TECNICHE DI CALIBRAZIONE DEI MODELLI
|
|
- Eugenio Bellini
- 7 anni fa
- Visualizzazioni
Transcript
1 TECICHE DI CALIBRAZIOE DEI MODELLI Calibrare un modello significa semplicemente sistemare un modello matematico o altro in maniera tale da ottenere un risultato simile a quello da noi desiderato. Qualsiasi sia la cosa che vogliamo calibrare la relazione fondamentale, secondo Rouphail e Sacks (2003), risulta sempre: P{ realtà simulato d} > α Dove d è la soglia di differenza tollerabile indicante quanto il modello è vicino alla realtà, ed α è il livello di importanza che indica la certezza del risultato. Tra le misure più utilizzate, se x i e y i sono rispettivamente i valori i esimi misurati e osservati, si può evidenziare quanto segue: La radice dell'errore quadratico medio, che quantifica l'errore complessivo: RMSE = 1 (x i y i ) 2 La radice dell errore quadratico medio normalizzato, che fornisce informazioni sulla grandezza degli errori relativi alle misurazioni medie: RMSE = 1 (x i y 2 i ) y i Due altre misure utilizzate per il grado di accostamento (Toledo e Koutsopoulos, 2004) sono: L errore medio: ME = 1 (x i y i ) E l errore medio normalizzato: ME = 1 (x i y i ) y i onostante il riconoscimento del significato delle misurazioni singole, molti analisti considerano più utile utilizzare misure d insieme che forniscono una visione complessiva come la statistica GEH di Geoffrey E. Haver (Highways Agency, 1996), che calcola l indice per ognuna stazione di conteggio come: GEH i = 2(x i y i ) 2 x i + y i Alla fine i passi per effettuare un processo di calibrazione si riducono ai seguenti: Valutazione dell influenza dei singoli parametri, del modello da calibrare, sul risultato Scelta delle variabili da calibrare Scelta della metodologia da utilizzare Metodi semplici Algoritmi genetici Metodi statistici Scelta di una funzione di Fitness Simulazioni iterative che riproducono lo scenario oggetto di studio
2 Valutazione del modello in funzione dei risultati ottenuti CALIBRAZIOE CO METODI SEMPLICI PER LA RICERCA DEL MIIMO ERRORE Il metodo più semplice per calibrare un qualsiasi modello è sicuramente quello di far variare le sue variabili per tutti i valori possibili di specifici intervalli prefissati. Ciò risulta estremamente semplice per i modelli che utilizzano un solo parametro di calibrazione e restituisce un idea completa dell influenza della variabile sul modello. L algoritmo si compone dei seguenti passi iterativi: A ogni iterazione viene incrementato un contatore del numero dell iterazione Si controlla se il numero di iterazioni ha raggiunto il numero massimo imposto o se il numero dei successi ha superato il numero massimo imposto. Se si è in questo caso: a. Se il coefficiente temporale è minore di quello minimo imposto o se il numero degli insuccessi ha superato il numero massimo imposto, si interrompe la procedura di calibrazione, perché questa non convergerà. b. Altrimenti si riduce il coefficiente temporale del 20% è si azzera il contatore del numero di iterazioni. Viene scelto casualmente il parametro da incrementare o decrementare fra quelli da calibrare. Si incrementa o decrementa il parametro scelto di un valore casuale distribuito secondo una distribuzione normale con media 0 e deviazione 1. V i = V ultimo accettato + δ casuale (μ = 0; σ = 1) Viene impostato il set di parametri appena aggiornato per la simulazione sulla base dai dati di traffico noti per la calibrazione Viene effettuata la simulazione Si calcolano gli errori rispetto ai valori osservati in campo ε sim = (V reale V simulato ) 2 2 V reale Viene impostato il set di parametri appena aggiornato per la simulazione sulla base dai dati di traffico noti per la validazione Viene effettuata la simulazione Si calcolano gli errori rispetto ai valori osservati in campo con la stessa formulazione utilizzata per i dati ottenuti dalla calibrazione Se la differenza fra l ultimo errore ritenuto valido Ɛ uv e l errore attuale Ɛ sim dovesse essere inferiore a - 1e+10 si interrompe la procedura di calibrazione, perché questa non convergerà. Se l errore attuale Ɛ sim dovesse essere inferiore a quello minimo richiesto, si interrompe la procedura di calibrazione, perché si è raggiunto lo scopo prefissato. Si valuta poi se accettare o meno il set di parametri appena ricavato tramite un semplice controllo sugli errori: c. Se la differenza fra l ultimo errore ritenuto valido Ɛ uv e l errore attuale Ɛ sim è superiore a 1e-6, il set di parametri attuali viene ritenuto accettabile, incrementato in numero di successi e aggiornato il set di parametri per il confronto degli errori. d. Altrimenti si procede probabilisticamente: i. Viene calcolata la probabilità minima di accettare il set di parametri attuali P min = e ε uv ε sim k T Dove k = 1 e T è il coefficiente temporale ii. Si genera una probabilità casuale iii. Se questa probabilità casuale è minore di quella minima P rnd < P min allora, il set di parametri attuali viene ritenuto accettabile, incrementato in numero di successi e aggiornato il set di parametri per il confronto degli errori. iv. Altrimenti il set di parametri attuale viene rifiutato e si incrementa il contatore degli insuccessi. Si ricomincia dal punto 1 finché l algoritmo non converge su una soluzione che minimizza l errore in maniera costante.
