Parte 5. L ambiente di sviluppo ARENA
|
|
- Lino Valente
- 8 anni fa
- Visualizzazioni
Transcript
1 Parte 5 L ambiente di sviluppo ARENA
2 Caratteristiche Arena distributore: applicazioni: Rockwell Software Manufacturing, supply chain, business process, military, warehousing e logistics improvement sistemi operativi: Windows 95, 98, ME, NT, 2000 e XP caratteristiche: ambiente grafico, run-time debugger, fitting delle distribuzioni di input, supporto all analisi dell output, riusabilità (oggetti e template), animazione, esecuzione e visualizzazione real-time
3 Principali proprietà Moduli di dati: Entità Entity Type: Initial Picture: Holding Cost/Hour: nome (unico) del tipo di entità rappresentazione grafica costo orario di attraversamento del sistema da parte dell entità Costi iniziali: costo che l entità ha prima ancora di entrare nel sistema. I costi sono classificati in: Initial VA Cost: costo delle attività a valore aggiunto Initial NVA Cost: costo delle attività non a valore aggiunto Initial Waiting Cost: costo dei tempi di attesa Initial Transfer Cost: costo dei trasferimenti Initial Other Cost: altri costi
4 Principali proprietà Moduli di dati: Code Name: Type: Nome (unico) della coda disciplina di attesa: First In First Out, Last In First Out, Lowest Attribute Value (first) Highest Attribute Value (first) Attribute Name: Se la disciplina di attesa è del tipo Lowest Attribute Value oppure Highest Attribute Value, l ordinamento viene fatto rispetto a questo attributo. Shared: indica se la coda è condivisa da più risorse
5 Principali proprietà Moduli di dati: Risorse Name: Type: Capacity: nome (unico) della risorsa indica se la risorsa è a capacità fissa o variabile numero di entità processabili simultaneamente Costi: time-dependent: costi orari di utilizzo (Busy/Hour) e di fermo (Idle/Hour) time-independent: costo per unità processata (Per Use) StateSet Name: Initial State: Failures: Failure Rule: insieme che definisce i possibili stati della risorsa stato iniziale failures associate alla risorsa comportamento della risorsa nei confronti dell entità se si verifica una failure durante un processamento (Ignore, Wait, Preempt)
6 Moduli di dati: Variabili e Sets Principali proprietà delle variabili Name: Rows: Columns: Clear Option: Initial Values: nome (unico) della variabile numero di righe (se la variabile è un vettore o tabella) numero di colonne (se la variabile è un vettore o tabella) le variabili sono inizializzate ogni volta che lo sono le statistiche (Statistics) ogni volta che lo è il sistema (System) mai (None) valori iniziali Principali proprietà degli insiemi Name: Type: Members: nome (unico) dell insieme Tipo di insieme (Resource, Entity Type, ) Lista degli elementi dell insieme
7 Moduli di Flowchart (1) Create 0 Creazione di un entità rappresenta il punto di ingresso delle entità nel sistema Principali proprietà Name: Entity Type: Type: Entities per Arrival: Max Arrivals: First Creation: identificatore del modulo tipo di entità generata modalità di generazione (con tempi di interarrivo esponenziali, costanti o distribuiti secondo una funzione di probabilità) numerosità del gruppo di arrivo numero totale di entità generate istante di arrivo della prima entità
8 Moduli di Flowchart (2) Dispose 0 Distruzione di un entità rappresenta il punto di uscita delle entità dal sistema Principali proprietà Name: Record Entity Statistics: Identificatore del modulo vero se le statistiche delle entità in arrivo vanno memorizzate (wait time, transfer time, total time, value added cost, )
9 Moduli di Flowchart (3) Process 0 Processamento di un entità rappresenta un attività svolta dalle entità che lo attraversano. Serve anche per definire sottomodelli Name: identificativo del modulo Type: standard processing oppure submodel. Action: tipo di processamento: Delay: è richiesto un tempo di processamento ma nessuna risorsa Seize Delay: è richiesto un tempo di processamento e una risorsa che viene allocata ma non rilasciata Seize Delay Release: è richiesto un tempo di processamento e una risorsa che viene allocata e rilasciata Delay Release: è richiesto un tempo di processamento, trascorso il quale una risorsa precedentemente allocata è rilasciata. Esempi: lavorazione di una parte, servizio di un cliente,...
10 Moduli di Flowchart (3) Process 0 Processamento di un entità rappresenta un attività svolta dalle entità che lo attraversano. Serve anche per definire sottomodelli Priority: Resources: Delay Type: Units: Allocation: livello di priorità delle entità che attraversano il modulo risorsa o insieme di risorse usate per il processamento distribuzione utilizzata per generare i tempi di processamento unità di misura del tempo indica in quali categorie vanno conteggiati i tempi e costi di processamento Esempi: lavorazione di una parte, servizio di un cliente,...
11 Moduli di Flowchart (4) Assign Assegnamento di variabili e attributi L operazione avviene quando una entità attraversa il modulo Name: Assignments: Type: Identificatore unico del modulo specifica l assegnamento da effettuare ogni volta che un entità attraversa il modulo. Per modificare variabili di sistema utilizzare Other.
