TEORIA DELLE DECISIONI
|
|
- Eloisa Lorenzi
- 7 anni fa
- Visualizzazioni
Transcript
1 Capitolo 8 TEORIA DELLE DECISIONI Introduzione In taluni problemi di decisione, il decisore deve operare una scelta tra le diverse opzioni alternative disponibili, in presenza di informazioni incerte circa gli effetti che queste opzioni determineranno in futuro. Egli ha la possibilità di utilizzare una serie di tecniche che sono disponibili allo scopo, fra le quali elenchiamo, a seconda delle condizioni in cui è costretto ad operare, le seguenti: Teoria delle decisioni Analisi decisionale in condizioni di rischio Analisi decisionale in condizioni di incertezza Alberi di decisione Teoria dell utilità Teoria delle decisioni La teoria delle decisioni consta di quattro passi: Individuazione delle alternative Individuazione degli eventi futuri Calcolo dei guadagni Valutazione e confronto delle alternative Individuazione delle alternative: È la fase in cui vengono enumerate le diverse opzioni ammissibili. Tali m decisioni alternative vengono indicate con D i con i = 1,2,,m Individuazione degli eventi futuri Gli eventi futuri, indicati come stati di natura, possono influenzare gli effetti conseguenti alle diverse decisioni. Gli stati di natura costituiscono un insieme di eventi composti esaustivi e mutuamente esclusivi con j = 1,2,.,n S j Calcolo dei guadagni Ad ogni coppia di decisione e di stato di natura viene associato un corrispondente guadagno espresso in termini monetari e indice del valore determinato da D i se in futuro si verificherà S j. Politecnico di Bari - Riservato alla circolazione interna 124
2 Esso viene indicato col simbolo V (D i, S j ) Valutazione e confronto delle alternative È l ultimo stadio del processo, cioè quello in cui si definisce un criterio di confronto delle alternative, espresso come funzione reale f (V) dei guadagni. La decisione migliore è quella che rende massima ( o minima) la funzione f (V) Esempio di problema di Analisi decisionale Un azienda deve valutare diversi processi produttivi in alternativa per realizzare un progetto di innovazione tecnologica. In particolare supponiamo che siano state individuate quattro possibili decisioni alternative, indicate con A, B, C e D, corrispondenti a quattro tipi di processo produttivo. Supponiamo inoltre che i possibili eventi futuri, relativi al volume della domanda, siano riconducibili ad una classificazione a tre livelli: alta, media, e bassa domanda. La tabella ci mostra i guadagni monetari, espressi in euro, per ciascuna coppia decisione-stato di natura. Tabella Guadagni monetari Bassa Media Alta A B C D Come si vede, la decisione D risulta dominata dalla decisione C, nel senso che, per ogni stato di natura il guadagno monetario relativo a D è non superiore al corrispondente guadagno monetario associato a C. Possiamo quindi eliminare la decisione D, in quanto essa non può risultare ottimale per nessuna ragionevole definizione della funzione di valutazione a confronto f(v). D altra parte le rimanenti tre decisioni A, B e C non si dominano a vicenda Analisi decisionale in condizioni di rischio Nell analisi decisionale in condizioni di rischio si assume che il decisore sia in grado di associare a ciascuno stato di natura una probabilità di occorrenza P(S j ), con j=1,2,,n, frutto sia di valutazioni soggettive di esperti che di esperienze analoghe condotte in passato. Dato che gli stati di natura sono mutuamente esclusivi, la sommatoria delle probabilità deve essere unitaria Criteri di valutazione e confronto per l analisi in condizioni di rischio Esistono vari criteri per affrontare le condizioni di rischio; i più usati sono i seguenti: Politecnico di Bari - Riservato alla circolazione interna 125