3 Tale algoritmo serve a risolvere un problema di ottimizzazione per la ricerca del minimo globale di una funzione, evitando di ricadere in vari possibili minimi locali. Risulta evidente però che se ache l algoritmo è ben strutturato e affermato, richiede ingenti risorse in termini di tempo per giungere alla soluzione, in quanto tende ad aumentare piano piano tutte le variabili del modello. CALIBRAZIOE CO GLI ALGORITMI GEETICI La teoria dell evoluzione di Darwin spiega come gli individui possano sopravvivere e svilupparsi adattandosi progressivamente all ambiente che li circonda. Gli Algoritmi Genetici (AG), partendo da questa teoria, simulano, attraverso processi computazionali, la selezione naturale considerando, anziché esseri viventi, sistemi software. Le operazioni eseguite sui cromosomi usate per creare nuove generazioni sono (Lacagnina): Crossover: il materiale genetico dei due genitori viene in parte scambiato per produrre stringhe figlie. Dopo la selezione dei genitori viene scelto un punto di taglio detto punto di crossover: le porzioni di genotipo alla destra del punto di crossover sono scambiate generando due discendenti. Single Point Crossover. L algoritmo genetico tradizionale, come è stato già descritto prima, usa il single point crossover in cui i due cromosomi che si accoppiano sono entrambi tagliati in punti corrispondenti e la sezione dopo i tagli è cambiata. Comunque, sono stati inventati molti diversi algoritmi di crossover, che spesso coinvolgono più di un punto di taglio. DeJong ha studiato l efficienza del crossover multipoint ed è arrivato alla conclusione che il two-point crossover genera un miglioramento; invece aggiungere più punti crossover riduce le prestazioni dell algoritmo. Il problema, con l aggiunta di più punti crossover è che i building blocks sono più facili da spezzare. Comunque, un vantaggio di avere molti punti crossover è che nello spazio del problema si può fare una ricerca più accurata. Figura Single Point Crossover Mutazione: riguarda un singolo bit il cui valore viene cambiato con una probabilità prefissata. La mutazione è tradizionalmente vista come un operatore secondario, responsabile di una reintroduzione inaspettata di valori di geni perduti, ad esempio alleli recessivi, che prevengono la deriva genetica e forniscono un piccolo elemento di ricerca casuale nella vicinanza della popolazione dove essa è largamente convergente. Figura Mutazione Inversione: inverte l ordine dei bit compresi tra uno o due punti d inversione della stringa. Questa tecnica lavora invertendo l ordine dei geni tra due posizioni scelte casualmente all interno del cromosoma. Quando vengono utilizzate queste tecniche, i geni devono trasportare con loro alcuni tipi di etichette in modo che possano essere identificati correttamente, non curandosi quindi delle altre posizioni all interno del cromosoma. Tutto ciò può essere esportato al caso delle calibrazioni di modelli di car following dove i cromosomi rappresentano le variabili del modello da calibrare e la popolazione tanti set di parametri. L algoritmo può quindi essere modificato come segue:
4 a. Definizione del numero di variabili da calibrare del modello e quindi dei cromosomi del singolo modello. b. Inizializzazione casuale di una popolazione di M variabili tramite la generazione di M set di variabili del modello. c. Avvio di una simulazione per ogni set di variabili della popolazione d. Valutazione della funzione di fitness per ogni set di variabili della popolazione. e. Selezione di una coppia di set di variabili che avranno funzione di genitori. f. Incrocio della coppia in un punto scelto a caso per generare due nuovi set di variabili, e se il crossover non avviene i due figli sono la copia identica dei genitori. g. Eventuale mutazione di una variabile nei set di variabili figli appena creati. h. Ripetizione dei passi e, f e g fino a creare M set di variabili discendenti. i. La