12 Moduli di Flowchart (5) Decide 0 False 0 True Instradamento logico di un entità Permette di implementare processi che decidono. In base alla condizione l entità viene instradata su uno dei 2 rami di uscita del modulo. Name: Type: identificativo del modulo decisione su condizione (es: Entity.WaitTime >= 2) oppure su base probabilistica (es: 50% true) Esempi: rilavorazione di parti difettose, selezione di diversi tipi di clienti, regole di dispatching, selezione del server in stadi multi-processore
13 Moduli di Flowchart (6) Record Salvataggio di dati e/o statistiche Permette di collezionare statistiche Name: identificativo del modulo Type: Tipo di statistica Count: incremento/decremento di una statistica Entity statistics: statistiche generali sulle entità (informazioni su tempi e costi) Time Interval: differenza tra il valore di un attributo e il tempo corrente di simulazione Time Between: tempi di interarrivo delle entità nel modulo Expression: espressione specifica
14 Moduli di Flowchart (7) Batch 0 Raggruppamento di più entità Le entità che raggiungono il modulo attendono in una coda fino a quando il lotto non è completato. A quel punto viene generata una entità rappresentativa del lotto. Name: Type: Batch Size: Save Criterion: Rule: Identificativo del modulo Tipo di raggruppamento (Temporaneo o Permanente) Dimensione del lotto Criterio per assegnare il valore all attributo rappresentante (First, Last, Sum, Product) Regola di batching: tutte le entità (any Entity) o solo quelle con caratteristiche date (by Attribute) Esempi: assemblaggio, raggruppamento di utenti in particolari trasporti,...
15 Moduli di Flowchart (8) Separate 0 0 Original Duplicate Separazione di più entità Permette di duplicare entità singole o di separare lotti precedentemente creati con il modulo Batch. Name: Type: Percent Cost to Duplicates: # of Duplicates: Identificativo del modulo Tipo di separazione (Duplicate Original, Split Existing Batch) Allocazione dei tempi e costi delle entità entranti nei duplicati uscenti. Numero di duplicati Esempi: separare i singoli oggetti di un container, avviare diverse pratiche da un ordine di produzione (e.g., ordine e fattura),...
16 Esempi (basic Process) Moduli Modulo Process (Smart007) Modulo Assign (Smart022) Modulo Decide (Smart005) Modulo Record (Smart163) Moduli Batch e Separate (Smart002) Batching by Attribute (Smart057) Uso delle espressioni (Smart026) Animazione Animazione nei flowcharts (Smart035) Animazione delle entità (Smart023) Animazione dello stato delle risorse (Smart010)
17 Esempi (basic Process) Code Numero di clienti in coda (Smart058) Tempo trascorso nel sistema (Smart043) Abbandono della coda (Smarts154) Disciplina di attesa per priorità (Smarts158) Gestione di code miste (Smarts115) Gestione dinamica delle priorità (Smarts085) Risorse Schedulazione di risorse (Smarts114) Risorse a capacità multipla (Smarts004) Report sui costi delle risorse (Smarts019) Seizing multiplo (Smarts118)
18 Advanced Transfer (1) Station Stazione fisica Definisce una stazione corrispondente ad una locazione fisica o logica dove avviene il processamento di una entità Name: Station Type: Station Name: Identificativo del modulo Stazione singola o insieme di stazioni Identificativo della stazione Esempi: isole di lavorazione, punti di carico o scarico merce,
19 Advanced Transfer (2) Enter Stazione fisica (advanced) E una versione avanzata del modulo Station. Una entità può raggiungere il modulo anche attraverso una connessione grafica Name: Station Type: Station Name: Delay: Allocation: Transfer In: Identificativo del modulo Stazione singola o insieme di stazioni Identificativo della stazione Ritardo che subisce l entità che arriva e che tipicamente rappresenta il tempo di scarico da un transfer device categorie di tempo e costo in cui verrà contabilizzato il ritardo indica la risorsa (eventualmente) da liberare quando l entità entra nel modulo. La risorsa può essere un trasportatore, un conveyor o una risorsa generica
20 Advanced Transfer (3) Route Trasferimento di una entità Smista l entità alla sua stazione di destinazione Name: Identificativo del modulo Route Time: Tempo di trasferimento alla stazione di destinazione Destination Type: Station oppure Sequential Le entità trasferite con il modulo Route possono essere animate associando opportune stazioni grafiche alle stazioni corrispondenti ai punti di partenza e di arrivo delle entità.
21 Advanced Transfer (4) Leave Trasferimento di un entità (advanced) E una versione avanzata del modulo Route Name: Allocation: Transfer Out: Queue Type: Connect Type: Identificativo del modulo categorie di tempo e costo in cui verrà contabilizzato il ritardo Indica il tipo di risorsa necessaria per il trasferimento (request transporter, access conveyor, seize resource o none) Indica la disciplina di attesa per il trasferimento Indica qual è la modalità di trasferimento dell entità (Connect, Convey, Route, Transport) Tipicamente Transfer Out e Connect Type concordano sul mezzo di trasporto; per esempio Transfer Out = Request Transporter implica Connect Type = Transport
22 Advanced Transfer (5) Request Assegnamento di transporter a entità L entità attende nel modulo fino a quando il transporter selezionato non arriva nella locazione dell entità. Name: Transporter Name: Selection Rule: Velocity: Queue Type: identificativo del modulo indica il transporter richiesto regola si selezione del transporter (Cyclical, Random, Preferred Order, Specific Member, Largest Distance, e Smallest Distance) specifica la velocità con la quale il transporter specificato si muoverà verso la stazione richiedente disciplina adottata per l attesa di un transporter
23 Advanced Transfer (6) Transport Spostamento di transporter e entità Il trasferimento avviene tra 2 stazioni ed è possibile solo se l entità ha già acquisito il controllo del transporter con il modulo Request. Name: Transporter Name: Destination Type: Station Name: Velocity: Identificativo del modulo Indica in transporter da utilizzare Sequential oppure Station Stazione di destinazione specifica la velocità con la quale il transporter specificato si muoverà verso la stazione di destinazione
24 Advanced Transfer (7) Free Rilascio di un transporter Se non richiesto da altre entità, il transporter attenderà inattivo presso la stazione di destinazione dell entità. Name: Transporter Name: Identificativo del modulo nome del transporter che sarà liberato. Se non specificato sarà l ultimo transporter allocato all entità in ordine di tempo