3 Valore atteso monetario Valore atteso della perdita di opportunità Valore atteso della perfetta informazione Valore atteso monetario VAM È il criterio di misura di valutazione delle decisioni più naturale e più utilizzato in pratica e si basa sul calcolo medio per ogni decisione VAM (Di) =? [P(Sj) * V(Di,Sj)] con i = 1,2,,m e j = 1,2,,n. La decisione ottimale D* è quella che rende massimo il VAM: VAM* = VAM (D*) = max VAM (Di) con i = 1,2,,m Per l esempio relativo ai guadagni monetari della tabella , ricaviamo la seguente tabella dei valori attesi monetari. Come si vede, A rappresenta la decisione ottimale secondo il criterio del valore atteso monetario. tabella Valore atteso monetario Bassa Media Alta VAM A B C P(D j ) Valore atteso della perdita di opportunità Tale criterio di valutazione si basa sul concetto di perdita di opportunità di una decisione. Tale perdita, indicata con L(Di,Sj), rappresenta la differenza tra il guadagno massimo per il generico stato di natura Sj e il guadagno che deriva dalla decisione Di in merito al medesimo stato di natura. In simboli: L(Di,Sj) = Vmax(Sj) V(Di,Sj) con i = 1,2,,m e j = 1,2,,n ponendo Vmax(Sj) = max V(Di,Sj) con i = 1,2,,m e j = 1,2,,n. Per il solito esempio di tabella ricaviamo la seguente tabella delle perdite di opportunità: Politecnico di Bari - Riservato alla circolazione interna 126
4 Perdita di opportunità Bassa Media Alta A B C I valori in tabella, calcolati per colonna, ossia fissato lo stato di natura, si sono ottenuti considerando il massimo dei valori monetari per stato di natura e sottraendo da questo il guadagno relativo ad ogni decisione preso in corrispondenza del relativo stato di natura. Calcolata la matrice delle opportunità, si utilizza il valore medio della perdita delle opportunità per confrontare le decisioni: VAPO(Di) =? [P(Sj) * L(Di,Sj)] con i = 1,2,,m e j = 1,2,,n La decisione ottimale D* è quella che rende minima la perdita di opportunità VAPO(Di): VAPO* = VAPO(D*) = min VAPO(Di) con i = 1,2,,m e j = 1,2,,n. Sempre per lo stesso esempio la successiva tabella indica le perdite di opportunità attese. La decisione A è ottimale secondo il criterio della perdita di opportunità attesa Perdita di opportunità attesa Bassa Media Alta VAPO A B C P(D j ) Il fatto che la decisione A risulti ottimale sia per il criterio del valore atteso monetario sia per il criterio della perdita di opportunità attesa non è una circostanza fortuita. Si può infatti verificare che la decisione ottimale è sempre la medesima per i due criteri, che pertanto risultano solo apparentemente distinti Relazioni esistenti tra i due criteri La decisione ottimale è sempre la medesima per i due criteri: Politecnico di Bari - Riservato alla circolazione interna 127
5 VAM* = VAM (D*) = max i? [P(Sj) * V(Di,Sj)] = = max i? {P(Sj) * [Vmax(Sj) L(Di,Sj)]} = =? [P(Sj) * V(Sj)] + max i? [P(Sj) * L(Di,Sj)] = =?[P(Sj) * Vmax(Sj)] + min i *? [P(Sj) * L(Di,Sj)] = =? [P(Sj) * Vmax(Sj)] min i VAPO (Di) = =? [P(Sj) * Vmax(Sj)] VAPO (D*) = =? [P(S) * Vmax(Sj) VAPO* con i = 1,2,,m e j = 1,2,,n Valore atteso della perfetta informazione Il VAM ed il VAPO differiscono tra loro per una quantità indipendente dalle decisioni e denominata valore monetario atteso con perfetta informazione : VAMPI =? [P(Sj) * Vmax(Sj)] con j = 1,2,,n Esso rappresenta il valore atteso del guadagno monetario che si otterrebbe se per ciascuno stato di natura venisse operata la scelta più conveniente. La differenza tra il VAMPI ed il VAM* prende il nome di valore atteso della perfetta informazione: VAPI = VAMPI VAM* = VAPO* Il valore atteso della perfetta informazione coincide con il minimo valore atteso della perdita di opportunità, e può essere interpretato come il prezzo massimo che il decisore è disposto a pagare per poter acquisire informazioni che gli forniscano