nuova popolazione sostituisce la vecchia in egual numero. j. Ripetizione dei passi a partire dal punto c L algoritmo naturalmente tende a fermarsi quando i valori delle variabili di tutti i set di parametri sono simili tra loro, in quanto rappresentano la soluzione geneticamente migliore. E evidente però che essendo ogni simulazione differente dall altra, anche se i dati in input sono uguali, non si potrà mai giungere a dei valori univoci, ma bisognerà considerare uno scarto e un errore minimo per fermare l algoritmo CALIBRAZIOE CO IL METODO STATISTICO SPSA Un metodo che ha già riscontrato successo tra i modelli di simulazione è l algoritmo Simultaneous perturbation stochastic approximation (SPSA) sviluppato da Spall (1998, 2003). L algoritmo base SPSA può descriversi nella seguente forma (Spall, 2003): a. Impostare i l vettore iniziale dei parametri da calibrare P i θ 0 = [P 1, P 2,, P n ] b. Generazione il vettore della distribuzione di Bernoulli i dove ogni valore può essere o -1 o 1, e viene calcolato con: i = 2 Round[Casuale(0,1)] 1 c. Conoscendo il contatore delle iterazioni k (che parte da 1), si calcola il coefficiente c k con: c k = c k γ di solito si usa c k = 0,19 k 0,101 d. Si creano due vettori distinti dei parametri di calibrazione perturbati θ k + = [P 1 +, P 2 +,, P n + ] θ k = [P 1, P 2,, P n ] dove P i ± = θ i 1 ± c k i e. Si effettuano due simulazioni con i due diversi set di parametri presenti dei due vettori ϑ ottenendo come risultato due funzioni di fitness che possono essere scritte nella seguente forma in funzione dell errore RMSE: Gof ± = m 1 RMSE(V 1,reale, V 1,sim ) + + m n RMSE(V n,reale, V n,sim ) dove i coefficienti m sono dei pesi la cui somma fa 1 e V i valori di confronto f. Ottenute le due funzioni di fitness si può calcolare il vettore dell approssimazione del gradiente come: 1 g k (θ k ) = Gof+ Gof 2 c k g. Calcolo della direzione di spostamento nel dominio 1 1 [ n ] a k = a (k + A) α di solito si usa a 0,15 k = (k + 75) 0,602
5 Figura Spostamento nel dominio h. Dal gradiente è possibile calcolare i nuovi valori base dei parametri da calibrare con : θ k+1 = θ k a k g k (θ k ) i. Si ritorna al punto b finchè ad esempio lo scarto tra le due funzioni di fitness o tra i parametri all istante k+1 e quelli all istante k, o altro, è sotto un errore minimo accettabile.
Introduzione. Algoritmi Genetici. Evoluzione naturale. Modello per un GA. Evoluzione attraverso riproduzione. Algoritmi Genetici. Popolazione iniziale
Introduzione Fulvio Corno, Maurizio Rebaudengo Dip. Automatica e Informatica Politecnico di Torino Gli (GA) sono algoritmi di ricerca e ottimizzazione basati sui Charles Darwin meccanismi dell evoluzione
DettagliTecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
DettagliIdentificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete Neuronale
Identificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete Neuronale Il presente lavoro, facente segiuto a quanto scritto precedentemente ha il fine di descrivere il codice di calcolo
DettagliErrori di misura Teoria
Errori di misura Teoria a misura operazione di misura di una grandezza fisica, anche se eseguita con uno strumento precisissimo e con tecniche e procedimenti accurati, è sempre affetta da errori. Gli errori
DettagliIngegneria della Conoscenza e Sistemi Esperti Lezione 9: Evolutionary Computation
Ingegneria della Conoscenza e Sistemi Esperti Lezione 9: Evolutionary Computation Dipartimento di Elettronica e Informazione Politecnico di Milano Evolutionary Computation Raggruppa modelli di calcolo
DettagliIl processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
DettagliTest per l omogeneità delle varianze
Test per l omogeneità delle varianze Le carte di controllo hanno lo scopo di verificare se i campioni estratti provengono da un processo produttivo caratterizzato da un unico valore dello s.q.m. σ. Una
DettagliCapitolo2. Algoritmo Genetico.