25 Esempi (advanced Transfer) Moduli Modulo Route (Smarts073) Routing delle entità (Smarts169) Moduli Request Transport Free (Smarts146) Moduli Leave Transport Free (Smarts148) Altri Esempi PickStation tra stazioni singole (Smarts113) PickStation in un set di Stazioni (Smarts138)
26 Esempi (Advanced) Sottomodelli (Smarts008) Scrittura su file e Lettura da file (Smarts154 e Smarts162) Variabili di Sistema (Smarts144) Variabili associate alle code (Smarts141) Variabili associate alle risorse (Smarts139) Entità che fungono da logica di controllo (Smarts018) Condizioni avanzate di terminazione (Smarts130) Automation (Smarts182) Lettura da Excel con Automation (Smarts100) User Function in Automation (Smarts161) Animazione (Smarts074)
27 Esempi (sistemi di produzione) Blocking Flow Line (Smart125) Flow Line con buffer limitati (Smarts082) Parallel machine (Smarts173) Job Shop A (Smarts172) Job Shop B (Smarts168)
28 Parte 6 Scelta delle distribuzioni di input
29 Motivazioni Per eseguire simulazioni che comprendono sorgenti di incertezza si devono selezionare le loro distribuzioni di probabilità la simulazione procede generando valori (realizzazioni) dalle distribuzioni scelte Esempio: La simulazione di un lancio di un dado si ottiene scegliendo una legge di probabilità con 6 valori equiprobabili. Dati reali (se possono essere collezionati) sulla v.a. di interesse guidano la scelta della distribuzione
30 Metodi basati su dati reali 1. I dati collezionati sono utilizzati direttamente per alimentare la simulazione (Trace-driven simulation) 2. I dati collezionati sono utilizzati per definire una distribuzione empirica che li descriva 3. I dati collezionati sono utilizzati per individuare una distribuzione teorica che li rappresenti (1) è consigliato nella validazione del modello, ma non permette una analisi previsionale (2) preferibile a (1) (3) preferibile a (2) quando possibile
31 Distribuzione Teorica vs. Distribuzione Empirica una DE può presentare irregolarità dipendenti dai dati (particolarmente se i dati sono scarsi), mentre una DT rappresenta meglio il comportamento generale. una DE non permette la generazione di realizzazioni al di fuori degli intervalli osservati (i.e., può escludere eventi eccezionali ) le DT possono essere modificate più semplicemente delle DE, in quanto è sufficiente modificare i suoi parametri. Esempio: variazione nella frequenza media degli arrivi
32 Distribuzione Teorica vs. Distribuzione Empirica anche in casi in cui esistono motivi fisici per scegliere una DT, è consigliabile l utilizzo di serie storiche come supporto empirico (validazione) in numerosi casi pratici non esiste una DT che presenta un buon fitting con i dati osservati. Una DT può generare valori molto grandi (anche se con probabilità molto basse) che non corrispondono a realizzazioni praticamente significative
33 Distribuzioni empiriche osservazioni X 1,, X n ordinate per valori crescenti Distribuzione continua lineare a tratti: F( x) = 0 se x < X1 i 1 x Xi se Xi x Xi, per i,..., n n + < + 1 = ( n 1)( Xi+ 1 Xi ) 1 se x Xn 1 4/5 3/5 2/5 1/5 X 1 X 2 X 3 X 4 X 5 X 6
34 Esempio Valori osservati: 0.4, 1, 2, 2.5, 3, 3.6, 4 F( x) = 0 se x < X1 i 1 x Xi se Xi x Xi, per i,..., n n + < + 1 = ( n 1)( Xi+ 1 Xi ) 1 se x Xn 1 5/6 2/3 1/2 1/3 1/
35 Scelta di una distribuzione teorica Step 1: Verifica dell indipendenza delle osservazioni Step 2: Identificazione di una famiglia candidata di distribuzioni Step 3: Stima dei parametri Step 4: Verifica sui dati reali della rappresentatività della distribuzione
36 Step 1: Indipendenza delle osservazioni Molte tecniche per la scelta di una distribuzione teorica richiedono che le osservazioni X 1, X 2,, X n siano indipendenti. In certi casi le osservazioni collezionate in un intervallo di tempo possono essere dipendenti. Esempio. X 1, X 2,, X n rappresentano le temperature misurate ogni ora in una certa città, a partire dalla mezzanotte: campioni vicini in tempo sono positivamente correlati Esempio. X 1, X 2,, X n rappresentano i ritardi dei clienti misurati nella coda di un sistema a singolo servente: se la frequenza media degli arrivi è paragonabile al service rate medio il sistema è soggetto a congestione e gli X i sono positivamente correlati.
37 Correlazione di variabili aleatorie Siano date n coppie di realizzazioni, (X 1, Y 1 ), (X 2, Y 2 ),, (X n, Y n ) di 2 v.a. X e Y. X e Y sono v.a. correlate se il coefficiente di correlazione è non nulla: ρ = E[( X = E[ X Y i i E( X ))(( Y i ] E( X ) E( Y ) i E( Y )))]
38 Diagrammi a scattering 0,6 0,4 0,2 Y v.a. non correlate (ρ = -0,004) 0-0,6-0,4-0,2 0 0,2 0,4 0,6-0,2 X -0,4-0,6 0,6 0,4 0,2 Y v.a. correlate (ρ = 0,9958) 0-0,6-0,4-0,2 0 0,2 0,4 0,6-0,2 X -0,4-0,6
39 Auto-correlazione Una tecnica informale per verificare l indipendenza di un insieme di dati X 1, X 2,, X n è basata sulla stima del coefficiente di autocorrelazione tra tutte le coppie di osservazioni distanti j : ρˆ j n j i= 1 = ( X i X n ( n )( X j) S i+ j 2 n X n ) Se le osservazioni X 1, X 2,, X n sono indipendenti, allora ρ j = 0 per j = 1, 2,, n-1 Dato che ρˆ j è una stima di ρ, può essere ρˆ j 0 anche se le X i sono indipendenti. Tuttavia, valori molto distanti da 0 sono un forte indizio della dipendenza delle osservazioni
40 Diagrammi di auto-correlazione: esempio 0,2 0,15 0,1 0,05 0-0,05-0,1-0,15 ρˆ j j max = min = Diagramma da 100 realizzazioni indipendenti di una distribuzione esponenziale con β = 1
41 ρˆ Diagrammi di auto-correlazione: esempio j 1 0,8 0,6 max = ,4 0,2 0-0, j min = ,4 Diagramma da 100 ritardi in coda di un M/M/1 con ρ = 0.8
42 Step 2: Ipotizzare una distribuzione Ipotesi teorica: il ruolo della sorgente di incertezza può suggerire la scelta o l eliminazione di una distribuzione dall insieme delle candidate Esempio. Se gli arrivi ad un centro di servizio sono individuali, ad un rate costante e tali che i numeri di clienti che arrivano in intervalli disgiunti sono indipendenti, esistono ragioni teoriche per ipotizzare che i tempi di interarrivo siano v.a. IID con distribuzione esponenziale Esempio. I tempi di servizio di una facility non sono modellati da una (generica) distribuzione normale, in quanto le sue realizzazioni possono assumere valori negativi.
