Metodi gerarchici divisivi. Potenziali problemi. Metodi gerarchici divisivi/2. Metodi gerarchici divisivi/3

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Metodi gerarchici divisivi. Potenziali problemi. Metodi gerarchici divisivi/2. Metodi gerarchici divisivi/3"

Transcript

1 Metodi gerarchici divisivi La costruzioe gerarchica può ache essere scissoria (o divisiva): si parte da u solo cluster che iclude tutte le etità e si arriva ad ua suddivisioe i clusters di ampiezza uo. Si procede dalla L q alla L q+ per bipartizioe di uo dei cluster già i L q. Metodi gerarchici divisivi/ Nelle teciche scissorie, il primo passaggio da L ={U,U,..., U }] ad L formato da L =[{U i, U i, U ii }, {U j, U j, U jj }] cosiste i ua bipartizioe del data set i due sottoisiemi. Le possibilità di scelta soo Se = si esamiao suddivisioi. Questo approccio ha il vataggio di partire dal puto i cui essu dato è disperso perché il data set è acora itegro. Ioltre, o è ecessario procedere fio all ultima suddivisioe (u cluster di due etità scomposto i due clusters di ua sola etità ciascuo) dato che la qualità del risultato al livello L q può essere cotrollata rispetto a quella attesa. Se è grade, il umero di bipartizioi è elevato al puto che o sempre è possibile applicare teciche scissorie. La complessità computazioale è il maggiore ostacolo alla loro diffusioe. Metodi gerarchici divisivi/ Si realizza ua sequeza di bipartizioi (split) a partire dall itero data set per poi fermarsi dopo u certo umero di suddivisioi Ad ogi stadio uo dei gruppi già esisteti, diciamo C è suddiviso i due uovi gruppi o vuoti C e C. Le scelte da fare soo quidi due: quale cluster scomporre e i base a quale criterio effettuare lo split Poteziali problemi La strategia delle suddivioi dovrebbe evitare lo splittig delle uità el cluster cetrale Uità simili debboo cofluire ello stesso cluster ed uità dissimili debboo essere collocate i cluster diversi Questo pricipio porta a cosiderare la variabilità itera dei cluster da otteere rispetto a quelli già formati. Se si dispoe solo delle distaze tra le uità si dovrà ragioare i termii di omogeeità dei cluster

2 Scomposizioe della variaza (uivariata) i = X rj # µ X rj # µ r r = j = Si soo otteuti due fattori additivi: Variaza withi (media delle variaze all itero di ciascu gruppo) Variaza betwee globale) i ( ) = i r = j = ( ) + µ r # µ [( ) + ( µ r # µ )] ; i = X rj # µ r ( ) + ( µ r # µ ) X rj # µ r ; r = j = r = j = % i ( X rj # µ r ) ( * j = * = r * + r µ r # µ r = r * r = * ) r = j = = # r r + # r ( µ r µ ) % = r ) #( + * r + r = r = ( ) (media degli scarti tra le medie di gruppo ed il cetroide i ( ) ( ) + ( µ r # µ ) X rj # µ r r = r = # r = ( r i j = ) + µ * r µ X ij valore della j-esima variabile ello i-esimo cluster ( ) Zero Scomposizioe della variaza (multivariata) La variaza totale è data dalla somma di prodotti esteri T = % )( X # i ( µ ) X i ( µ i= ( ) t dove ( ) riga della matrice dei dati ( ) cetroide della matrice dei dati *, X i = i, i,, + im -, µ = µ,µ,,µ m Se esistoo gruppi di umerosità,,, oguo co il proprio cetroide µ, µ,, µ, la deviaza totale è espressa da T = ir ( X i # µ )( X i # µ ) t = r= i= [ ][ X i # µ r ] t = ir ( X i # µ r ) # ( µ # µ r ) ( ) # ( µ # µ r ), µ r = µ r,µ r,,µ mr r= i= ( ) Dove ir è la fuzioe idicatore che è uo se lʼuità i appartiee al cluster r e zero altrimeti Scomposizioe della variaza/ Lo sviluppo dei prodotti comporta T = ir ( X i # µ r )( X i # µ r ) t # ir ( X i # µ r ) µ # µ r r= i= r= i= # ir ( µ # µ r )( X i # µ r ) t + ir µ # µ r r= i= Isoliamo le quatità legate ad u solo idice r= i= T = ir ( X i # µ r )( X i # µ r ) t % ( # ir ( X i # µ r )* µ # µ r ) r= i= [ ] # ( µ # µ r ) ir ( X i # µ r ) t + ir µ # µ r r= i= r= i= r= i= = ir ( X i # µ r )( X i # µ r ) t + ir µ # µ r r= i= r= i= ( ) t # ( )( µ # µ r ) t ( ) t ( )( µ # µ r ) t ( )( µ # µ r ) t Le espressioi i paretesi quadre soo ulle i quato somme degli scarti dalle medie aritmetiche allʼitero dei gruppi. Scomposizioe della variaza/ La suddivisioe del data set i gruppi o ha effetto se le medie per gruppo soo tutte uguali tra di loro (e duque uguali alla media totale). I estrema sitesi si è otteuta la scomposizioe della variaza T = % * *( # ir ( X i ) µ r )( X i ) µ r ) t + % # **( ir µ ) µ r r= i= r= i= ( )( µ ) µ r ) t Totale = Withi + Betwee T = W + B Se le medie parziali soo diverse allora i gruppi soo ua fote di variabilità che è tato più forte quato più cresce il divario rispetto al cetroide dei dati (media totale). Ogi suddivisioe del data set i gruppi varierà etrambi i termii della scomposizioe. Dato che la variaza totale è fissa: se W aumeta allora B deve dimiuire e viceversa.

3 Metodo Edwards e Cavalli-Sforza Questi due studiosi hao proposto di orgaizzare le scissioi dei gruppi i modo da redere miima, per quella suddivisioe, la traccia della matrice di deviaze-codeviaze withi rispetto ai gruppi T = % **( # ir X i ) µ r r= i= ( )( X i ) µ r ) t Semplificazioe Il fatto è che, o tutte le suddivisioi soo iteressati e gra parte del tempo sarebbe sprecato ad esamiare clusterig impropoibili. U primo elemeto di semplificazioe deriva dal legame tra il quadrato della distaza euclidea di coppie di etità e la traccia della matrice withi. Ricordado che, oostate le diverse dimesioi, Tr(XX t )=Tr(X t X) si ha La stessa strategia si avrebbe co la massimizzazioe di Tr(B), ma la miimizzazioe di Tr(W) è più semplice Il metodo più sicuro per trovare la suddivisioe ottima è di esamiarle tutte e scegliere quella a cui è associato il mior valore di Tr(W). L esame a tappeto o è però praticabile: se u computer fosse i grado di esamiare milioe di suddivisioi al secodo per effettuare il primo passaggio co = occorrerebbero circa ai. Nessu computer è oggi i grado di realizzare l esame di u milioe di suddivisioi i u secodo ( ) = ir ( )( X i µ r ) t = ir Tr W # r= i= # X i µ r = ## ir jr d ij i= j = i= j = che cosete di valutare gli split delle uità e el cotempo mateersi vicii alla semplice clusterig gerarchica. # # jr X i µ r ( ) ( ) t X j µ r NB basarsi sulle distaze euclidee implica che le teciche scissorie possoo applicarsi ache co altre misure di distaza. X X A B C D E F Esempio B C D E F A B C D E ( ) ( ) ( ) ( ) T.. =.; = La traccia della matrice per lo split: w =(A,B,C,D) e w =(E,F) può essere ricavata dalla matrice delle distaze euclidee al quadrato: var(w )=(+++++)/=/= var(w )=()/=. Da otare che Tr(w)=+.=., Tr(T) =/=. e che Tr(B)=.-.=. Tr(W)=+= Esempio (cotiua) La matrice delle distaze euclidee al quadrato ha tutte le iformazioi utili a valutare ogi possibile suddivisioe. Per = soo = -. Lo splittig più efficace risulta essere {A,D,E}, {B,C,F} che iduce il miimo icremeto ella dispersioe withi cioè da zero si passa a. Per determiare tale suddivisioe ottimale è stato però ecessario esamiare tutte le possibilità. A questo puto la deviaza totale:. è divisa i Tr(w)=.; Tr(B)=. No i C