Capitolo2. Algoritmo Genetico. 2.1 Caratteristiche generali. Gli Algoritmi Genetici (GA-Genetic Algorithm) sono metodi stocastici volti alla risoluzione di problemi che si concentrano sulla ricerca di
DettagliBreve ripasso di statistica
Breve ripasso di statistica D.C. Harris, Elementi di chimica analitica, Zanichelli, 1999 Capitolo 4 1 Il protocollo analitico Campionamento: 1. estrazione del campione dal lotto 2. conservazione e trasporto
DettagliΣ (x i - x) 2 = Σ x i 2 - (Σ x i ) 2 / n Σ (y i - y) 2 = Σ y i 2 - (Σ y i ) 2 / n. 13. Regressione lineare parametrica
13. Regressione lineare parametrica Esistono numerose occasioni nelle quali quello che interessa è ricostruire la relazione di funzione che lega due variabili, la variabile y (variabile dipendente, in
DettagliNote sulla probabilità
Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15
DettagliModellazione di sistemi ingegneristici (parte 2 di 2)
Corso di Teoria dei Sistemi Modellazione di sistemi ingegneristici (parte 2 di 2) Prof. Ing. Daniele Testi DESTeC, Dipartimento di Ingegneria dell Energia, dei Sistemi, del Territorio e delle Costruzioni
DettagliOsservazioni e Misura. Teoria degli errori
Osservazioni e Misura ella misura di una grandezza fisica gli errori sono inevitabili. Una misura non ha significato se non viene stimato l errore. Teoria degli errori La teoria degli errori cerca di trovare
DettagliGenerazione di distribuzione di probabilità arbitrarie
Generazione di distribuzione di Abbiamo visto come generare eventi con distribuzione di uniforme, ed abbiamo anche visto in quale contesto tali eventi sono utili. Tuttavia la maggior parte dei problemi
DettagliCALCOLO DELL ERRORE E VALUTAZIONE DI UN METODO ANALITICO
CALCOLO DELL ERRORE E VALUTAZIONE DI UN METODO ANALITICO In chimica analitica un settore importante riguarda il calcolo dell errore e la valutazione della significatività di una misura. Generalmente nell
DettagliTOPOGRAFIA 2013/2014. Prof. Francesco-Gaspare Caputo
TOPOGRAFIA 2013/2014 L operazione di misura di una grandezza produce un numero reale che esprime il rapporto della grandezza stessa rispetto a un altra, a essa omogenea, assunta come unità di misura. L
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliGenetica dei caratteri quantitativi
PAS Percorsi Abilitanti Speciali Classe di abilitazione A057 Scienza degli alimenti Tracciabilità genetica degli alimenti Genetica dei caratteri quantitativi 1 Concetti di base in genetica L informazione
DettagliPOPOLAZIONE E CAMPIONI
p. 1/2 POPOLAZIONE E CAMPIONI POPOLAZIONE insieme di tutti quegli elementi che hanno almeno una caratteristica comune (persone, oggetti,misure, osservazioni). Consideriamo il caso di caratteristiche associate
DettagliPAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore
PAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore medio, Errore quadratico medio (eqm), Deviazione standard,
DettagliINFORMAZIONI. p. 1/23
p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 11/02 14:30 Laboratorio (via Loredan) Martedi 16/02 14:30 P50 Lunedi 22/02 09:30 P50 Martedi 23/02 14:30 P50 Giovedi 25/02 14:30 Aula informatica
DettagliStatistica Descrittiva Soluzioni 6. Indici di variabilità, asimmetria e curtosi
ISTITUZIONI DI STATISTICA A A 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure relative a una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliEquazioni e sistemi non lineari
Equazioni e sistemi non lineari Lucia Gastaldi DICATAM - Sezione di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Ricerca degli zeri di una funzione Problema e definizioni Metodo di Newton-Raphson
DettagliCenni di statistica statistica
Cenni di statistica La statistica è una disciplina che ha come fine lo studio quantitativo e qualitativo di un particolare fenomeno in condizioni di incertezza o non determinismo, ovvero di non completa
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
DettagliBLAND-ALTMAN PLOT. + X 2i 2 la differenza ( d ) tra le due misure per ognuno degli n campioni; d i. X i. = X 1i. X 2i
BLAND-ALTMAN PLOT Il metodo di J. M. Bland e D. G. Altman è finalizzato alla verifica se due tecniche di misura sono comparabili. Resta da comprendere cosa si intenda con il termine metodi comparabili
DettagliTest delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliLezione VII: Z-test. Statistica inferenziale per variabili quantitative. Statistica inferenziale per variabili quantitative. Prof.
