010, estratti dagli appunti del Prof. Roberto Falciani e del Prof. Andrea

Dettagli

RISONANZA. Introduzione. Risonanza Serie.

RISONANZA. Introduzione. Risonanza Serie. RISONANZA Introduzione. Sia data una rete elettrica passiva, con elementi resistivi e reattivi, alimentata con un generatore di tensione sinusoidale a frequenza variabile. La tensione di alimentazione

Dettagli

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia DERIVATE DELLE FUNZIONI esercizi proposti dal Prof. Gianluigi Trivia Incremento della variabile indipendente e della funzione. Se, sono due valori della variabile indipendente, y f ) e y f ) le corrispondenti

Dettagli

Insiemi di livello e limiti in più variabili

Insiemi di livello e limiti in più variabili Insiemi di livello e iti in più variabili Insiemi di livello Si consideri una funzione f : A R, con A R n. Un modo per poter studiare il comportamento di una funzione in più variabili potrebbe essere quello

Dettagli

13. Campi vettoriali

13. Campi vettoriali 13. Campi vettoriali 1 Il campo di velocità di un fluido Il concetto di campo in fisica non è limitato ai fenomeni elettrici. In generale il valore di una grandezza fisica assegnato per ogni punto dello

Dettagli

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE STATISTICA DESCRITTIVA SCHEDA N. : REGRESSIONE LINEARE Nella Scheda precedente abbiamo visto che il coefficiente di correlazione fra due variabili quantitative X e Y fornisce informazioni sull esistenza

Dettagli

DETERMINAZIONI SPERIMENTALI ED ERRORI. confrontare quella grandezza con un'altra di riferimento, ad essa omogenea, detta unità di misura.

DETERMINAZIONI SPERIMENTALI ED ERRORI. confrontare quella grandezza con un'altra di riferimento, ad essa omogenea, detta unità di misura. DETERMINAZIONI SPERIMENTALI ED ERRORI MISURARE UNA GRANDEZZA = confrontare quella grandezza con un'altra di riferimento, ad essa omogenea, detta unità di misura. LUNGHEZZA metro (m) distanza percorsa dalla

Dettagli

Valori caratteristici di distribuzioni

Valori caratteristici di distribuzioni Capitolo 3 Valori caratteristici di distribuzioni 3. Valori attesi di variabili e vettori aleatori In molti casi è possibile descrivere adeguatamente una distribuzione di probabilità con pochi valori di

Dettagli

Relazioni statistiche: regressione e correlazione

Relazioni statistiche: regressione e correlazione Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica

Dettagli

Alcune note sulle serie di potenze 1

Alcune note sulle serie di potenze 1 Alcune note sulle serie di potenze Contents G. Falqui Preliminari 2 Serie di potenze 3 3 Rappresentazione di funzioni mediante serie di potenze 7 3. Esempi notevoli........................... 9 3.2 Formula

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

Dettagli

~ Copyright Ripetizionando - All rights reserved ~ http://ripetizionando.wordpress.com STUDIO DI FUNZIONE

~ Copyright Ripetizionando - All rights reserved ~ http://ripetizionando.wordpress.com STUDIO DI FUNZIONE STUDIO DI FUNZIONE Passaggi fondamentali Per effettuare uno studio di funzione completo, che non lascia quindi margine a una quasi sicuramente errata inventiva, sono necessari i seguenti 7 passaggi: 1.

Dettagli

Laboratorio di Fisica Sperimentale

Laboratorio di Fisica Sperimentale Università degli Studi Roma La Sapienza DIPARTIMENTO DI FISICA Laboratorio di Fisica Sperimentale Corso di Laurea in Ingegneria Meccanica Anno Accademico 4/5 1 a Esperienza di Laboratorio 19/5/5 Nome e

Dettagli

LA FUNZIONE DI TRASFERIMENTO

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

Dettagli

1 Massimi e minimi liberi 1. 2 Massimi e minimi vincolati 7. 3 Soluzioni degli esercizi 12

1 Massimi e minimi liberi 1. 2 Massimi e minimi vincolati 7. 3 Soluzioni degli esercizi 12 UNIVR Facoltà di Economia Sede di Vicenza Corso di Matematica 1 Massimi e minimi delle funzioni di più variabili Indice 1 Massimi e minimi liberi 1 Massimi e minimi vincolati 7 3 Soluzioni degli esercizi

Dettagli

RISCHIO E RENDIMENTO DEGLI STRUMENTI FINANZIARI. Docente: Prof. Massimo Mariani

RISCHIO E RENDIMENTO DEGLI STRUMENTI FINANZIARI. Docente: Prof. Massimo Mariani RISCHIO E RENDIMENTO DEGLI STRUMENTI FINANZIARI Docente: Prof. Massimo Mariani 1 SOMMARIO Il rendimento di un attività finanziaria: i parametri rilevanti Rendimento totale, periodale e medio Il market