4 Esempio (cotiua/) Si può tetare ua ulteriore suddivisioe di uo dei due clusters co due sub matrici di quella origiale. Per redere i calcoli più praticabili, MacQuee () ha suggerito di cosiderare, ad ogi sigolo livello, solo il cluster co maggiore deviaza. ( ) Tr( w ) Tr w Tr w ( ) A{ D,E} D{ A,E} E{ A,D} ( ) Tr( w ) Tr w Tr w ( ) B{ C,F} C{ B,F} F{ B,C} Tra tutti i possibili split quello più efficiete è el cluster co {F}, {B,C} che porta a {A,E,D}, {B,C}, {F} co Tr(w )=., Tr(w )= e Tr(B)=.. Lo splittig di C può avveire i due modi {A}, {D,E} e {E}, {A,D} bisogerà quidi seguire due possibilità. Il metodo Cavalli-Sforza, ache se semplificato, è molto dispedioso e si può realizzare solo co poche uità. Applicazioe: Bosto house data set medv Split Cavalli-Sforza lstat Metodo divisivo di Macaughto-Smith (Diaa) Diaa/ Al fie di aggirare l immeso ostacolo delle operazioi di splittig si può procedere per via approssimata e co iterazioi. L idea è di attuare la bipartizioe di u cluster collocado ua uità alla volta el gruppo uovo scegliedo tra quelle più margiali del gruppo da dividere. La prima uità trasferita el gruppo uovo è quella la cui distaza media dalle uità del gruppo i cui si trova è maggiore e che quidi cotribuisce di più alla dispersioe del gruppo origiale: B C D E F A B C D E d ( A) = ( ) / =. d ( B) = ( ) / =. d ( C) = ( ) / =. d ( D) = ( ) / =. d ( E) = ( ) / =. d ( F) = ( ) / =. Resta da vedere ora se l uità trasferita o trascii co se qualche altra uità che potrebbe risultare più prossima al uovo gruppo (che al mometo cotiee solo la A) piuttosto che al vecchio gruppo. Dobbiamo quidi cofrotare, per ciascua delle uità che rimagoo el vecchio gruppo, la distaza o dissimilarità media dal vecchio e dal uovo gruppo B C D d O ( ) / =. ( ) / = ( ) / =. d N.. E F d O ( ) / = ( ) / = d N O=old, N=ew L etità più remota dal resto del suo cluster è la A che ha ua dissimilarità media maggiore di ogi altra uità. Quidi, el secodo gruppo deve essere collocata la A per cui la suddivisioe proposta è {A} e {B,C,D,E,F}. Nessua altra etità segue la A che quidi rimae da sola a questo livello. N.B. Il primo splittig è duque meo efficiete del passo Cavalli Sforza.

5 Diaa/ A questo puto ci cocetriamo sul cluster {B,C,D,E,F} per verificare se c è u altra etità margiale (l altro cluster, a questo puto, cotiee solo la A). L etità cadidata è la F, co dissimilarità media di, superiore alle altre. Vediamo se qualche altra uità la accompaga B C D E d O ( + + ) / = ( + + ) / =. ( + + ) / =. ( + + ) / =. d N... L uità C deve cambiare cluster i quato è più vicia al uovo gruppo (formato dalla F) che al vecchio. Effettuiamo lo spostameto e ricotrolliamo le dissimilarità medie B D E d O ( + ) / = ( + ) / =. ( + ) / =. d N ( + ) / = ( + ) / = ( + ) / =.. Poiché le differeze soo tutte egative è da riteere che o vi siao altri spostameti utili verso {F, C} a questo livello. Diaa/ Ua ulteriore suddivisioe può essere tetata operado sul cluster che ora risulta più umeroso: {B,D,E} (o uo scelto i base ad u criterio di massima variabilità). U occhiata alla tabella delle distaze ei cluster attuali rivela che sia la D che la E hao ua distaza media che è maggiore o uguale delle altre Co tre sole uità o è il caso di proporre uo splittig co distaze medie così simili. L albero delle divisioi è quidi Il umero sotto il cluster è il diametro del cluster, cioè la distaza massima itera al cluster. Esempio Paesi dell OECD per alcue variabili macroecoomiche. Si può otare la preseza di tre gruppi tra cui il cluster margiale formato da Portogallo Grecia Il Meico è u outlier OECD data set MEX POR GRE SWI NOR JAP ITA GER BEL UK DEN AUS NET SPA FRA..... Flower data set (Everitt) Gerarchica agglomerativa Gower-McQuitt Gerarchica-divisiva Peoia Giglio Mughetto Erica Ortesia Garofao Rosa_rossa Rosa_Tea Giestra Tulipao Gladiolo Dalia Geraio NTSDM Fucsia Camelia Iris SWE FIN USA Garofao Erica Mughetto Ortesia Rosa_rossa Giestra Rosa_Tea Giglio Peoia Begoia Iris Dalia Gladiolo Tulipao Geraio NTSDM Camelia Fucsia... Begoia. CAN AUT Ci soo aalogie e ci soo differeze. Si tratta di due agolature diverse ed etrambe possoo cotribuire a chiarire u problema di classificazioe. La aggregativa va meglio se ci aspettao molti gruppi; la divisiva è da preferire se si cercao pochi cluster.

6 Mo.A Kaufma e Rousseeuw dedicao uo spazio particolare alle matrici di dati i cui siao preseti solo variabili biarie. I questo caso NON si procede alla costruzioe della matrice delle distaze. Ad ogi stadio si sceglie u cluster ed ua delle variabili biarie per procede alla bipartizioe. Il processo cotiua fio a quado o si raggiuge ua regola di stop oppure si perviee ad ua clusterig formata da tutti sigoletti. La strategia è gerachicha perché i livelli di bipartizioe si aidao ed è mootetica perché si usa ua variabile alla volta per riallocare le uità del gruppo prescelto. Mo.A/ La scelta cruciale riguarda la variabile secodo la quale dividere u cluster. Dovrebbe essere quella più simile a tutte le altre variabil secodo ua certa misura di associazioe. Michael Yule _ Yule _ Variabile ( ad bc) ( a + d) + ( b + c) ad bc ad + bc ad ad + bc bc Variabile % a b a + b c d c + d # a + c b + d a + b + c + d I coefficieti a siitra variao tra - ed e rimagoo defiiti i preseza di ua coloa o ua riga di zeri. Esempio X X X X X X X X Associazioe Yule_ Cerchiamo la variabile più cetrale (ovvero più simile alle altre) La somma di valori co sego iesca effetti compesativi o sempre ragioevoli. Calcoliamo le somme solo su valori positivi Il prossimo split sarà per la X (ª) el secodo cluster ( =) La variabile cadidata per lo splittig è la X Biodi Celesti Marroi Lavadi Violett Rosei Araci Gialli Verdi Neri Biachi Rossi Cremisi Brui Mori Idaci Azzurri Rosati Cogomi a colori X Mo.A (pacage cluster) X X Separatio step X X X X X X X X X X X X X X Misura di associazioe del comado moa ij = ad # bc Il separatio step è il valore del coefficiete prima di decidere lo split. Le uità soo ell ordie trovato dall algoitmo. La variabile resposabile dello split è riportata i capo alla barra. La lughezza della barra è data dal umero di split effettuati per arrivarci

7 Clam Crab Toad Catfi Tua Carp Haddo Hoe House Flea Lar Para Bear Seal Boar Leopa Lio Eleph Giraf Goat Biar variables Eggs Aquatic Tail Altro esempio Feathers Aquatic Predator Fis Separatio step Toothed Predator Hair Domestic Domestic Predator Domestic Veomous Se la barra arriva fio al margie allora il cluster corrispodete o può essere frazioato. Classificazioe ammissibile La classificazioe perfetta è troppo rigida dato che esclude casi ivece del tutto accettabili mi d ( U i,µ r ); i =,,, i =r { } # E opportuo disporre di ua defizioe meo vicolate. Ua classificazioe o clusterig è ammissibile se i ogi cluster si trova ua uità tale che le uità estere al cluster distao da essa più delle uità itere al cluster ma d ( U i,µ r ); i =,,, Il problema della cluster aalsis o è più di cercare ua gerarchia di gruppi, ma di idividuare le uità leader dei vari gruppi i r { } Esempio Raggruppameto iterativo I situazioi come quella qui presetata ogi algoritmo ammissibile deve proporre i prima istaza ua classificazioe dei dati i gruppi Le procedure che rietrao i questa secoda classe hao u cocetto metrico del cluster, lo vedoo cioè come u isieme di puti che soo più o meo vicii i uo spazio metrico vicii. Allitero del cluster si idividua il cosiddetto cetroide che costituisce il puto di massimo addesameto delle uità ovvero il puto verso cui le uità cofluirebbero se o ci fossero forze differeziati (la variabilità o la eterogeeità) a teerli distiti. I geere il cetroide è dato dal vettore delle medie calcolate su tutte e solo le uità icluse el cluster, ma soo possibili altre defiizioi (ad esempio il vettore delle mediae). Fissato il umero di cluster e scelta ua cofigurazioe iiziale dei cetroidi si procede alla escussioe delle uità assegadole, i base ad u qualche criterio, ai cluster cui soo più vicie. A questo puto si ricalcolao i cetroidi e si effettua ua uova escussioe. Il processo termia quado essua uità cambia di cluster.