43 Distribuzione Bernoulli p( x) = 1 p 0 p se x = 0 se x = 1 altrimenti p 1- p p(x) 0 F( x) = 1 p 1 se x < 0 se 0 x < 1 se1 x Range: {0, 1} Parametri: p (0,1) Valor medio: E(X) = p Varianza: V(X) = p(1 p ) 0 1 Applicazioni: esperimento con due possibili risultati
44 Distribuzione Binomiale p( x) = n p x 0 x (1 p) n x se x { 0,1, K, n} altrimenti p(x) t = 5 p = 0.5
45 Distribuzione Binomiale Range: {0, 1} Parametri: n > 0 intero, p (0,1) Valor medio: E(X) = np Varianza: V(X) = np(1 p) Applicazioni: numero di successi in n esperimenti bernoulliani ciascuno con probabilità p di successo; numero di parti difettose in un lotto di dimensione n;
46 Distribuzione di Poisson p( x) = e 0 λ ( λ) k! k per k = 0,1, 2,...; altrimenti 0,25 0,2 λ = 4 0,15 0,1 λ = 8 0,
47 Distribuzione di Poisson Range: N Parametri: λ > 0 Valor medio: E(X) = λ Varianza: V(X) = λ Applicazioni: processi di arrivo poissoniani; numero di eventi in processi senza memoria; clienti in una giornata, telefonate in un ora,
48 Ipotizzare una distribuzione: v.a. discrete Tecnica del diagramma a bastone: X 1, X 2,, X n dati Per ogni possibile valore x j che può essere assunto dai dati sia h j la proporzione degli X i pari a x j. Definire il diagramma con un segmento verticale di altezza h j in corrispondenza di ciascun valore x j. Confrontare graficamente la forma di h(x) con la legge di probabilità ipotizzata
49 1 a x b f ( x) = b a 0 altrimenti Distribuzione uniforme: U(a,b) 0 se x < a x a F( x) = se a x b a b x b a 1 se x > b Range: [a, b] Parametri: a, b con a < b; Valor medio: E(X) = (a + b)/2 Varianza: V(X) = (b a) 2 /12 f (x) 1 b a Applicazioni: utilizzata come primo modello nei casi in cui l informazione disponibile è scarsa. Nei simulatori è utilizzata per derivare le altre distribuzioni
50 Distribuzione esponenziale: expo(λ) f ( x) λe = 0 λx x 0 altrimenti f (x) 1,2 1 0,8 0,6 expo(1) 1 e F( x) = 0 λx se x 0 altrimenti 0,4 0, ,4 0,8 1,2 1,6 2 2,4 2,8 3,2 3,6 4 4,4 4,8 5,2 5,6 6 6,4 6,8 Range: [0, ) Parametri: λ > 0 Valor medio: E(X) = 1/λ Varianza: V(X) = 1/λ 2 Applicazioni: tempi di interarrivo quando il numero di arrivi in un intervallo di tempo fissato ha una distribuzione di Poisson
51 Distribuzione normale: N( µ,σ ) f (x) 0,45 f ( x µ ) 1 2 2σ ( x) = e 2πσ 2 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 N(0,1) -4-3,6-3,1-2,7-2,2-1,8-1,4-0,9-0,5-0 0,4 0,84 1,28 1,72 2,16 2,6 3,04 3,48 3,92 Range: (-, ) Parametri: µ R, σ > 0 Valor medio: E(X) = µ Varianza: V(X) = σ 2 Applicazioni: La distribuzione normale è la distribuzione limite di molte altre distribuzioni di probabilità. Può quindi essere utilizzata per variabili che descrivono disturbi risultati da tante piccole azioni (ritardi dovuti al traffico, errori di misura, )
52 Distribuzione Gamma: gamma(α, β ) f ( x ) = β 0 α x ( α α 1 e 1)! x / β se x 0 altrimenti α x / β 1 e = F( x ) j = 0 ( x / β ) j! Range: [0, ) Parametri: a > 0, β > 0 Valor medio: E(X) = αβ Varianza: V(X) = αβ j se x 0 altrimenti solo per α intero: distribuzione Erlang Applicazioni: buona approssimazione di tempi di servizio: expo(1/β) = gamma(1,β); tempo totale di servizio di a serventi in serie ognuno con tempi di servizio esponenziali
53 Distribuzione Gamma: gamma(α, β ) ( ) (, +, β, t0) (, +, β+ 0.02, t0) (, +, β+ 0.02, t0) gamd z ix, α, β, t0 gamd z ix α 1 gamd z ix α 1 gamd z ix α α α+1 α+2 α ix 40
54 Ipotizzare una distribuzione: v.a. continue Tecnica dell istogramma: X 1, X 2,, X n dati suddividere l intervallo dei valori coperti dai dati in k intervalli adiacenti [b 0, b 1 ), [b 1, b 2 ),, [b k-1, b k ) di uguale ampiezza b. Per j = 1, 2,, k definire h j come la proporzione degli X i contenuti nell intervallo j. Definire la funzione: h h 0 se ( x) = j se bj 1 0 se x < b x < b, x b 0 k j per j =1,...,k Confrontare graficamente la forma di h( x ) con la ddp ipotizzata.