certezza circa gli eventi futuri che si verificheranno. Nel caso del solito esempio si ha: VAMPI = 0.1x x x600000= VAPI = VAMPI-VAM*= =22500=VAPO* Analisi decisionale in condizioni di incertezza Si ricorre all analisi decisionale in condizioni di incertezza allorché non sono disponibili valutazioni di probabilità per gli eventi futuri. Per fare ciò ci si avvale di diversi criteri Criterio maximax Rappresenta un punto di vista ottimistico da parte del decisore: la decisione migliore è quella che massimizza il guadagno monetario più favorevole rispetto a tutti gli stati di natura. Esso viene espresso dalla funzione: f(v) = max i max j V(Di,Sj) con i = 1,2,,m e j = 1,2,,n Per il solito esempio di tabella la decisione A è ottimale secondo il criterio maximax, come indicato dalla tabella. Politecnico di Bari - Riservato alla circolazione interna 128
6 Tabella Criterio maximax Bassa Media Alta f(v) A B C Criterio maximin Rappresenta, invece, un punto di vista pessimistico da parte del decisore: la decisione migliore è quella che massimizza il guadagno più sfavorevole rispetto a tutti gli stati di natura. Esso viene espresso dalla funzione: f(v) = max i min j V(Di,Sj) con i = 1,2,,m e j = 1,2,,n Per il solito esempio di tabella la decisione C è ottimale secondo il criterio maximin, come indicato dalla tabella Tabella Criterio maximin Bassa Media Alta f(v) A B C Criterio del realismo o di Hurwicz Rappresenta un compromesso tra il punto di vista ottimistico e quello pessimistico: la decisione migliore è quella che massimizza una combinazione lineare convessa del guadagno monetario più favorevole e quello più sfavorevole: f(v) = max i {[a * max j V(Di,Sj)] + [(1-a) * min i V(Di,Sj)]} con i = 1,2,,m e j = 1,2,,n con a compreso tra 0 ed 1. Per il solito esempio di tabella , in corrispondenza di α=0.6, la decisione A è ottimale secondo il criterio del realismo, come indicato dalla tabella Politecnico di Bari - Riservato alla circolazione interna 129
7 Tabella Criterio del realismo Bassa Media Alta f(v) A B C Criterio di equiprobabilità o di Laplace È il criterio più adottato in pratica e consiste nell attribuire una sostanziale equiprobabilità agli eventi futuri: P(Sj) = 1/n con j = 1,2,,n La decisione migliore è quella che massimizza il VAM Criterio minimax Seleziona la decisione che rende minima la massima delle perdite di opportunità. In simboli viene espresso da: f(v) = min i max j L(Di,Sj) con i = 1,2,,m e j = 1,2,,n Per il solito esempio di tabella la decisione B è ottimale secondo il criterio minimax, come indicato in tabella Tabella Criterio minimax Bassa Media Alta f(v) A B C Alberi di decisione Metodologia che si avvale dell ausilio grafico di rappresentazioni ad albero per: sviluppare analisi decisionali sequenziali facilitare le interazioni con il decisore migliorare la qualità di rappresentazione. Politecnico di Bari - Riservato alla circolazione interna 130
8 Nodi decisione: nodi scelta delle possibili alternative da parte del decisore; corrisponde il max dei valori monetari Nodi evento: si verifica uno stato di natura con relative probabilità di occorrenza; corrisponde il valore atteso dei valori monetari Nodi terminali: il guadagno monetario è determinato dalla catena di decisione ed eventi verificatisi Il solito esempio in tabella origina l albero di decisione indicato in figura. Il calcolo dei valori monetari associati a ciascun nodo si sviluppa a partire dai nodi terminali fino a raggiungere il nodo decisione. Al termine della procedura di calcolo, il valore monetario associato alla radice dell albero costituisce il valore atteso monetario massimo VAM*. Fig. 8.4 Albero di decisione per l esempio di analisi in condizioni di rischio della Sezione Esempio di analisi decisionale sequenziale Per il solito