8 Scelte ecessarie La strategia di raggruppameto iterativo si precisa co delle scelte e si articola i varie fasi. Le scelte riguardao Il umero di cluster che, a differeza dei metodi gerarchici, qui deve essere fissato di volta i volta Il criterio i base al quale ua partizioe può essere giudicata preferibile rispetto ad ualtra Il tipo di passo cioè lo schema di riallocazioe delle uità tra u cluster e lʼaltro. Ifatti qui le apparteeze delle uità possoo essere modificate. Le fasi cruciali del raggruppameto iterativo però soo sempre due: La prima cosiste ella defiizioe dei cetroidi iiziali che costituirao i poli del primo addesameto delle uità. Tale scelta può determiare il successo o lisuccesso del metodo. La secoda fase è costituita dal processo di assegazioe e rilocazioe delle uità ed è caratterizzata dalle scelte del criterio e del passo Il umero di partizioi I metodi di raggruppameto iterativi presuppogoo che il umero di cluster sia già fissato, o meglio, lo cosiderao u parametro della procedura, che può quidi cambiare da prova a prova, ma che rimae fisso ella data applicazioe. Il modo più efficiete di suddividere uità i cluster è quella di cercare lʼottimo del criterio prescelto valutadolo su tutte le possibili partizioi di oggetti i gruppi Come si è già visto, tale possibilità è solo teorica, i quato realizzabile solo per valori molto piccoli di. Ad esempio esempio per = e = si devoo esamiare ʼʼ partizioi Ne cosegue che la ricerca della partizioe ottimale o può che avveire esamiado u umero limitato di partizioi possibili. E questo uo dei limiti del raggruppameto iterativo: trae che per le situazioi i cui soo coivolte pochissime uità o si potrà essere sicuri che la soluzioe trovata sia veramete quella ottima. Raggrupameto iterativo: schemi geerali Lʼobiettivo comue è di determiare la clusterig ammissibile che sia più efficace rispetto alla omogeeità itera dei cluster ed al loro isolameto estero. Esistoo diverse strategie per questa fialità, ma e studieremo solo due Partitiig aroud medoids (PAM) Si adoperao le distaze tra le uità. I cetroidi coicidoo co uità tra le cosiderate Metodo delle -medie Si usa la matrice dei dati limitatamete alle variabili su scala a rapporti ed itervalli. Talvolta ache le variabili biarie. I cetroidi soo otteuti come vettori delle medie dei valori osservati ei cluster P.A.M (algoritmo) ) Si scelgoo uità (ache a caso) distite e distati che possao agire da cetroidi dei cluster ) Si forma la clusterig assegado le varie uità al cluster il cui cetroide è più vicio ) Si ridefiiscoo i cetroidi i base alla uova articolazioe dei gruppi ( M r = % U r # d( U r,u i ) = miimo ) i =r * ) Si valuta la qualità Q della clusterig otteuta. Se è valida si fermao le elaborazioi altrimeti ripredoo dal puto. Q = ## # r =i= j = ir jr d ij

9 Esempio Fuzioameto della tecica PAM + % ( ) * + # K= Esempio (cotiua) :. :. clusplot(pam( =, =, medoids = c(,, )))..... Silhouette plot of pam( =, =,clusters medoids Cj = c(,, )) =. j : j aveicj si :. :. : Iteratio.. :. [,] :.. Iteratio j : j aveicj si Se si richiedoo cluster la soluzioe si modifica secodo i cetroidi iiziali Silhouette plot of pam( =, =,clusters medoids Cj = c(,, )) = Importaza dei cetroidi iiziali Se si richiedoo cluster la soluzioe si modifica secodo i cetroidi iiziali - :. - - j : j aveicj si Si cotiua fiché si ottegoo migliorameti apprezzabili - [,] Silhouette plot of pam( =, =)clusters Cj = Ricalcolare le uità tipiche e riassegare le uità clusplot(pam( =, =, medoids = c(,, ))) clusplot(pam( =, = )).. # Compoet. Assig each remaii g object to earest medoids Compoet # Arbitrar choose object as iitial medoids %.. Compoet ( -. ) -. * La soluzioe jel data set a destra è soddisfacete tato che o cambia se si modificao i cetroidi iiziali Total Cost = #

10 Iteratio... Iteratio. Importaza dei cetroidi iiziali/ La scelta a caso di uità o da molte garazie. Ache la scelta dei cetroidi come uità occupati posizioi particolari el data set Iteratio Iteratio Iteratio Iteratio.. P.A.M (medoidi iiziali) Fra i tati metodi dispoibili discutiamo ua strategia che ha come fialità la copertura uiforme dello spazio delle uità descritto dalla matrice delle distaze. Il primo medoide coicide co luità meo periferica rispetto a tutte le altre ovvero luità per la quale è miore il totale delle distaze # % % M = U r d( U r,u i ) = miimo ( % )% i= Le scelte più efficaci soo quelle derivate da ua applicazioe di ua tecica meo impegativa: gerarchica (agglomerativa o divisiva) oppure applicare i via prelimiare la PAM ad u subset di addestrameto. Idichiamo co M= {M, M,, M s } lisieme delle uità già scelte come medoidi e sia s <. Luità che si va ad aggiugere agli altri medoidi deve essere distaziata da essi al fie di descrivere quelle parti del data set o acora be rappresetate. P.A.M (medoidi iiziali)/ Esempio Per riassumere la distaza che separa luità etrate dai medoidi già i M si può optare per la miima distaza massima. Si potrebbe ache scegliere il uovo medoide come lʼuità che ha la massima distaza media o mediaa da quelle ora i M. Tale opzioe dovrebbe freare la tedeza a costruire cluster ei pressi di valori remoti. Il metodo Keard-Stoe trova i primi due medoidi come le uità poste a più grade distaza reciproca. Quelli successivi si possoo otteere co lo stesso pricipio oppure uo dei precedeti E evidete che se si hao iformazioi su qualcuo dei medioidi potrao essere iserite e limitare la ricerca degli altri medoidi solo per quelli macati. Ruspii data set Pur avedo provato quattro metodi diversi per determiare i medoidi le uità prescelte soo sempre quelle i rosso

11 Esempio (cotiua) Esempio di gruppi o-gruppi Uso della pam() clusterig Ruspii data set Scelta di Faasullo data set Ampiezza media del profilo ottimo (umero di cluster) Ampiezza media del profilo..... Y ottimo (umero di cluster) X Se il data set è be strutturato, la soluzioe data dalla tecica PAM è sempre soddisfacete La Pam, come tutte le teciche di aalisi dei gruppi, trova i cluster ache quado o ci soo Cofroto co il CusPlot Ruspii data set Fasullo data set Applicazioe: Coffee data set Compoet - - Compoet - F.. -. cluster Ceter Compoet Compoet Co due sole variabili si può sfruttare la rappresetazioe su piao cartesiao (usado rgl si può lavorare i d) I gruppi del Ruspii soo molto più coesi ed isolati rispetto a quelli del fasullo.eʼ questo che covice della loro auteticità F Il grafico è stato otteuto usado la clusterig su gruppi e le prime due coordiate pricipali.