55 Fondamento del metodo Sia X una v.a. distribuita come gli X i, con ddp f. Allora, per j fissato, j =1, 2,, k, risulta: P ( bj 1 X b j ) = b b j j 1 f ( x) dx = b f ( y j ) per un certo y j ( b j 1, b j ) teorema del valor medio Ma h j approssima P ( b j 1 j X b ) h( y j ) = h j b f ( y j ) Quindi, h( y ) è approx. proporzionale a f ( y ) h ed f hanno forme simili Difficoltà: non esistono criteri generali per scegliere k. Regola di Sturges: k = 1 + log 2 n. In genere, preferibile scegliere il più piccolo k che genera un istogramma smooth
56 Esempi X i ~ N(0,1) k = k = ,5 3 2,5 k = ,5 1 0,
57 Step 3: Stima dei parametri Definizione. La popolazione oggetto è la totalità degli elementi in esame dai quali si vogliono ottenere informazioni (es: una v.a. X). Definizione. Un campione è un gruppo di elementi estratti da una popolazione (es: un certo numero di realizzazioni di X) allo scopo di raccogliere informazioni sulla popolazione stessa. Il campione è casuale se le estrazioni degli elementi sono indipendenti. Definizione. Una statistica campionaria è una funzione delle realizzazioni di una v.a., a sua volta v.a. osservabile. Il valor medio di una statistica campionaria può essere utilizzato per stimare un parametro della funzione di distribuzione della popolazione.
58 Problema: Metodi per la stima dei parametri Data la distribuzione di probabilità f della popolazione, determinare sulla base di un campione X 1,,X n un valore per ognuno dei parametri che caratterizzano f che sia la miglior approssimazione possibile dei parametri incogniti. Stime puntuali Metodo dei momenti Si impone che i parametri della distribuzione coincidano con gli stimatori forniti dalle statistiche campionarie (media e varianza campionaria) 2. Metodo della massima verosimiglianza Si determinano i parametri in modo che sia massima la probabilità che i campioni osservati siano stati estratti dalla distribuzione ipotizzata Stime per intervalli Intervalli di confidenza Si determina un intervallo in cui il parametro che si sta stimando cade con probabilità fissata.
59 Statistiche campionarie: media e varianza campionaria X 1, X 2,, X n osservazioni di variabili aleatorie IID ognuna con valor medio E(X i ) = µ e varianza Var(X i ) = σ 2 [non noti] Media campionaria X( n) n i = = 1 X n i stimatore corretto di µ, i.e., E[ X( n)] = µ Varianza campionaria S 2 n [ X i X( n)] i = 1 ( n) = n 1 2 stimatore corretto di σ 2, i.e., 2 E[ S ( n)] = σ 2
60 Stima di Var(X( n )) Motivazione: X(n) è una v.a. con varianza Var[ X( n)] e può differire notevolmente da µ in alcuni esperimenti. 1 n 1 n 1 n 2 Var [ X( n)] = Var( X i ) = E( X i µ ) = Var( 2 X n n n i = 1 i = 1 i = 1 i ) = n 1 2 = 1 Var X i n 2 ( ) = σ = σ 2 n n n i = 1 2 indipendenza degli X i 2 S ( n) n Estimatore corretto di Var[ X( n)]
61 Massima verosimiglianza Dati osservati IID: X 1, X 2,, X n ddp ipotizzata: f θ (x), parametro ignoto θ Una misura della probabilità di aver ottenuto le osservazioni X 1, X 2,, X n proprio dalla distribuzione ipotizzata è data dalla funzione di verosimiglianza: L(θ)= f θ (X 1 ) f θ (X 2 ) f θ (X n ) Il metodo della massima verosimiglianza consiste nello scegliere come estimatore del valore ignoto θ il valore θˆ che massimizza L(θ)
Parte 5. L ambiente di sviluppo ARENA
Parte 5 L ambiente di sviluppo ARENA Caratteristiche Arena distributore: applicazioni: Rockwell Software Manufacturing, supply chain, business process, military, warehousing e logistics improvement sistemi
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliIntroduzione al package ARENA
Introduzione al package ARENA Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it rev. 1.2 - Marzo 2003 ARENA Applicazione Windows che permette di creare modelli ed eseguire simulazioni del
DettagliIntroduzione alla Simulazione Numerica
Introduzione alla Simulazione Numerica Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it rev. 1.0 - Novembre 2001 Simulazione numerica Tecnica che permette di eseguire esperimenti su un
DettagliFacciamo qualche precisazione
Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliScheduling della CPU. Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux
Scheduling della CPU Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux Sistemi multiprocessori Fin qui si sono trattati i problemi di scheduling su singola
DettagliLa variabile casuale Binomiale
La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola
DettagliE 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
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliLA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di
STATISTICA LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di oggetti; cerca, attraverso l uso della matematica
DettagliSistemi Operativi. Scheduling della CPU SCHEDULING DELLA CPU. Concetti di Base Criteri di Scheduling Algoritmi di Scheduling
SCHEDULING DELLA CPU 5.1 Scheduling della CPU Concetti di Base Criteri di Scheduling Algoritmi di Scheduling FCFS, SJF, Round-Robin, A code multiple Scheduling in Multi-Processori Scheduling Real-Time
DettagliSistemi Operativi SCHEDULING DELLA CPU. Sistemi Operativi. D. Talia - UNICAL 5.1
SCHEDULING DELLA CPU 5.1 Scheduling della CPU Concetti di Base Criteri di Scheduling Algoritmi di Scheduling FCFS, SJF, Round-Robin, A code multiple Scheduling in Multi-Processori Scheduling Real-Time
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
Dettaglimatematica probabilmente
IS science centre immaginario scientifico Laboratorio dell'immaginario Scientifico - Trieste tel. 040224424 - fax 040224439 - e-mail: lis@lis.trieste.it - www.immaginarioscientifico.it indice Altezze e
DettagliCorso di Automazione Industriale 1. Capitolo 4
Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione
DettagliGrafici delle distribuzioni di frequenza
Grafici delle distribuzioni di frequenza L osservazione del grafico può far notare irregolarità o comportamenti anomali non direttamente osservabili sui dati; ad esempio errori di misurazione 1) Diagramma
DettagliCorso di Automazione Industriale 1. Capitolo 4
Simona Sacone - DIST 1 Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: analisi
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliIl confronto fra proporzioni
L. Boni Il rapporto Un rapporto (ratio), attribuendo un ampio significato al termine, è il risultato della divisione di una certa quantità a per un altra quantità b Il rapporto Spesso, in maniera più specifica,
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliEsercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Alfonso Iodice D Enza April 26, 2007 1...prima di cominciare Contare, operazione solitamente semplice, può diventare complicata se lo scopo
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliPROGRAMMA SVOLTO NELLA SESSIONE N.