Dettagli

ESEMPI APPLICATIVI DI VALUTAZIONE DELL INCERTEZZA NELLE MISURAZIONI ELETTRICHE

ESEMPI APPLICATIVI DI VALUTAZIONE DELL INCERTEZZA NELLE MISURAZIONI ELETTRICHE SISTEMA NAZIONALE PER L'ACCREDITAMENTO DI LABORATORI DT-000/ ESEMPI APPLICATIVI DI VALUTAZIONE DELL INCERTEZZA NELLE MISURAZIONI ELETTRICHE INDICE parte sezione pagina. Misurazione di una corrente continua

Dettagli

CORSO DI IDRAULICA esercizi svolti di correnti a superficie libera

CORSO DI IDRAULICA esercizi svolti di correnti a superficie libera 08/0/000 CORSO DI IDRAULICA esercizi svolti di correnti a superficie libera Prof. E. Larcan - Ing. F. Ballio collaborazione dell'ing. Sara Marcante Sulla base dell'esperienza didattica nell'ambito dei

Dettagli

FUNZIONE REALE DI UNA VARIABILE

FUNZIONE REALE DI UNA VARIABILE FUNZIONE REALE DI UNA VARIABILE Funzione: legge che ad ogni elemento di un insieme D (Dominio) tale che D R, fa corrispondere un elemento y R ( R = Codominio ). f : D R : f () = y ; La funzione f(): A

Dettagli

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Se a e b sono numeri interi, si dice che a divide b, in simboli: a b, se e solo se esiste c Z tale che b = ac. Si può subito notare che:

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004 ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 004 Il candidato risolva uno dei due problemi e 5 dei 10 quesiti in cui si articola il questionario. PROBLEMA 1 Sia f la funzione definita da: f

Dettagli

Esercizi su lineare indipendenza e generatori

Esercizi su lineare indipendenza e generatori Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v

Dettagli

1 Grafico di una funzione reale 1. 2 Funzioni elementari 2 2.1 Funzione potenza... 2 2.2 Funzione esponenziale... 3 2.3 Funzione logaritmica...

1 Grafico di una funzione reale 1. 2 Funzioni elementari 2 2.1 Funzione potenza... 2 2.2 Funzione esponenziale... 3 2.3 Funzione logaritmica... UNIVR Facoltà di Economia Sede di Vicenza Corso di Matematica Funzioni reali di variabile reale Indice Grafico di una funzione reale 2 Funzioni elementari 2 2. Funzione potenza................................................

Dettagli

MINIMI QUADRATI. REGRESSIONE LINEARE

MINIMI QUADRATI. REGRESSIONE LINEARE MINIMI QUADRATI. REGRESSIONE LINEARE Se il coefficiente di correlazione r è prossimo a 1 o a -1 e se il diagramma di dispersione suggerisce una relazione di tipo lineare, ha senso determinare l equazione

Dettagli

A.1 Rappresentazione geometrica dei segnali

A.1 Rappresentazione geometrica dei segnali Appendice A Rappresentazione dei segnali A.1 Rappresentazione geometrica dei segnali Scomporre una generica forma d onda s(t) in somma di opportune funzioni base è operazione assai comune, particolarmente

Dettagli

Modelli di Ottimizzazione

Modelli di Ottimizzazione Capitolo 2 Modelli di Ottimizzazione 2.1 Introduzione In questo capitolo ci occuperemo più nel dettaglio di quei particolari modelli matematici noti come Modelli di Ottimizzazione che rivestono un ruolo

Dettagli

CS. Cinematica dei sistemi

CS. Cinematica dei sistemi CS. Cinematica dei sistemi Dopo aver esaminato la cinematica del punto e del corpo rigido, che sono gli schemi più semplificati con cui si possa rappresentare un corpo, ci occupiamo ora dei sistemi vincolati.

Dettagli

Possiamo calcolare facilmente il valore attuale del bond A e del bond B come segue: VA A = 925.93 = 1000/1.08 VA B = 826.45 = 1000/(1.

Possiamo calcolare facilmente il valore attuale del bond A e del bond B come segue: VA A = 925.93 = 1000/1.08 VA B = 826.45 = 1000/(1. Appendice 5A La struttura temporale dei tassi di interesse, dei tassi spot e del rendimento alla scadenza Nel capitolo 5 abbiamo ipotizzato che il tasso di interesse rimanga costante per tutti i periodi

Dettagli