12 Pam e umero di cluster Meriti della tecica PAM A[,] G data set A[,] Compoet clusplot(pam( = D, = pam.bestc)) Silhouette plot of pam( = D, = pam.bestc) = clusters C j j : j ave icj s i :. :. :. Si basa sulla matrice delle distaze e può quidi essere utilizzato i ua vasta gamma di cotesti, ache dove il cocetto di metricità o è appropriato. I cetroidi dei cluster (uità leader) soo delle etità proprie del data set e o uità artificiali sitetizzate dallʼalgoritmo di classificazioe. I aggiuta si collocao al cetro dei rispettivi cluster caratterizadoe la atura Lʼaggiorameto dei cluster o richiede di ricalcolare le distaze perché si usao quelle origiali. - Compoet Silhouette width s i La soluzioe è proposta el pacage fpc dove il umero di cluster viee stmato co la optimum average silhouette width. Si può usare il pacchetto NbClust Eʼ poco sesibile ai valori remoti fitato che la fuzioe per calcolare le distaze le matiee i u itervallo defiito. Lʼalgoritmo PAM o impoe ua struttura ai dati come fao le teciche gerarchiche

52. Se in una città ci fosse un medico ogni 500 abitanti, quale sarebbe la percentuale di medici? A) 5 % B) 2 % C) 0,2 % D) 0,5% E) 0,02%

52. Se in una città ci fosse un medico ogni 500 abitanti, quale sarebbe la percentuale di medici? A) 5 % B) 2 % C) 0,2 % D) 0,5% E) 0,02% RISPOSTE MOTIVATE QUIZ D AMMISSIONE 2000-2001 MATEMATICA 51. L espressioe log( 2 ) equivale a : A) 2log B) log2 C) 2log D) log E) log 2 Dati 2 umeri positivi a e b (co a 1), si defiisce logaritmo i base

Dettagli

Successioni. Grafico di una successione

Successioni. Grafico di una successione Successioi Ua successioe di umeri reali è semplicemete ua sequeza di ifiiti umeri reali:, 2, 3,...,,... dove co idichiamo il termie geerale della successioe. Ad esempio, discutedo il sigificato fiaziario

Dettagli

Numerazione binaria Pagina 2 di 9 easy matematica di Adolfo Scimone

Numerazione binaria Pagina 2 di 9 easy matematica di Adolfo Scimone Numerazioe biaria Pagia di 9 easy matematica di Adolfo Scimoe SISTEMI DI NUMERAZIONE Sistemi di umerazioe a base fissa Facciamo ormalmete riferimeto a sistemi di umerazioe a base fissa, ad esempio el sistema

Dettagli

SUCCESSIONI E SERIE NUMERICHE

SUCCESSIONI E SERIE NUMERICHE SUCCESSIONI E SERIE NUMERICHE. Successioi umeriche a. Defiizioi: successioi aritmetiche e geometriche Cosideriamo ua sequeza di umeri quale ad esempio:,5,8,,4,7,... Tale sequeza è costituita mediate ua

Dettagli

Elementi di matematica finanziaria

Elementi di matematica finanziaria Elemeti di matematica fiaziaria 18.X.2005 La matematica fiaziaria e l estimo Nell ambito di umerosi procedimeti di stima si rede ecessario operare co valori che presetao scadeze temporali differeziate

Dettagli

Anno 5 Successioni numeriche

Anno 5 Successioni numeriche Ao 5 Successioi umeriche Itroduzioe I questa lezioe impareremo a descrivere e calcolare il limite di ua successioe. Ma cos è ua successioe? Come si calcola il suo limite? Al termie di questa lezioe sarai

Dettagli

Strumenti di indagine per la valutazione psicologica

Strumenti di indagine per la valutazione psicologica Strumeti di idagie per la valutazioe psicologica 1.2 - Richiami di statistica descrittiva Davide Massidda davide.massidda@gmail.com Descrivere i dati Dovedo scegliere u esame opzioale, uo studete ha itezioe

Dettagli

Le onde elettromagnetiche. Origine e natura, spettro delle onde e.m., la polarizzazione

Le onde elettromagnetiche. Origine e natura, spettro delle onde e.m., la polarizzazione Le ode elettromagetiche Origie e atura, spettro delle ode e.m., la polarizzazioe Origie e atura delle ode elettromagetiche: Ua carica elettrica che oscilla geera u campo elettrico E che oscilla e a questo

Dettagli

V Tutorato 6 Novembre 2014

V Tutorato 6 Novembre 2014 1. Data la successioe V Tutorato 6 Novembre 01 determiare il lim b. Data la successioe b = a = + 1 + 1 8 6 + 1 80 + 18 se 0 se < 0 scrivere i termii a 0, a 1, a, a 0 e determiare lim a. Data la successioe

Dettagli

EQUAZIONI ALLE RICORRENZE

EQUAZIONI ALLE RICORRENZE Esercizi di Fodameti di Iformatica 1 EQUAZIONI ALLE RICORRENZE 1.1. Metodo di ufoldig 1.1.1. Richiami di teoria Il metodo detto di ufoldig utilizza lo sviluppo dell equazioe alle ricorreze fio ad u certo

Dettagli

Sintassi dello studio di funzione

Sintassi dello studio di funzione Sitassi dello studio di fuzioe Lavoriamo a perfezioare quato sapete siora. D ora iazi pretederò che i risultati che otteete li SCRIVIATE i forma corretta dal puto di vista grammaticale. N( x) Data la fuzioe:

Dettagli

8. Quale pesa di più?

8. Quale pesa di più? 8. Quale pesa di più? Negli ultimi ai hao suscitato particolare iteresse alcui problemi sulla pesatura di moete o di pallie. Il primo problema di questo tipo sembra proposto da Tartaglia el 1556. Da allora

Dettagli

Sistemi e Tecnologie della Comunicazione

Sistemi e Tecnologie della Comunicazione Sistemi e ecologie della Comuicazioe Lezioe 4: strato fisico: caratterizzazioe del segale i frequeza Lo strato fisico Le pricipali fuzioi dello strato fisico soo defiizioe delle iterfacce meccaiche (specifiche

Dettagli

La matematica finanziaria

La matematica finanziaria La matematica fiaziaria La matematica fiaziaria forisce gli strumeti ecessari per cofrotare fatti fiaziari che avvegoo i mometi diversi Esempio: Come posso cofrotare i ricavi e i costi legati all acquisto

Dettagli

LA GESTIONE DELLA QUALITA : IL TOTAL QUALITY MANAGEMENT

LA GESTIONE DELLA QUALITA : IL TOTAL QUALITY MANAGEMENT LA GESTIONE DELLA QUALITA : IL TOTAL QUALITY MANAGEMENT La gestioe, il cotrollo ed il migliorameto della qualità di u prodotto/servizio soo temi di grade iteresse per l azieda. Il problema della qualità

Dettagli

SUCCESSIONI NUMERICHE

SUCCESSIONI NUMERICHE SUCCESSIONI NUMERICHE Ua fuzioe reale di ua variabile reale f di domiio A è ua legge che ad ogi x A associa u umero reale che deotiamo co f(x). Se A = N, la f è detta successioe di umeri reali. Se co si

Dettagli

IL CALCOLO COMBINATORIO

IL CALCOLO COMBINATORIO IL CALCOLO COMBINATORIO Calcolo combiatorio è il termie che deota tradizioalmete la braca della matematica che studia i modi per raggruppare e/o ordiare secodo date regole gli elemeti di u isieme fiito

Dettagli

Interesse e formule relative.