esempio consideriamo un nuovo scenario. L azienda può infatti commissionare in una prima fase una ricerca di mercato, al costo di 2500 euro, e successivamente, sulla base dei risultati ottenuti, decidere in merito al tipo di tecnologia da adottare. Si presentano pertanto due fasi sequenziali nel corso del processo decisionale: 1. Decidere se commissionare la ricerca di mercato; 2. Decidere quale tipo di tecnologia adottare. Ipotizziamo ora che la ricerca di mercato possa avere tre possibili esiti, corrispondenti ad una situazione di mercato favorevole, invariato e sfavorevole. Abbiamo deliberatamente utilizzato una classificazione diversa dalla suddivisione in livelli introdotta a proposito della domanda: il lettore deve tenere infatti ben distinto, ad esempio, il livello della domanda alta dalla previsione di mercato favorevole. E verosimile attendersi, d altra parte, che se il test di mercato esprime una valutazione di mercato favorevole allora il livello di domanda alta abbia maggiori possibilità di verificarsi, a posteriori, rispetto agli altri livelli di domanda. Politecnico di Bari - Riservato alla circolazione interna 131
9 Per esprimere in termini analitici queste considerazioni di carattere intuitivo è necessario introdurre alcuni concetti di natura probabilistica. Indichiamo con T k, k=1, 2, r gli r possibili esiti del test. Supponiamo che, sulla base di analoghe esperienze di applicazione del test nel passato, sia possibile definire una tabella che fornisce le probabilità relative all esito del test condizionate al verificarsi degli stati di natura. In simboli, la tabella che segue contiene le probabilità condizionate P(T k S j ) k=1, 2,.., r j = 1, 2,.., n Tabella Probabilità degli esiti del test dati gli stati di natura Bassa Media Alta Favorevole Invariato Sfavorevole L albero di decisione corrispondente alle decisioni sequenziali del problema descritto è rappresentato nella figura che segue. Per poter procedere al calcolo dei valori monetari per tutti i nodi dell albero, è necessario valutare le probabilità degli archi uscenti dai nodi evento corrispondenti da un lato all esito del test e dall altro all accadimento degli stati di natura condizionati all esito del test. Ci occupiamo dapprima del nodo evento relativo all esito del test. Agli archi che ne scaturiscono dobbiamo associare le probabilità incondizionate dei diversi esiti. Per procedere al calcolo utilizziamo un risultato di teoria della probabilità, solitamente indicato come teorema di probabilità totale. Data una collezione Sj, j=1, 2,, n di eventi esaustivi e mutuamente disgiunti e un generico evento A, vale l eguaglianza P(A) = n P( S j= 1 ) P( A S Possiamo quindi applicare il teorema di probabilità totale per ricavare le probabilità degli esiti incondizionati del test. Ad esempio, per l esito di mercato favorevole si ha P(Favorevole) = P(Alta)*P(Favorevole Alta) + + P(Media)*P(Favorevole Media) + + P(bassa)*P(Favorevole Bassa) = = 0.4x x x0.2 = 0.5 j j ) Politecnico di Bari - Riservato alla circolazione interna 132
10 Fig Albero di decisione per l analisi sequenziale dell esempio della Sezione In modo analogo possono essere calcolate le rimanenti probabilità, ottenendo P(Invariato) = 0.4x x x0.2 = 0.25 e P(Sfavorevole) = 0.4x x x0.6 = 0.25 Politecnico di Bari - Riservato alla circolazione interna 133