Università C. Cattaneo Liuc, Corso di Statistica, Sessione n. 1, 2014 Laboratorio Excel Sessione n. 1 Venerdì 031014 Gruppo PZ Lunedì 061014 Gruppo AD Martedì 071014 Gruppo EO PROGRAMMA SVOLTO NELLA SESSIONE
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
DettagliCosa è un foglio elettronico
Cosa è un foglio elettronico Versione informatica del foglio contabile Strumento per l elaborazione di numeri (ma non solo...) I valori inseriti possono essere modificati, analizzati, elaborati, ripetuti
DettagliScheduling. Sistemi Operativi e Distribuiti A.A. 2004-2005 Bellettini - Maggiorini. Concetti di base
Scheduling Sistemi Operativi e Distribuiti A.A. 2-25 Bellettini - Maggiorini Concetti di base Il massimo utilizzo della CPU si ottiene mediante la multiprogrammazione Ogni processo si alterna su due fasi
DettagliRiassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice
cap 0 Romane - def_layout 1 12/06/12 07.51 Pagina V Prefazione xiii Capitolo 1 Nozioni introduttive 1 1.1 Introduzione 1 1.2 Cenni storici sullo sviluppo della Statistica 2 1.3 La Statistica nelle scienze
DettagliGESTIONE INDUSTRIALE DELLA QUALITÀ A
GESTIONE INDUSTRIALE DELLA QUALITÀ A Lezione 10 CAMPIONAMENTO (pag. 62-64) L indagine campionaria all interno di una popolazione consiste nell estrazione di un numero limitato e definito di elementi che
DettagliIng. Simone Giovannetti
Università degli Studi di Firenze Dipartimento di Elettronica e Telecomunicazioni Ing. Simone Giovannetti Firenze, 29 Maggio 2012 1 Incertezza di Misura (1/3) La necessità di misurare nasce dall esigenza
DettagliTecniche di Simulazione: Introduzione. N. Del Buono:
Tecniche di Simulazione: Introduzione N. Del Buono: 2 Che cosa è la simulazione La SIMULAZIONE dovrebbe essere considerata una forma di COGNIZIONE (COGNIZIONE qualunque azione o processo per acquisire
DettagliDispensa di database Access
Dispensa di database Access Indice: Database come tabelle; fogli di lavoro e tabelle...2 Database con più tabelle; relazioni tra tabelle...2 Motore di database, complessità di un database; concetto di
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
DettagliParte 4. Progettazione di una simulazione
Parte 4 Progettazione di una simulazione Fasi di uno studio di simulazione l approccio a cascata Problema Analisi e validazione Progettazione e test Sistema Modello concettuale Programma di simulazione
Dettagli11. Analisi statistica degli eventi idrologici estremi
. Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche
DettagliRiccardo Dutto, Paolo Garza Politecnico di Torino. Riccardo Dutto, Paolo Garza Politecnico di Torino
Integration Services Project SQL Server 2005 Integration Services Permette di gestire tutti i processi di ETL Basato sui progetti di Business Intelligence di tipo Integration services Project SQL Server
DettagliCAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI
VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita
Dettagli4.1 FAX EMAIL: Sollecito consegne via email (Nuova funzione)
- 36 - Manuale di Aggiornamento 4 MODULI AGGIUNTIVI 4.1 FAX EMAIL: Sollecito consegne via email (Nuova funzione) È stata realizzata una nuova funzione che permette di inviare un sollecito ai fornitori,
DettagliFONDAMENTI di INFORMATICA L. Mezzalira
FONDAMENTI di INFORMATICA L. Mezzalira Possibili domande 1 --- Caratteristiche delle macchine tipiche dell informatica Componenti hardware del modello funzionale di sistema informatico Componenti software
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
DettagliTemi di Esame a.a. 2012-2013. Statistica - CLEF
Temi di Esame a.a. 2012-2013 Statistica - CLEF I Prova Parziale di Statistica (CLEF) 11 aprile 2013 Esercizio 1 Un computer è collegato a due stampanti, A e B. La stampante A è difettosa ed il 25% dei
DettagliUniversità degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI
Università degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI 1. L azienda Wood produce legno compensato per costruzioni
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliIl campionamento statistico
Lezione 13 Gli strumenti per il miglioramento della Qualità Il campionamento statistico Aggiornamento: 19 novembre 2003 Il materiale didattico potrebbe contenere errori: la segnalazione e di questi errori
DettagliUniversità di Roma Tor Vergata Corso di Laurea triennale in Informatica Sistemi operativi e reti A.A. 2013-14. Pietro Frasca.