Interesse e formule relative. Elisa Battistoi, Adrea Frozetti Collado Iteresse e formule relative Esercizio Determiare quale somma sarà dispoibile fra 7 ai ivestedo oggi 0000 ad u tasso auale semplice del 5% Soluzioe Il diagramma del

Dettagli

PARTE QUARTA Teoria algebrica dei numeri

PARTE QUARTA Teoria algebrica dei numeri Prerequisiti: Aelli Spazi vettoriali Sia A u aello commutativo uitario PARTE QUARTA Teoria algebrica dei umeri Lezioe 7 Cei sui moduli Defiizioe 7 Si dice modulo (siistro) su A (o semplicemete, A-modulo)

Dettagli

19 31 43 55 67 79 91 103 870,5 882,5 894,5 906,5 918,5 930,5 942,5 954,5

19 31 43 55 67 79 91 103 870,5 882,5 894,5 906,5 918,5 930,5 942,5 954,5 Il 16 dicembre 015 ero a Napoli. Ad u agolo di Piazza Date mi soo imbattuto el "matematico di strada", come egli si defiisce, Giuseppe Poloe immerso el suo armametario di tabelle di umeri. Il geiale persoaggio

Dettagli

1 Limiti di successioni

1 Limiti di successioni Esercitazioi di matematica Corso di Istituzioi di Matematica B Facoltà di Architettura Ao Accademico 005/006 Aa Scaramuzza 4 Novembre 005 Limiti di successioi Esercizio.. Servedosi della defiizioe di ite

Dettagli

CONCETTI BASE DI STATISTICA

CONCETTI BASE DI STATISTICA CONCETTI BASE DI STATISTICA DEFINIZIONI Probabilità U umero reale compreso tra 0 e, associato a u eveto casuale. Esso può essere correlato co la frequeza relativa o col grado di credibilità co cui u eveto

Dettagli

Una funzione è una relazione che ad ogni elemento del dominio associa uno e un solo elemento del codominio

Una funzione è una relazione che ad ogni elemento del dominio associa uno e un solo elemento del codominio Radicali Per itrodurre il cocetto di radicali che già avete icotrato alle medie quado avete imparato a calcolare la radice quadrata e cubica dei umeri iteri, abbiamo bisogo di rivedere il cocetto di uzioe

Dettagli

Calcolo della risposta di un sistema lineare viscoso a più gradi di libertà con il metodo dell Analisi Modale

Calcolo della risposta di un sistema lineare viscoso a più gradi di libertà con il metodo dell Analisi Modale Calcolo della risposta di u sistema lieare viscoso a più gradi di libertà co il metodo dell Aalisi Modale Lezioe 2/2 Prof. Adolfo Satii - Diamica delle Strutture 1 La risposta a carichi variabili co la

Dettagli

DISTRIBUZIONI DOPPIE

DISTRIBUZIONI DOPPIE DISTRIBUZIONI DOPPIE Fio ad ora abbiamo visto teciche di aalisi dei dati per il solo caso i cui ci si occupi di u solo carattere rilevato su u collettivo (distribuzioi semplici). I termii formali fio ad

Dettagli

IMPLICAZIONE TRA VARIABILI BINARIE: L Implicazione di Gras

IMPLICAZIONE TRA VARIABILI BINARIE: L Implicazione di Gras IMPLICAZIONE TRA VARIABILI BINARIE: L Implicazioe di Gras Date due variabili biarie a e b, i quale misura posso assicurare che i ua popolazioe da ogi osservazioe di a segue ecessariamete quella di b? E

Dettagli

Terzo appello del. primo modulo. di ANALISI 18.07.2006

Terzo appello del. primo modulo. di ANALISI 18.07.2006 Terzo appello del primo modulo di ANALISI 18.7.26 1. Si voglioo ifilare su u filo delle perle distiguibili tra loro solo i base alla dimesioe: si hao a disposizioe perle gradi di diametro di 2 cetimetri

Dettagli

Metodi statistici per l'analisi dei dati

Metodi statistici per l'analisi dei dati Metodi statistici per l aalisi dei dati due Motivazioi Obbiettivo: Cofrotare due diverse codizioi (ache defiiti ) per cui soo stati codotti gli esperimeti. Metodi tatistici per l Aalisi dei Dati due Esempio

Dettagli

LA VERIFICA DELLE IPOTESI SUI PARAMETRI

LA VERIFICA DELLE IPOTESI SUI PARAMETRI LA VERIFICA DELLE IPOTESI SUI PARAMETRI E u problema di ifereza per molti aspetti collegato a quello della stima. Rispode ad u esigeza di carattere pratico che spesso si preseta i molti campi dell attività

Dettagli

Risposte. f v = φ dove φ(x,y) = e x2. f(x) = e x2 /2. +const. Soluzione. (i) Scriviamo v = (u,w). Se f(x) è la funzione richiesta, si deve avere

Risposte. f v = φ dove φ(x,y) = e x2. f(x) = e x2 /2. +const. Soluzione. (i) Scriviamo v = (u,w). Se f(x) è la funzione richiesta, si deve avere Eserciio 1 7 puti. Dato il campo vettoriale v, + 1,, i si determii ua fuioe f > i modo tale che il campo vettoriale f v sia irrotaioale, cioè abbia le derivate icrociate uguali; ii si spieghi se i risultati

Dettagli

Metodi statistici per l analisi dei dati

Metodi statistici per l analisi dei dati Metodi statistici per l aalisi dei dati due ttameti Motivazioi ttameti Obbiettivo: Cofrotare due diverse codizioi (ache defiiti ttameti) per cui soo stati codotti gli esperimeti. due ttameti Esempio itroduttivo

Dettagli

Foglio di esercizi N. 1 - Soluzioni

Foglio di esercizi N. 1 - Soluzioni Foglio di esercizi N. - Soluzioi. Determiare il domiio della fuzioe f) = log 3 + log 3 3)). Deve essere + log 3 3) > 0, ovvero log 3 3) >, ovvero prededo l espoeziale i base 3 di etrambi i membri) 3 >

Dettagli

ANALISI MATEMATICA 1 Area dell Ingegneria dell Informazione. Appello del 5.02.2013 TEMA 1. f(x) = arcsin 1 2 log 2 x.

ANALISI MATEMATICA 1 Area dell Ingegneria dell Informazione. Appello del 5.02.2013 TEMA 1. f(x) = arcsin 1 2 log 2 x. ANALISI MATEMATICA Area dell Igegeria dell Iformazioe Appello del 5.0.0 TEMA Esercizio Si cosideri la fuzioe f(x = arcsi log x. Determiare il domiio di f e discutere il sego. Discutere brevemete la cotiuità

Dettagli

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DI UN GRUPPO DI OSSERVAZIONI O DI ESPERIMENTI, SI PERVIENE A CERTE CONCLUSIONI, LA CUI VALIDITA PER UN COLLETTIVO Più AMPIO E ESPRESSA

Dettagli

Percorsi di matematica per il ripasso e il recupero

Percorsi di matematica per il ripasso e il recupero Giacomo Pagia Giovaa Patri Percorsi di matematica per il ripasso e il recupero 2 per la Scuola secodaria di secodo grado UNITÀ CAMPIONE Edizioi del Quadrifoglio à t i U 2 Radicali I questa Uità affrotiamo

Dettagli

Il test parametrico si costruisce in tre passi:

Il test parametrico si costruisce in tre passi: R. Lombardo I. Cammiatiello Dipartimeto di Ecoomia Secoda Uiversità degli studi Napoli Facoltà di Ecoomia Ifereza Statistica La Verifica delle Ipotesi Obiettivo Verifica (test) di u ipotesi statistica

Dettagli

Le carte di controllo

Le carte di controllo Le carte di cotrollo Dott.ssa Bruella Caroleo 07 dicembre 007 Variabilità ei processi produttivi Le caratteristiche di qualsiasi processo produttivo soo caratterizzate da variabilità Le cause di variabilità

Dettagli

5 ln n + ln. 4 ln n + ln. 6 ln n + ln

5 ln n + ln. 4 ln n + ln. 6 ln n + ln DOMINIO FUNZIONE Determiare il domiio della fuzioe f = l e e + e + e Deve essere e e + e + e >, posto e = t si ha t e + t + e = per t = e e per t = / Il campo di esisteza è:, l, + Determiare il domiio

Dettagli

Disposizioni semplici. Disposizioni semplici esercizi

Disposizioni semplici. Disposizioni semplici esercizi Disposizioi semplici Ua disposizioe (semplice) di oggetti i k posti (duque 1 < k < ) è ogi raggruppameto di k oggetti, seza ripetizioi, scelti fra gli oggetti dati, cioè ciascuo dei raggruppameti ordiati

Dettagli

Esercizi riguardanti limiti di successioni

Esercizi riguardanti limiti di successioni Esercizi riguardati iti di successioi Davide Boscaii Queste soo le ote da cui ho tratto le esercitazioi del gioro 27 Ottobre 20. Come tali soo be lugi dall essere eseti da errori, ivito quidi chi e trovasse

Dettagli

Analisi statistica dell Output

Analisi statistica dell Output Aalisi statistica dell Output IL Simulatore è u adeguata rappresetazioe della Realtà! E adesso? Come va iterpretato l Output? Quado le Osservazioi soo sigificative? Quati Ru del Simulatore è corretto effettuare?