11 Rivolgiamo ora la nostra attenzione agli archi che scaturiscono dai nodi evento relativi agli stati di natura che si trovano a valle del nodo evento relativo all esito del test. Evidentemente, le probabilità associate a questi archi devono essere condizionate all esito del test. Più precisamente dobbiamo calcolare le probabilità Per procedere al calcolo utilizziamo il teorema di Bayes P( S j ) P( A S j ) P( S j A) = n P( S j ) P( A S j ) j= 1 Ad esempio calcoliamo la probabilità a posteriori di ottenere un livello di domanda alta dato che il test ha fornito un esito favorevole P( Alta) P( Favorevole Alta) 0.4*0.7 P( Alta Favorevole) = = = P( Favorevole) 0.5 Si ottiene in tal modo: 0.5*0.4 P( Media Favorevole) = = *0.2 P( Bassa Favorevole) = = *0.2 P( Alta In variato) = = *0.3 P( Media In variato) = = *0.2 P( Bassa In variato) = = *0.1 P( Alta Sfavorevole) = = *0.3 P( Media Sfavorevole) = = *0.6 P( Bassa Sfavorevole) = = Una volta determinate le probabilità di tutti gli archi uscenti da nodi evento, siamo in grado di calcolare i valori monetari per tutti i nodi dell albero di decisione. Come si vede dalla figura il valore atteso monetario massimo è pari a euro, e corrisponde alla seguente strategia: - In un primo tempo si commissiona la ricerca di mercato; - successivamente, se l esito indica condizioni di mercato favorevoli oppure invariate si adotta la tecnologia A; - se indica condizioni sfavorevoli, si opta per la tecnologia C. Politecnico di Bari - Riservato alla circolazione interna 134
12 Valore atteso dell informazione campionaria Il valore atteso dell informazione campionaria per un test assegnato (VAIC) è la differenza tra il valore atteso monetario ottimo in presenza del test e il valore ottimo in sua assenza VAIC = Valore attesomonetario Valore attesomonetario ottimo con test ottimo senza test Efficienza dell informazione campionaria Misura l efficienza relativa dei diversi test mediante il rapporto tra VAIC e VAPI EIC = VAIC / VAPI Se EIC = 1 Efficienza max Per il test del nostro esempio abbiamo EIC=5350/22500=0.24 Come ci si poteva attendere, la probabilità a posteriori di ottenere un alto livello di domanda in presenza di un esito favorevole del test di mercato aumenta rispetto alla corrispondente probabilità a priori. Possiamo calcolare, mediante il teorema di Bayes, le rimanenti probabilità a posteriori. 8.5 Teoria dell utilità Fino a questo punto abbiamo introdotto e discusso numerosi criteri di natura monetaria per la valutazione e il confronto di decisioni. Tuttavia, talvolta si presentano situazioni nelle quali i criteri di natura esclusivamente monetaria denunciano evidenti limiti di efficacia. Ad esempio, consideriamo una ipotetica alternativa decisionale con due possibilità: A. Il decisore riceverà euro con assoluta certezza. B. Il decisore lancia una moneta: se l esito è testa riceve euro, mentre se è croce non riceve nulla. Il lettore provi a stabilire qual è la propria istintiva scelta tra le due alternative, immaginando di prendere come realistiche le due opzioni che sono state poste. E molto probabile che egli opti per l alternativa A. Tuttavia, se attribuiamo probabilità ½ a ciascuna delle facce della moneta, possiamo calcolare il valore atteso monetario di entrambe le alternative, ricavando VAM(A) = VAM(B) = ½* /2*0=50500 Questi calcoli ci mostrano che B è la decisione che massimizza il valore atteso monetario. Il fatto che la maggior parte degli ipotetici decisori preferisca l alternativa A si spiega in base alla seguente osservazione di carattere generale: alcuni decisori preferiscono un guadagno immediato inferiore piuttosto che rischiare possibili perdite future nel tentativo di acquisire guadagni maggiori. Questo tipo di attitudine psicologica da parte del decisore viene indicata come avversione al rischio. Politecnico di Bari - Riservato alla circolazione interna 135