Lezione VII: Z-test Cattedra di Biostatistica Dipartimento di Scienze Biomediche, Università degli Studi G. d Annunzio di Chieti Pescara Prof. Enzo Ballone Statistica inferenziale per variabili quantitative
DettagliEquazioni e sistemi non lineari
Equazioni e sistemi non lineari Lucia Gastaldi DICATAM - Sezione di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Ricerca degli zeri di una funzione Problema e definizioni Metodo di Newton-Raphson
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
DettagliEsercitazione 5 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione del corso di Statistica Prof. Domenico Vistocco Alfonso Iodice D Enza May 30, 007 1 Esercizio Si consideri una popolazione caratterizzata dai numeri, 3, 6, 8, 11. Si considerino tutti i possibili
DettagliLaboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
Dettagli05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
DettagliProblema tipico delle applicazioni idrologiche: qual'è la portata con tempo di ritorno T?
Problema tipico delle applicazioni idrologiche: qual'è la portata con tempo di ritorno T? Il problema dell'inferenza: dato un campione, individuare la distribuzione di probabilità da cui ha avuto origine.
DettagliSistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese
Sistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese Università degli Studi di Milano Laboratory of Applied Intelligent Systems (AIS-Lab) Dipartimento di Informatica borghese@di.unimi.it
DettagliUlteriori Conoscenze di Informatica e Statistica. Popolazione. Campione. I risultati di un esperimento sono variabili aleatorie.
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it I risultati di un esperimento
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
DettagliTeoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
Dettagli5. Analisi dei dati di input
Anno accademico 2007/08 Analisi e scelta dei dati di input Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
DettagliSimulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
DettagliLezione 16. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 16. A. Iodice. Ipotesi statistiche
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 23 Outline 1 2 3 4 5 6 () Statistica 2 / 23 La verifica delle ipotesi Definizione Un ipotesi statistica
Dettaglif è una combinazione convessa f con w 1
SIMULAZIONE Che cosa serve: - un sistema dinamico completamente definito - un orizzonte di simulazione (intervallo di tempo per il quale sono noti gli ingressi) - funzioni di ingresso definite per tutto
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Approssimazione normale della Poisson (TLC) In un determinato tratto di strada il numero di incidenti
Dettaglitabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
DettagliCapitolo 3: Ottimizzazione non vincolata parte II. E. Amaldi DEI, Politecnico di Milano
Capitolo 3: Ottimizzazione non vincolata parte II E. Amaldi DEI, Politecnico di Milano 3.3 Metodi basati su direzioni di ricerca Problema di ottimizzazione non vincolata: min x R n f(x) con f : R n R di
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliContenuto del capitolo
Capitolo 8 Stima 1 Contenuto del capitolo Proprietà degli stimatori Correttezza: E(Stimatore) = parametro da stimare Efficienza Consistenza Intervalli di confidenza Per la media - per una proporzione Come
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliSimulazione. Introduzione
Introduzione Simulare significa fare degli esperimenti che riproducono una situazione reale, la quale magari sarebbe troppo costosa o impossibile da riprodurre in modo controllato. Esempi: simulatori di
Dettagli3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI
3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI ESISTENZA DI UN PUNTO DI OTTIMO VINCOLATO Il problema di ottimizzazione vincolata introdotto nel paragrafo precedente può essere formulato nel modo seguente:
DettagliMetodo dell albero ramificato
Metodo dell albero ramificato Capitolo 2 e 3 Il metodo dell albero ramificato Un alternativa al quadrato di Punnett ed i concetti di probabilita detti, è unire in un albero i risultati possibili e le eventuali
DettagliISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE
ESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114 7 Maggio 2013 Esercizio
DettagliLABORATORIO DI FISICA I
UNIVERSITA DEGLI STUDI DI PALERMO CORSO DI LAUREA IN SCIENZE FISICHE A.A. 2018/2019 13 Dicembre 2018 LABORATORIO DI FISICA I RELAZIONE TERZA ESPERIENZA DI LABORATORIO GRUPPO 1 Nigrelli Giulia Valenti Giuseppe
DettagliProgrammare con MATLAB c Parte 5 Cicli: for e while
Programmare con MATLAB c Parte 5 Cicli: for e while Lucia Gastaldi DICATAM - Sezione di Matematica, http://lucia-gastaldi.unibs.it Indice 1 La notazione due punti 2 Ciclo: for 3 Ciclo con controllo: while
DettagliLa media e la mediana sono indicatori di centralità, che indicano un centro dei dati.