Dettagli

Campionamento stratificato. Esempio

Campionamento stratificato. Esempio ez. 3 8/0/05 Metodi Statiici per il Marketig - F. Bartolucci Uiversità di Urbio Campioameto ratificato Ua tecica molto diffusa per sfruttare l iformazioe coteuta i ua variabile ausiliaria (o evetualmete

Dettagli

Rendita perpetua con rate crescenti in progressione aritmetica

Rendita perpetua con rate crescenti in progressione aritmetica edita perpetua co rate cresceti i progressioe aritmetica iprediamo l'esempio visto ella scorsa lezioe di redita perpetua co rate cresceti i progressioe arimetica: Questa redita può ache essere vista come

Dettagli

Appunti sulla MATEMATICA FINANZIARIA

Appunti sulla MATEMATICA FINANZIARIA INTRODUZIONE Apputi sulla ATEATIA FINANZIARIA La matematica fiaziaria si occupa delle operazioi fiaziarie. Per operazioe fiaziaria si itede quella operazioe ella quale avviee uo scambio di capitali, itesi

Dettagli

Soluzione La media aritmetica dei due numeri positivi a e b è data da M

Soluzione La media aritmetica dei due numeri positivi a e b è data da M Matematica per la uova maturità scietifica A. Berardo M. Pedoe 6 Questioario Quesito Se a e b soo umeri positivi assegati quale è la loro media aritmetica? Quale la media geometrica? Quale delle due è

Dettagli

Analisi Fattoriale Discriminante

Analisi Fattoriale Discriminante Aalisi Fattoriale Discrimiate Bibliografia Lucidi (materiale reperibile via Iteret) Lauro C.N. Uiversità di Napoli Gherghi M. Uiversità di Napoli D Ambra L. Uiversità di Napoli Keeth M. Portier Uiversity

Dettagli

Campi vettoriali conservativi e solenoidali

Campi vettoriali conservativi e solenoidali Campi vettoriali coservativi e soleoidali Sia (x,y,z) u campo vettoriale defiito i ua regioe di spazio Ω, e sia u cammio, di estremi A e B, defiito i Ω. Sia r (u) ua parametrizzazioe di, fuzioe della variabile

Dettagli

Università degli Studi di Bergamo - Corsi di laurea in Ingegneria Edile e Tessile Indici di posizione e variabilità Esercitazione 2

Università degli Studi di Bergamo - Corsi di laurea in Ingegneria Edile e Tessile Indici di posizione e variabilità Esercitazione 2 Uiversità degli Studi di Bergamo - Corsi di laurea i Igegeria Edile e Tessile Idici di posizioe e variabilità Esercitazioe 2 1. Nella seguete tabella si riporta la distribuzioe di frequeza del cosumo i

Dettagli

STATISTICA DESCRITTIVA

STATISTICA DESCRITTIVA STATISTICA DESCRITTIVA La statistica descrittiva serve per elaborare e sitetizzare dati. Tipicamete i dati si rappresetao i tabelle. Esempio. Suppoiamo di codurre u idagie per cooscere gli iscritti al

Dettagli

LE MISURE DI VARIABILITÀ DI CARATTERI QUANTITATIVI

LE MISURE DI VARIABILITÀ DI CARATTERI QUANTITATIVI Apputi di Statistica Sociale Uiversità ore di Ea LE MISURE DI VARIABILITÀ DI CARATTERI QUATITATIVI La variabilità di u isieme di osservazioi attiee all attitudie delle variabili studiate ad assumere modalità

Dettagli

Statistica di base. Luca Mari, versione 31.12.13

Statistica di base. Luca Mari, versione 31.12.13 Statistica di base Luca Mari, versioe 31.12.13 Coteuti Moda...1 Distribuzioi cumulate...2 Mediaa, quartili, percetili...3 Sigificatività empirica degli idici ordiali...3 Media...4 Acora sulla media...4

Dettagli

Principi base di Ingegneria della Sicurezza

Principi base di Ingegneria della Sicurezza Pricipi base di Igegeria della Sicurezza L aalisi delle codizioi di Affidabilità del sistema si articola i: (i) idetificazioe degli sceari icidetali di riferimeto (Eveti critici Iiziatori - EI) per il

Dettagli

SUCCESSIONI e LIMITI DI SUCCESSIONI. c Paola Gervasio - Analisi Matematica 1 - A.A. 15/16 Successioni cap3b.pdf 1

SUCCESSIONI e LIMITI DI SUCCESSIONI. c Paola Gervasio - Analisi Matematica 1 - A.A. 15/16 Successioni cap3b.pdf 1 SUCCESSIONI e LIMITI DI SUCCESSIONI c Paola Gervasio - Aalisi Matematica 1 - A.A. 15/16 Successioi cap3b.pdf 1 Successioi Def. Ua successioe è ua fuzioe reale (Y = R) a variabile aturale, ovvero X = N:

Dettagli

Calcolo Combinatorio (vers. 1/10/2014)

Calcolo Combinatorio (vers. 1/10/2014) Calcolo Combiatorio (vers. 1/10/2014 Daiela De Caditiis modulo CdP di teoria dei segali Igegeria dell Iformazioe - sede di Latia, CALCOLO COMBINATORIO Pricipio Fodametale del Calcolo Combiatorio: Si realizzio

Dettagli

Selezione avversa e razionamento del credito

Selezione avversa e razionamento del credito Selezioe avversa e razioameto del credito Massimo A. De Fracesco Dipartimeto di Ecoomia politica e statistica, Uiversità di Siea May 3, 013 1 Itroduzioe I questa lezioe presetiamo u semplice modello del

Dettagli

Lezione n 19-20. Lezioni di Ricerca Operativa. Corso di Laurea in Informatica Università di Salerno. Prof. Cerulli Dott. Carrabs

Lezione n 19-20. Lezioni di Ricerca Operativa. Corso di Laurea in Informatica Università di Salerno. Prof. Cerulli Dott. Carrabs Lezioi di Riera Operativa Corso di Laurea i Iformatia Uiversità di Salero Lezioe 9- - Problema del trasporto Prof. Cerulli Dott. Carrabs Problema del Flusso a osto Miimo FORMULAZIONE mi ( i, ) A o violi

Dettagli

Teorema 13. Se una sere converge assolutamente, allora converge:

Teorema 13. Se una sere converge assolutamente, allora converge: Apputi sul corso di Aalisi Matematica complemeti (a) - prof. B.Bacchelli Apputi 03: Riferimeti: R.Adams, Calcolo Differeziale.- Si cosiglia vivamete di fare gli esercizi del testo. Covergeza assoluta e

Dettagli

I numeri complessi. Pagine tratte da Elementi della teoria delle funzioni olomorfe di una variabile complessa

I numeri complessi. Pagine tratte da Elementi della teoria delle funzioni olomorfe di una variabile complessa I umeri complessi Pagie tratte da Elemeti della teoria delle fuzioi olomorfe di ua variabile complessa di G. Vergara Caffarelli, P. Loreti, L. Giacomelli Dipartimeto di Metodi e Modelli Matematici per

Dettagli

DIPENDENZA O CONNESSIONE. Ovvero quando la conoscenza della modalità di X presente su un unità è informativa della presenza della modalità di Y.

DIPENDENZA O CONNESSIONE. Ovvero quando la conoscenza della modalità di X presente su un unità è informativa della presenza della modalità di Y. DIPENDENZA O CONNESSIONE Due caratteri X e Y cogiutamete cosiderati si dicoo tra loro coessi quado le modalità di u carattere ifluezao il maifestarsi delle modalità dell altro. Ovvero quado la coosceza

Dettagli

Statistica 1 A.A. 2015/2016

Statistica 1 A.A. 2015/2016 Corso di Laurea i Ecoomia e Fiaza Statistica 1 A.A. 2015/2016 (8 CFU, corrispodeti a 48 ore di lezioe frotale e 24 ore di esercitazioe) Prof. Luigi Augugliaro 1 / 19 Iterdipedeza lieare fra variabili quatitative

Dettagli

CAPITOLO SETTIMO GLI INDICI DI FORMA 1. INTRODUZIONE

CAPITOLO SETTIMO GLI INDICI DI FORMA 1. INTRODUZIONE CAPITOLO SETTIMO GLI INDICI DI FORMA SOMMARIO: 1. Itroduzioe. - 2. Asimmetria. - 3. Grafico a scatola (box plot). - 4. Curtosi. - Questioario. 1. INTRODUZIONE Dopo aver aalizzato gli idici di posizioe

Dettagli

LA DERIVATA DI UNA FUNZIONE

LA DERIVATA DI UNA FUNZIONE LA DERIVATA DI UNA FUNZIONE OBIETTIVO: Defiire lo strumeto matematico ce cosete di studiare la cresceza e la decresceza di ua fuzioe Si comicia col defiire cosa vuol dire ce ua fuzioe è crescete. Defiizioe:

Dettagli

Corsi di Laurea in Ingegneria Edile e Architettura Prova scritta di Analisi Matematica 1 del 6/02/2010. sin( x) log((1 + x 2 ) 1/2 ) = 1 3.