Università di Roma Tor Vergata Corso di Laurea triennale in Informatica Sistemi operativi e reti A.A. 2013-14 Pietro Frasca Lezione 11 Martedì 12-11-2013 1 Tecniche di allocazione mediante free list Generalmente,
DettagliCalcolo delle probabilità
Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità
DettagliSCHEDULATORI DI PROCESSO
Indice 5 SCHEDULATORI DI PROCESSO...1 5.1 Schedulatore Round Robin...1 5.2 Schedulatore a priorità...2 5.2.1 Schedulatore a code multiple...3 5.3 Schedulatore Shortest Job First...3 i 5 SCHEDULATORI DI
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione
DettagliLa distribuzione Gaussiana
Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione
DettagliSOLUZIONI ESERCITAZIONE NR. 6 Variabili casuali binomiale e normale
SOLUZIONI ESERCITAZIONE NR. 6 Variabili casuali binomiale e normale ESERCIZIO nr. 1 I Presidi delle scuole medie superiori di una certa cittá italiana hanno indetto tra gli studenti dell ultimo anno una
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi
DettagliESERCIZI DI PROBLEM SOLVING E COMPOSIZIONE DEI DIAGRAMMI DI FLUSSO per le classi terza
ESERCIZI DI PROBLEM SOLVING E COMPOSIZIONE DEI DIAGRAMMI DI FLUSSO per le classi terza vers.3 in lavorazione Docente SAFFI FABIO Contenuti 01.Esercizi generici sul diagramma di flusso - flow chart... 2
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliLa categoria «ES» presenta (di solito) gli stessi comandi
Utilizzo delle calcolatrici FX 991 ES+ Parte II PARMA, 11 Marzo 2014 Prof. Francesco Bologna bolfra@gmail.com ARGOMENTI DELLA LEZIONE 1. Richiami lezione precedente 2.Calcolo delle statistiche di regressione:
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliRAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL
RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL 1 RAPPRESENTAZIONE GRAFICA Per l analisi dati con Excel si fa riferimento alla versione 2007 di Office, le versioni successive non differiscono
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema
DettagliSimulazione termine molto vasto metodi e applicazioni per imitare sistemi reali, di solito tramite computer
La Simulazione è Simulazione termine molto vasto metodi e applicazioni per imitare sistemi reali, di solito tramite computer Applicata in molti campi e industrie Metodo molto utile e potente Parleremo
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V
Corso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows.
DettagliTest statistici di verifica di ipotesi
Test e verifica di ipotesi Test e verifica di ipotesi Il test delle ipotesi consente di verificare se, e quanto, una determinata ipotesi (di carattere biologico, medico, economico,...) è supportata dall
DettagliRelazioni 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
DettagliOrganizzazione degli archivi
COSA E UN DATA-BASE (DB)? è l insieme di dati relativo ad un sistema informativo COSA CARATTERIZZA UN DB? la struttura dei dati le relazioni fra i dati I REQUISITI DI UN DB SONO: la ridondanza minima i
DettagliDISTRIBUZIONI DI VARIABILI CASUALI DISCRETE
DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,
Dettagli13. 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
DettagliOttimizzazione Multi Obiettivo
Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali
DettagliProgrammazione Disciplinare: Calcolo Classe: Quarte - Quinte
Istituto Tecnico Tecnologico Basilio Focaccia Salerno Programmazione Disciplinare: Calcolo Classe: Quarte - Quinte Anno scolastico 01-01 I Docenti della Disciplina Salerno, settembre 01 Anno scolastico
DettagliInformatica 3. LEZIONE 21: Ricerca su liste e tecniche di hashing. Modulo 1: Algoritmi sequenziali e basati su liste Modulo 2: Hashing
Informatica 3 LEZIONE 21: Ricerca su liste e tecniche di hashing Modulo 1: Algoritmi sequenziali e basati su liste Modulo 2: Hashing Informatica 3 Lezione 21 - Modulo 1 Algoritmi sequenziali e basati su
DettagliCorso Sistemi Informativi Aziendali, Tecnologie dell Informazione applicate ai processi aziendali. Sistemi informativi aziendali
Corso Sistemi Informativi Aziendali,. Sistemi informativi aziendali di Simone Cavalli (simone.cavalli@unibg.it) Bergamo, Febbraio - Marzo 2009 Produzione (cenni) Pagina 2 Produzione La produzione, in termini
DettagliSistemi di Servizio e Simulazione
Sistemi di Servizio e Simulazione Soluzioni degli esercizi di esame proposti negli appelli dell a.a.2004-05 Sono stati distribuiti sul sito web i testi di tre appelli di esame dell anno accademico 2004-05:
DettagliIstruzioni (1): L elaborato verrà letto, compilato e fatto girare per verificare la correttezza della sintassi e delle operazioni svolte
Istruzioni (1): L elaborato può essere svolto in gruppi di massimo 4 persone (si raccomanda caldamente l aggregazione) NON dovete annunciarmi preventivamente che elaborato volete fare: sceglietene uno
DettagliEsercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue
Esercizi del Corso di Statistica Parte I - Variabili Aleatorie Continue 1. Costruire la variabile uniforme U sull intervallo [a, b], con a IR e b IR. 2. Sia X una variabile aleatoria tale che: 0 x < 1
DettagliUn po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
DettagliDatabase. Si ringrazia Marco Bertini per le slides
Database Si ringrazia Marco Bertini per le slides Obiettivo Concetti base dati e informazioni cos è un database terminologia Modelli organizzativi flat file database relazionali Principi e linee guida
DettagliECDL AM5 Access Advanced
SANDRO GALLEA ECDL AM5 Access Advanced Guida alla prova d esame per la patente europea di informatica Indice Premessa...pag. 9 AM5.1 Progettazione delle tabelle AM5.1.1 Campi, colonne...» 11 AM5.1.1.1
DettagliRISK MANAGEMENT: MAPPATURA E VALUTAZIONE DEI RISCHI AZIENDALI. UN COSTO O UN OPPORTUNITA?