13 Supponiamo ora che le medesime alternative sino riformulate modificando le somme in gioco, e ponendole pari a 50 e 99 euro in luogo di e E probabile che molti di coloro che avrebbero optato per l alternativa A, mutino la loro scelta in questo nuovo scenario, preferendo la decisione B. Tuttavia, per il criterio del valore atteso monetario, A è la scelta ottimale, essendo: VAM(A)= 50 VAM(B)= ½*99+1/2*0=49.5 Questo secondo esempio illustra un attitudine del decisore che viene indicata come propensione al rischio Vogliamo ora considerare un criterio di valutazione e confronto delle decisioni diverso dal valore atteso monetario, mediante la definizione della funzione di utilità, che attribuisce un valore numerico a ciascuna decisione. Naturalmente la funzione utilità esprime una misura soggettiva del valore che uno specifico decisore attribuisce alle alternative disponibili. Tale misura tiene conto dei valori monetari, ma anche di altri criteri e attitudini che il decisore prende in considerazione nel corso del processo decisionale. In base alla propensione o avversione al rischio attribuisce, tramite la funzione utilità, un valore numerico a ciascuna decisione Costruzione della funzione utilità Dato un problema di decisione con un insieme di decisioni D i per i = 1,2,,m e di stati di natura S j per j = 1,2,.,n cui associamo una tabella V(D i, S j ) di guadagni monetari, si ponga V min = min i,j V(Di,Sj) V max = max i,j V(Di,Sj) U (V) è la funzione utilità Si attribuisce per definizione utilità 0 e utilità 1 rispettivamente a U (V min ), U (V max ) quindi si procede per bisezioni successive dell intervallo (0,1) dei valori di utilità per poi applicare una tecnica di interpolazione numerica. Definita U (V) si ricava una tabella W(Di,Sj) di valori di utilità per ogni coppia di decisione e stato di natura ponendo: W(Di,Sj) = U (V (Di,Sj) ) con i = 1,2,,m e j = 1,2,,n Nella figura seguente si riportano le due situazioni relative a DM propenso al rischio e DM avverso al rischio. E evidente che il segmento di retta che congiunge l origine con il valore 1 assegnato a V max rappresenta una condizione di equilibrio per il DM. Politecnico di Bari - Riservato alla circolazione interna 136
14 Bibliografia [1] - Carlo Vercellis, Modelli e Decisioni: Strumenti e metodi per le decisioni Aziendali, Progetto Leonardo, Bologna, [2] - Massimo Paolucci, DIST Università di Genova, Diapositive del Corso di Teoria delle decisioni, 2001/2002. Politecnico di Bari - Riservato alla circolazione interna 137
Teoria delle decisioni
A. A. 2017-2018 Teoria delle decisioni introduzione expected utility prof. ing. Antonio Comi Department of Enterprise Engineering Tor Vergata University of Rome Teoria delle decisioni razionali Teoria
DettagliLezione 1: Università Mediterranea di Reggio Calabria Decisions Lab. Insiemi. La Probabilità Probabilità e Teoria degli Insiemi
Lezione 1: Probabilità e Teoria degli Università Mediterranea di Reggio Calabria Decisions Lab Gli insiemi Gli Un insieme S è una collezione di oggetti chiamati elementi dell insieme. - Se x è un elemento
DettagliCalcolo delle Probabilità
Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosiddette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello
DettagliTeoria delle Decisioni
1 Teoria delle Decisioni Massimo Paolucci (paolucci@dist.unige.it) DIST Università di Genova La teoria delle decisioni 2 L oggetto della Decision Theory è la decisione intesa come scelta tra alternative
DettagliIntroduzione al Calcolo delle Probabilità
Introduzione al Calcolo delle Probabilità In tutti quei casi in cui le manifestazioni di un fenomeno (EVENTI) non possono essere determinate a priori in modo univoco, e i risultati possono essere oggetto
DettagliElementi di Teoria della Probabilità
Elementi di Teoria della Probabilità Alcune definizioni iniziali: Fenomeno casuale: fenomeno ripetibile (almeno in teoria) infinite volte che può manifestarsi in diverse modalità, imprevedibili singolarmente,
Dettagli1. Descrivere gli spazi campionari dei seguenti esperimenti casuali: 1. lancio di un dado 2. lancio di due dadi 3.