La media e la mediana sono indicatori di centralità, che indicano un centro dei dati. Un indicatore che sintetizza in un unico numero tutti i dati, nascondendo quindi la molteplicità dei dati. Per esempio,
DettagliStatistica Sociale e Criminale (12 CFU) A.A. 2015/2016
Statistica Sociale e Criminale (1 CFU) A.A. 015/016 CdL Sociologia e Criminologia Simone Di Zio Dove siamo MODULO 3. L Inferenza statistica 3.1 Probabilità e variabili casuali 3. Le tecniche di campionamento
DettagliIl flusso algoritmico di esecuzione
Il flusso algoritmico di esecuzione La conoscenza della sintassi di un linguaggio di programmazione è ovviamente solo il primo passo verso la risoluzione di problemi. Quando si intende eseguire un elaborazione,
DettagliSAGA: sequence alignment by genetic algorithm. ALESSANDRO PIETRELLI Soft Computing
SAGA: sequence alignment by genetic algorithm ALESSANDRO PIETRELLI Soft Computing Bologna, 25 Maggio 2007 Multi Allineamento di Sequenze (MSAs) Cosa sono? A cosa servono? Come vengono calcolati Multi Allineamento
DettagliDISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34
DISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34 Distribuzione Binomiale 2 / 34 La più importante distribuzione di probabilità per variabili casuali discrete è la distribuzione binomiale. Questa distribuzione
DettagliElementi di Psicometria (con laboratorio software 1)
Elementi di Psicometria (con laboratorio software 1) 05-La verifica delle ipotesi con le medie dei campioni (v. 1.0, 15 aprile 2019) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 25 febbraio 2016 (9.00/13.00)
DettagliPer alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi.
Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si propongono di identificare
DettagliTutorato di Chimica Analitica 2016/2017
Tutorato di Chimica Analitica 2016/2017 Friendly reminder La notazione scientifica Modo per indicare un risultato con numerose cifre decimali come prodotto di una potenza di 10 esempio Cifre significative
DettagliStatistica a.a Autovalutazione 1
Statistica a.a. 016-17 Autovalutazione 1 CORSO: Diritto per le Imprese e le Istituzioni ATTENZIONE: alle domande aperte è stato dato un possibile esempio di risposta, altre parole possono essere usate
DettagliEffettuazione di un TEST D IPOTESI. = stima del parametro di interesse calcolata sui dati campionari
Effettuazione di un TEST D IPOTESI 1. Formulazione H 0 e H 1 2. Scelta del test statistico 3. Calcolo del test statistico ˆ 0 test ES[ˆ] dove ˆ = stima del parametro di interesse calcolata sui dati campionari
DettagliLegge di Hardy-Weinberg
Legge di Hardy-Weinberg Popolazione in equilibrio Popolazione infinitamente grande No mutazioni No migrazione (geni non sono introdotti o persi) No selezione Incroci casuali Unione fra genotipi è casuale
DettagliRichiami di inferenza statistica. Strumenti quantitativi per la gestione. Emanuele Taufer
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Inferenza statistica: insieme di tecniche che si utilizzano per ottenere informazioni su una
DettagliRichiami di inferenza statistica Strumenti quantitativi per la gestione
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Parametri e statistiche Esempi Tecniche di inferenza Stima Precisione delle stime Intervalli
DettagliStatistica Elementare
Statistica Elementare 1. Frequenza assoluta Per popolazione si intende l insieme degli elementi che sono oggetto di una indagine statistica, ovvero l insieme delle unità, dette unità statistiche o individui
DettagliProf. Anna Paola Ercolani (Università di Roma) Lez Indicatori di dispersione
Consentono di descrivere la variabilità all interno della distribuzione di requenza tramite un unico valore che ne sintetizza le caratteristiche CAMPO DI VARIAZIONE DIFFERENZA INTERQUARTILE SCOSTAMENTO
DettagliTEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE
TEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE Errore di misura è la differenza fra l indicazione fornita dallo strumento e la dimensione vera della grandezza. Supponendo che la grandezza vera
DettagliUniversità di Pavia Econometria. Richiami di Statistica. Eduardo Rossi
Università di Pavia Econometria Richiami di Statistica Eduardo Rossi Università di Pavia Campione casuale Siano (Y 1, Y 2,..., Y N ) variabili casuali tali che le y i siano realizzazioni mutuamente indipendenti
Dettaglidel Linguaggio C Istruzioni di iterazione
Istruzioni i Iterative ti del Linguaggio C Istruzioni di iterazione Le istruzioni di iterazione forniscono strutture di controllo che esprimono la necessità di ripetere una certa istruzione durante il
Dettaglid dx n 0. I polinomi di Legendre possono essere definiti (e, quindi, calcolati) in modo ricorsivo, come segue. Siano
Prova d esame di Laboratorio di Calcolo I per il corso di laurea in Matematica 4 Febbraio 010 Tema d esame: studio di alcune proprietà dei polinomi di Legendre. Descrizione del metodo di calcolo I polinomi
DettagliESERCIZIO 1 Si considerino n v.c. Xi (i = 1,, n) tra loro indipendenti e somiglianti con media 10 e varianza 4. Si determini:
ESERCIZIO 1 Si considerino n v.c. Xi (i = 1,, n) tra loro indipendenti e somiglianti con media 10 e varianza 4. Si determini: VALORE ATTESO Variabile casuale SOMMA delle n variabili Variabile casuale MEDIA
DettagliCalcolo evolutivo Elementi di teoria
Intelligenza Artificiale II Calcolo evolutivo Elementi di teoria Marco Piastra Calcolo evolutivo - 1 Varianti del calcolo evolutivo Rappresentazione degli individui Vettori di bit, di interi, di numeri
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliAppunti di statistica ed analisi dei dati
Appunti di statistica ed analisi dei dati Indice generale Appunti di statistica ed analisi dei dati...1 Analisi dei dati...1 Calcolo della miglior stima di una serie di misure...3 Come si calcola μ...3
DettagliPattern recognition. III Parte. Intelligenza Artificiale - Pattern Recognition 3
Pattern recognition III Parte 1 QUANTIZZAZIONE VETTORIALE Si può pensare come un algoritmo derivato da K-MEANS e da ISODATA. 1.All inizio tutti i vettori sono attribuiti ad un unico cluster. Si calcola
DettagliProblema. Equazioni non lineari. Metodo grafico. Teorema. Cercare la soluzione di
Problema Cercare la soluzione di Equazioni non lineari dove Se è soluzione dell equazione, cioè allora si dice RADICE o ZERO della funzione Metodo grafico Graficamente si tratta di individuare l intersezione
DettagliCOMUNE DI CONSIGLIO DI RUMO
COMUNE DI CONSIGLIO DI RUMO Provincia di Como Aggiornamento della componente geologica, idrogeologica e sismica di supporto al Piano di Governo del Territorio - L.R. 1/05 e successive modifiche. ANALISI
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE Verifica e validazione dei modelli Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Passi del processo Simulativo Formulare
DettagliMetodi di Ricerca Lineare
Metodi di Ricerca Lineare Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com Metodi di Ottimizzazione
DettagliCAPITOLO 5. Stima della frequenza dei segnali dovuta al 40 K
CAPITOLO 5 Stima della frequenza dei segnali dovuta al 40 K 5.1 Simulazione dei segnali registrabili con i fotomoltiplicatori. Nei capitoli precedenti, dopo aver illustrato brevemente la motivazione per
DettagliOgni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza.
Ogni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza. Misure ripetute forniscono dati numerici distribuiti attorno ad un valore centrale indicabile con un indice (indice
DettagliLegge di Hardy-Weinberg
Legge di Hardy-Weinberg Popolazione in equilibrio Popolazione infinitamente grande No mutazioni No migrazione (geni non sono introdotti o persi) No selezione Incroci casuali Unione fra genotipi è casuale
Dettagli