Corsi di Laurea in Ingegneria Edile e Architettura Prova scritta di Analisi Matematica 1 del 6/02/2010. sin( x) log((1 + x 2 ) 1/2 ) = 1 3. Corsi di Laurea i Igegeria Edile e Architettura Prova scritta di Aalisi Matematica del 6// ) Mostrare che + si( ) cos () si( ) log(( + ) / ) = 3. Possibile soluzioe: Cosiderado dapprima il deomiatore otiamo

Dettagli

Corso di Laurea in Ing. Edile Politecnico di Bari A.A. 2008-2009 Prof. ssa Letizia Brunetti DISPENSE DEL CORSO DI GEOMETRIA

Corso di Laurea in Ing. Edile Politecnico di Bari A.A. 2008-2009 Prof. ssa Letizia Brunetti DISPENSE DEL CORSO DI GEOMETRIA Corso di Laurea i Ig Edile Politecico di Bari AA 2008-2009 Prof ssa Letizia Bruetti DISPENSE DEL CORSO DI GEOMETRIA 2 Idice Spazi vettoriali Cei sulle strutture algebriche 4 2 Defiizioe di spazio vettoriale

Dettagli

Approfondimenti di statistica e geostatistica

Approfondimenti di statistica e geostatistica Approfodimeti di statistica e geostatistica APAT Agezia per la Protezioe dell Ambiete e per i Servizi Tecici Cos è la geostatistica? Applicazioe dell aalisi di Rischio ai siti Cotamiati Geostatistica La

Dettagli

5. Le serie numeriche

5. Le serie numeriche 5. Le serie umeriche Ricordiamo che ua successioe reale è ua fuzioe defiita da N, evetualmete privato di u umero fiito di elemeti, a R. Solitamete si idica ua successioe co la lista dei suoi valori: (a

Dettagli

Formula per la determinazione della Successione generalizzata di Fibonacci.

Formula per la determinazione della Successione generalizzata di Fibonacci. Formula per la determiazioe della uccessioe geeralizzata di Fiboacci. A cura di Eugeio Amitrao Coteuto dell articolo:. Itroduzioe......... uccessioe di Fiboacci....... 3. Formula di Biet per la successioe

Dettagli

Successioni ricorsive di numeri

Successioni ricorsive di numeri Successioi ricorsive di umeri Getile Alessadro Laboratorio di matematica discreta A.A. 6/7 I queste pagie si voglioo predere i esame alcue tra le più famose successioi ricorsive, presetadoe alcue caratteristiche..

Dettagli

Random walk classico. Simulazione di un random walk

Random walk classico. Simulazione di un random walk Radom walk classico Il radom walk classico) è il processo stocastico defiito da co prob. S S0 X k, co X k k co prob. e le X soo tra di loro idipedeti. k Si tratta di u processo a icremeti idipedeti e ideticamete

Dettagli

Corso di laurea in Matematica Corso di Analisi Matematica 1-2 Dott.ssa Sandra Lucente 1 Funzioni potenza ed esponenziale.

Corso di laurea in Matematica Corso di Analisi Matematica 1-2 Dott.ssa Sandra Lucente 1 Funzioni potenza ed esponenziale. Corso di laurea i Matematica Corso di Aalisi Matematica -2 Dott.ssa Sadra Lucete Fuzioi poteza ed espoeziale. Teorema. Teorema di esisteza della radice -esima. Sia N. Per ogi a R + esiste uo ed u solo

Dettagli

ESERCIZI DI STATISTICA DESCRITTIVA ALCUNI TRATTI DA PROVE D ESAME DA REALIZZARE ANCHE CON L AUSILIO DI UN FOGLIO DI CALCOLO. Angela Donatiello 1

ESERCIZI DI STATISTICA DESCRITTIVA ALCUNI TRATTI DA PROVE D ESAME DA REALIZZARE ANCHE CON L AUSILIO DI UN FOGLIO DI CALCOLO. Angela Donatiello 1 ESERCIZI DI STATISTICA DESCRITTIVA ALCUNI TRATTI DA PROVE D ESAME DA REALIZZARE ANCHE CON L AUSILIO DI UN FOGLIO DI CALCOLO Agela Doatiello 1 Esercizio. E stato tabulato il peso di ua certa popolazioe

Dettagli

SERIE NUMERICHE Esercizi risolti. 2 b) n=1. n n 2 +n

SERIE NUMERICHE Esercizi risolti. 2 b) n=1. n n 2 +n SERIE NUMERICHE Esercizi risolti. Applicado la defiizioe di covergeza di ua serie stabilire il carattere delle segueti serie, e, i caso di covergeza, trovare la somma: = + b) = + +. Verificare utilizzado

Dettagli

SERIE NUMERICHE Con l introduzione delle serie vogliamo estendere l operazione algebrica di somma ad un numero infinito di addendi.

SERIE NUMERICHE Con l introduzione delle serie vogliamo estendere l operazione algebrica di somma ad un numero infinito di addendi. Serie SERIE NUMERICHE Co l itroduzioe delle serie vogliamo estedere l operazioe algebrica di somma ad u umero ifiito di addedi. Def. Data la successioe {a }, defiiamo la successioe {s } poedo s = a k.

Dettagli

Parte 2. Problemi con macchine parallele

Parte 2. Problemi con macchine parallele Parte 2 Problemi co macchie arallele Esemio job 1 2 3 4 5 j 2 3 5 1 4 2macchie Assegado{2,3,5}aM1e{1,4}aM2 M2 M1 4 1 1 3 3 2 5 5 8 12 Assegado{1,4,5}aM1e{2,3}aM2 M2 3 2 M1 4 1 5 1 3 5 7 8 R m //C Algoritmo

Dettagli

Corso di Laurea Magistrale in Ingegneria Informatica A.A. 2014/15. Complementi di Probabilità e Statistica. Prova scritta del del 23-02-15

Corso di Laurea Magistrale in Ingegneria Informatica A.A. 2014/15. Complementi di Probabilità e Statistica. Prova scritta del del 23-02-15 Corso di Laurea Magistrale i Igegeria Iformatica A.A. 014/15 Complemeti di Probabilità e Statistica Prova scritta del del 3-0-15 Puteggi: 1. 3+3+4;. +3 ; 3. 1.5 5 ; 4. 1 + 1 + 1 + 1 + 3.5. Totale = 30.

Dettagli

Capitolo 3 CARATTERIZZAZIONE MECCANICA DELLE FIBRE

Capitolo 3 CARATTERIZZAZIONE MECCANICA DELLE FIBRE Capitoo 3 CARATTERIZZAZIONE MECCANICA DELLE FIBRE 3.1 LA TEORIA DI WEIBULL I comportameto meccaico dee fibre di giestra e di juta è stato caratterizzato mediate o studio dea resisteza a trazioe dee fibre

Dettagli

Statistica (Prof. Capitanio) Alcuni esercizi tratti da prove scritte d esame

Statistica (Prof. Capitanio) Alcuni esercizi tratti da prove scritte d esame Statistica (Prof. Capitaio) Alcui esercizi tratti da prove scritte d esame Esercizio 1 Il tempo (i miuti) che Paolo impiega, i auto, per arrivare i ufficio, può essere modellato co ua variabile casuale

Dettagli

Distribuzione di un carattere

Distribuzione di un carattere Distribuzioe di u carattere Dopo le fasi di acquisizioe e di registrazioe dei dati, si passa al loro cotrollo e quidi alle loro elaborazioe. Si defiisce distribuzioe uitaria semplice di u carattere l elecazioe

Dettagli

APPUNTI DI MATEMATICA ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1)

APPUNTI DI MATEMATICA ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1) ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1) I umeri aturali hao u ordie; ogi umero aturale ha u successivo (otteuto aggiugedo 1), e ogi umero aturale diverso da zero ha u precedete (otteuto sottraedo 1).