Crenca & Associati CORPORATE CONSULTING SERVICES RISK MANAGEMENT: MAPPATURA E VALUTAZIONE DEI RISCHI AZIENDALI. UN COSTO O UN OPPORTUNITA? Ufficio Studi Milano, 3 aprile 2008 Introduzione al Risk Management
DettagliCOLLI. Gestione dei Colli di Spedizione. Release 5.20 Manuale Operativo
Release 5.20 Manuale Operativo COLLI Gestione dei Colli di Spedizione La funzione Gestione Colli consente di generare i colli di spedizione in cui imballare gli articoli presenti negli Ordini Clienti;
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliRegione Toscana. ARPA Fonte Dati. Manuale Amministratore. L. Folchi (TAI) Redatto da
ARPA Fonte Dati Regione Toscana Redatto da L. Folchi (TAI) Rivisto da Approvato da Versione 1.0 Data emissione 06/08/13 Stato DRAFT 1 Versione Data Descrizione 1,0 06/08/13 Versione Iniziale 2 Sommario
DettagliSistemi Operativi SCHEDULING DELLA CPU
Sistemi Operativi SCHEDULING DELLA CPU Scheduling della CPU Concetti di Base Criteri di Scheduling Algoritmi di Scheduling FCFS, SJF, Round-Robin, A code multiple Scheduling in Multi-Processori Scheduling
DettagliRicerca di outlier. Ricerca di Anomalie/Outlier
Ricerca di outlier Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Ricerca di Anomalie/Outlier Cosa sono gli outlier? L insieme di dati che sono considerevolmente differenti dalla
DettagliINFORMATICA 1 L. Mezzalira
INFORMATICA 1 L. Mezzalira Possibili domande 1 --- Caratteristiche delle macchine tipiche dell informatica Componenti hardware del modello funzionale di sistema informatico Componenti software del modello
Dettagli3. Confronto tra medie di due campioni indipendenti o appaiati
BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO
DettagliPrimi esercizi per gli studenti del corso di Statistica ed Elementi di Probabilita
Primi esercizi per gli studenti del corso di Statistica ed Elementi di Probabilita NOTA 1 Gli esercizi sono presi da compiti degli scorsi appelli, oppure da testi o dispense di colleghi. A questi ultimi
DettagliUn gioco con tre dadi
Un gioco con tre dadi Livello scolare: biennio Abilità interessate Costruire lo spazio degli eventi in casi semplici e determinarne la cardinalità. Valutare la probabilità in diversi contesti problematici.
DettagliProgettazione di Basi di Dati
Progettazione di Basi di Dati Prof. Nicoletta D Alpaos & Prof. Andrea Borghesan Entità-Relazione Progettazione Logica 2 E il modo attraverso il quale i dati sono rappresentati : fa riferimento al modello
DettagliScheduling della CPU
Scheduling della CPU Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux 6.1 Sistemi multiprocessori simmetrici Fin qui si sono trattati i problemi di scheduling
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1 Dott.ssa Antonella Costanzo a.costanzo@unicas.it A.Studio dell interdipendenza tra variabili: riepilogo Concetto relativo allo studio delle relazioni tra
DettagliL Analisi della Varianza ANOVA (ANalysis Of VAriance)
L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 CONCETTI GENERALI Finora abbiamo descritto test di ipotesi finalizzati alla verifica di ipotesi sulla differenza tra parametri di due popolazioni
DettagliTesti di Esercizi e Quesiti 1
Architettura degli Elaboratori, 2009-2010 Testi di Esercizi e Quesiti 1 1. Una rete logica ha quattro variabili booleane di ingresso a 0, a 1, b 0, b 1 e due variabili booleane di uscita z 0, z 1. La specifica
DettagliLABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE
LABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE DESCRIZIONE DEI DATI DA ESAMINARE Sono stati raccolti i dati sul peso del polmone di topi normali e affetti da una patologia simile
DettagliPag. 1. Introduzione allo scheduling. Concetti fondamentali. Scheduling della CPU. Concetti fondamentali. Concetti fondamentali. Algoritmi.
Concetti fondamentali Scheduling della CU Introduzione allo scheduling Uno degli obbiettivi della multiprogrammazione è quello di massimizzare l utilizzo delle risorse e in particolare della CU er raggiungere
DettagliPROGETTO INDAGINE DI OPINIONE SUL PROCESSO DI FUSIONE DEI COMUNI NEL PRIMIERO
PROGETTO INDAGINE DI OPINIONE SUL PROCESSO DI FUSIONE DEI COMUNI NEL PRIMIERO L indagine si è svolta nel periodo dal 26 agosto al 16 settembre 2014 con l obiettivo di conoscere l opinione dei residenti
Dettagli1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.
Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi
DettagliIstituzioni di Statistica e Statistica Economica
Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 4 A. Si supponga che la durata in giorni delle lampadine prodotte
DettagliUn sistema operativo è un insieme di programmi che consentono ad un utente di
INTRODUZIONE AI SISTEMI OPERATIVI 1 Alcune definizioni 1 Sistema dedicato: 1 Sistema batch o a lotti: 2 Sistemi time sharing: 2 Sistema multiprogrammato: 3 Processo e programma 3 Risorse: 3 Spazio degli
DettagliCORSO ACCESS PARTE II. Esistono diversi tipi di aiuto forniti con Access, generalmente accessibili tramite la barra dei menu (?)
Ambiente Access La Guida di Access Esistono diversi tipi di aiuto forniti con Access, generalmente accessibili tramite la barra dei menu (?) Guida in linea Guida rapida Assistente di Office indicazioni
DettagliProbabilità II Variabili casuali discrete
Probabilità II Variabili casuali discrete Definizioni principali. Valore atteso e Varianza. Teorema di Bienaymé - Čebičev. V.C. Notevoli: Bernoulli e Binomiale. Concetto di variabile casuale Cos'è una
DettagliTest d ipotesi. Statistica e biometria. D. Bertacchi. Test d ipotesi
In molte situazioni una raccolta di dati (=esiti di esperimenti aleatori) viene fatta per prendere delle decisioni sulla base di quei dati. Ad esempio sperimentazioni su un nuovo farmaco per decidere se
Dettagli