Dettagli

Random walk classico. Simulazione di un random walk

Random walk classico. Simulazione di un random walk Radom walk classico Il radom walk classico) è il processo stocastico defiito da co prob. S = S0 X k, co X k = k= co prob. e le X soo tra di loro idipedeti. k Si tratta di u processo a icremeti idipedeti

Dettagli

Matematica II: Calcolo delle Probabilità e Statistica Matematica

Matematica II: Calcolo delle Probabilità e Statistica Matematica Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docete: dott. F. Zucca Esercitazioe # 4 1 Distribuzioe Espoeziale Esercizio 1 Suppoiamo che la durata della vita di ogi membro di

Dettagli

Progressioni aritmetiche

Progressioni aritmetiche Progressioi aritmetiche Comiciamo co due esempi: Esempio Cosideriamo la successioe di umeri:, 7,, 5, 9, +4 +4 +4 +4 +4 La successioe è tale che si passa da u termie al successivo aggiugedo sempre +4. Si

Dettagli

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia per manager. Prima versione, marzo 2013; versione aggiornata, marzo 2014)

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia per manager. Prima versione, marzo 2013; versione aggiornata, marzo 2014) Itroduzioe all assicurazioe. (Dispesa per il corso di Microecoomia per maager. Prima versioe, marzo 2013; versioe aggiorata, marzo 2014) Massimo A. De Fracesco Uiversità di Siea March 14, 2014 1 Prezzo

Dettagli

STIME E LORO AFFIDABILITA

STIME E LORO AFFIDABILITA TIME E LORO AFFIDABILITA L idea chiave su cui si basa l aalisi statistica è che si ossoo eseguire osservaioi su u camioe di soggetti e che da questo si ossoo comiere iferee sulla oolaioe raresetata da

Dettagli

SUCCESSIONI NUMERICHE

SUCCESSIONI NUMERICHE SUCCESSIONI NUMERICHE LORENZO BRASCO. Teoremi di Cesaro Teorema di Stolz-Cesaro. Siao {a } N e {b } N due successioi umeriche, co {b } N strettamete positiva, strettamete crescete e ilitata. Se esiste

Dettagli

Complessità Computazionale

Complessità Computazionale Uiversità degli studi di Messia Facoltà di Igegeria Corso di Laurea i Igegeria Iformatica e delle Telecomuicazioi Fodameti di Iformatica II Prof. D. Brueo Complessità Computazioale La Nozioe di Algoritmo

Dettagli

Introduzione alla Statistica descrittiva. Definizioni preliminari. Definizioni preliminari. Fasi di un indagine statistica. Tabelle statistiche

Introduzione alla Statistica descrittiva. Definizioni preliminari. Definizioni preliminari. Fasi di un indagine statistica. Tabelle statistiche Itroduzioe alla Statistica descrittiva Defiizioi prelimiari È la scieza che studia i feomei collettivi o di massa. U feomeo è detto collettivo o di massa quado è determiato solo attraverso ua molteplicità

Dettagli

PROGRAMMA RISPARMIO ENERGETICO EFFICIENTAMENTO ENERGETICO DEGLI EDIFICI PRIVATI

PROGRAMMA RISPARMIO ENERGETICO EFFICIENTAMENTO ENERGETICO DEGLI EDIFICI PRIVATI COMUNE DI VIGGIANO Provicia di Poteza 0975 61142 Fax 0975 61137 Partita IVA 00182930768 C.C.P. 14378855 PROGRAMMA RISPARMIO ENERGETICO EFFICIENTAMENTO ENERGETICO DEGLI EDIFICI PRIVATI Azioe A2 BANDO PER

Dettagli

Capitolo uno STATISTICA DESCRITTIVA BIVARIATA

Capitolo uno STATISTICA DESCRITTIVA BIVARIATA Capitolo uo STATISTICA DESCRITTIVA BIVARIATA La statistica bidimesioale o bivariata si occupa dello studio del grado di dipedeza di due caratteri distiti della stessa uità statistica. E possibile, ad esempio,

Dettagli

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia)

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia) Itroduzioe all assicurazioe. (Dispesa per il corso di Microecoomia) Massimo A. De Fracesco Uiversità di Siea December 18, 2013 1 ichiami su utilità attesa e avversioe al rischio Prima di cosiderare il

Dettagli

evohome RISPARMIO ENERGETICO E NON SOLO Un obiettivo comune a milioni di famiglie: risparmiare energia senza rinunciare al comfort.

evohome RISPARMIO ENERGETICO E NON SOLO Un obiettivo comune a milioni di famiglie: risparmiare energia senza rinunciare al comfort. evohome RISPARMIO ENERGETICO E NON SOLO U obiettivo comue a milioi di famiglie: risparmiare eergia seza riuciare al comfort. evohome Risparmiare eergia o è mai stato così Esistoo molte soluzioi per otteere

Dettagli

Il confronto tra DUE campioni indipendenti

Il confronto tra DUE campioni indipendenti Il cofroto tra DUE camioi idiedeti Il cofroto tra DUE camioi idiedeti Cofroto tra due medie I questi casi siamo iteressati a cofrotare il valore medio di due camioi i cui i le osservazioi i u camioe soo

Dettagli

che sono una l inversa dell altra; l insieme dei messaggi cifrati C i cui elementi sono indicati con la lettera c.

che sono una l inversa dell altra; l insieme dei messaggi cifrati C i cui elementi sono indicati con la lettera c. I LEZIONE Il ostro iteto è aalizzare i dettaglio i metodi di cifratura che si soo susseguiti el corso della storia prestado particolare attezioe all impiato matematico che e cosete la realizzazioe Iiziamo

Dettagli

3.1 Il principio di inclusione-esclusione

3.1 Il principio di inclusione-esclusione Capitolo 3 Calcolo combiatorio 3.1 Il pricipio di iclusioe-esclusioe Il calcolo combiatorio prede i cosiderazioe degli isiemi fiiti particolari e e cota il umero di elemeti. Questo può dar luogo ad iteressati

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2006

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2006 ESAME DI STAT DI LICE SCIENTIFIC CRS DI RDINAMENT 006 Il cadidato risolva uo dei due problemi e 5 dei 0 quesiti i cui si articola il questioario. PRBLEMA U filo metallico di lughezza l viee utilizzato

Dettagli

Ottica della Contattologia I. Ottica delle lac. Differenze ottiche nella clinica della visione

Ottica della Contattologia I. Ottica delle lac. Differenze ottiche nella clinica della visione Ottica della Cotattologia I Ottica delle LAC Ottica delle lac 1.Le differeze ottiche tra lac e occhiali ell ambito della cliica della visioe 2.Le lac dal puto di vista ottico Dr. Fabrizio Zeri zeri@fis.uiroma3.it

Dettagli

Probabilità e Statistica I

Probabilità e Statistica I Probabilità e Statistica I Elvira Di Nardo (Dipartimeto di Matematica) Uiversità degli Studi della Basilicata e-mail:diardo@uibas.it http://www.uibas.it/uteti/diardo/home.html Tel:097/05890 Prerequisiti:

Dettagli

Economia Internazionale - Soluzioni alla IV Esercitazione

Economia Internazionale - Soluzioni alla IV Esercitazione Ecoomia Iterazioale - Soluzioi alla IV Esercitazioe 25/03/5 Esercizio a) Cosa soo le ecoomie di scala? Come cambia la curva di oerta i preseza di ecoomie di scala? Perchè queste oroo u icetivo al commercio

Dettagli

Limiti di successioni

Limiti di successioni Argometo 3s Limiti di successioi Ua successioe {a : N} è ua fuzioe defiita sull isieme N deiumeriaturaliavalori reali: essa verrà el seguito idicata più brevemeteco{a } a èdettotermie geerale della successioe

Dettagli

I appello - 29 Giugno 2007

I appello - 29 Giugno 2007 Facoltà di Igegeria - Corso di Laurea i Ig. Iformatica e delle Telecom. A.A.6/7 I appello - 9 Giugo 7 ) Studiare la covergeza putuale e uiforme della seguete successioe di fuzioi: [ ( )] f (x) = cos (

Dettagli