Corso di Laurea INTERFACOLTÀ - Esercitazione di Statistica n 6 ESERCIZIO 1: 1. Descrivere gli spazi campionari dei seguenti esperimenti casuali: 1. lancio di un dado 2. lancio di due dadi 3. lancio di
DettagliIndice della lezione. Incertezza e rischio: sinonimi? Le Ipotesi della Capital Market Theory UNIVERSITA DEGLI STUDI DI PARMA FACOLTA DI ECONOMIA
UNIVERSIT DEGLI STUDI DI PRM FCOLT DI ECONOMI Indice della lezione Corso di Pianificazione Finanziaria Introduzione al rischio Rischio e rendimento per titoli singoli La Teoria di Portafoglio di Markowitz
DettagliIntroduzione al calcolo delle probabilità
Introduzione al calcolo delle probabilità L. Boni Approccio empirico OSSERVAZIONE IPOTESI TEORIA DOMINANTE ESPERIMENTO L esperimento Un esperimento (dal latino ex, da, e perire, tentare, passare attraverso
Dettagli3.1 La probabilità: eventi e variabili casuali
Capitolo 3 Elementi di teoria della probabilità Abbiamo già notato come, per la ineliminabile presenza degli errori di misura, quello che otteniamo come risultato della stima del valore di una grandezza
DettagliMetodi e modelli per le decisioni
Metodi e modelli per le decisioni Roberto Cordone A. A. 2015-16 10.8 Esercizi Nota : Devo molti di questi esercizi a temi d esame del prof. Alberto Colorni. Nota : Gli esercizi e le soluzioni non sono
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Teoria della probabilità Cernusco S.N., mercoledì 15 marzo 2017 1 / 13 Probabilità
Dettagli6.2 La probabilità e gli assiomi della probabilità
6.2 La probabilità e gli assiomi della probabilità L introduzione alla teoria della probabilità può essere vista come un applicazione della teoria degli insiemi. Essa si occupa degli esperimenti il cui
DettagliINTRODUZIONE ALLA TEORIA DEI GIOCHI
Corso di Identificazione dei Modelli e Controllo Ottimo Prof. Franco Garofalo INTRODUZIONE ALLA TEORIA DEI GIOCHI A cura di Elena Napoletano elena.napoletano@unina.it Teoria dei Giochi Disciplina che studia
DettagliPremio al rischio e equivalente di certezza
Premio al rischio e equivalente di certezza In accordo con la teoria tradizionale assumiamo che gli individui siano avversi al rischio, quindi un rischio a media zero riduce il livello di appagamento di
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 3
Sperimentazioni di Fisica I mod. A Statistica - Lezione 3 A Garfagnini, M Mazzocco, C Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Teoria della Probabilità L ineliminabile
DettagliConcetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018. Giovanni Lafratta
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018 Giovanni Lafratta ii Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale
Dettaglidifferiticerti.notebook November 25, 2010 nov 6 17.29 nov 6 17.36 nov 6 18.55 Problemi con effetti differiti
Problemi con effetti differiti sono quelli per i quali tra il momento di sostentamento dei costi ed il momento di realizzo dei ricavi intercorre un certo lasso di tempo. Nei casi in cui il vantaggio è
DettagliTeoria delle decisioni
A. A. 2017-2018 Teoria delle decisioni introduzione prof. ing. Antonio Comi Department of Enterprise Engineering Tor Vergata University of Rome Introduzione Teoria delle decisioni: fornisce un insieme
DettagliEsercizi Microeconomia
Esercizi Microeconomia prima parte Giancarlo Gozzi Dipartimento di Scienze Economiche Università di Bologna marzo 2018 1 Equilibrio di mercato e statica comparata Esercizio 1. Si consideri un mercato competitivo
DettagliM. Marra Appunti delle Lezioni di Ricerca Operativa Problemi e metodi di ottimizzazione PROBLEMI E METODI DI OTTIMIZZAZIONE
CAPITOLO I PROBLEMI E METODI DI OTTIMIZZAZIONE 1. Componenti di base Tutti i problemi di ottimizzazione dipendono da tre componenti di base: le variabili del problema, la funzione obiettivo ed i vincoli.
DettagliPROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado)
L esito della prossima estrazione del lotto L esito del lancio di una moneta o di un dado Il sesso di un nascituro, così come il suo peso alla nascita o la sua altezza.. Il tempo di attesa ad uno sportello
DettagliIl modello duale. Capitolo settimo. Introduzione
Capitolo settimo Il modello duale Introduzione Il modello duale e la teoria della dualità assumono una grande importanza nella teoria della programmazione matematica. In questo testo i modelli primale
DettagliASSEGNAZIONE STOCASTICA. SU RETI NON CONGESTIONATE SNL (Stochastic Network Loading)
ASSEGNAZIONE STOCASTICA SU RETI NON CONGESTIONATE SNL Stochastic Network Loading algoritmo di DIAL Ipotesi: 1. La scelta del percorso è basata sul modello LOGIT 2. Si considerano solamente percorsi efficienti
DettagliMATEMATICA. a.a. 2014/15
MATEMATICA a.a. 2014/15 5. Introduzione alla probabilità: Definizioni di probabilità. Evento, prova, esperimento. Eventi indipendenti e incompatibili. Probabilità condizionata. Teorema di Bayes CONCETTI
DettagliEsempio Date a = (1, 2, 3) e b = (4, 5, 6), calcolare. 2(a + b) 3(2a b).
Matematica II, 26.02.04 Passiamo ora a considerare l insieme R 3 = {(x, x 2, x 3 ); x, x 2, x 3 R}, costituito dalle terne ordinate di numeri reali. Ciascuna terna puo essere pensata come un unica entita,
DettagliStatistica Descrittiva Soluzioni 3. Medie potenziate
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
DettagliCalcolo della probabilità
Calcolo della probabilità GLI EVENTI Un evento è un fatto che può accadere o non accadere. Se esso avviene con certezza si dice evento certo, mentre se non può mai accadere si dice evento impossibile.
DettagliLa teoria del consumo
La teoria del consumo Il surplus del consumatore e la domanda di mercato. Mario Sportelli Dipartimento di Matematica Università degli Studi di Bari Via E. Orabona, 4 I-70125 Bari (Italy) (Tel.: +39 (0)99
DettagliAmplificatori in classe A con accoppiamento capacitivo
Ottobre 00 Amplificatori in classe A con accoppiamento capacitivo amplificatore in classe A di Fig. presenta lo svantaggio che il carico è percorso sia dalla componente di segnale, variabile nel tempo,
DettagliLa probabilità composta
La probabilità composta DEFINIZIONE. Un evento E si dice composto se il suo verificarsi è legato al verificarsi contemporaneo (o in successione) degli eventi E 1, E 2 che lo compongono. Consideriamo il
DettagliNotazione: nel seguito, dato un insieme A, P(A) indicherà l insieme delle parti di A.
Notazione: nel seguito, dato un insieme A, P(A) indicherà l insieme delle parti di A. 1. Spazio di probabilità prodotto di una famiglia finita di spazi di probabilità Iniziamo la nostra discussione con
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare p. 1/39 Geometria della programmazione lineare Mariantonia Cotronei Facoltà di Ingegneria Università degli Studi Mediterranea di Reggio Calabria Geometria della programmazione
DettagliMatematica e Statistica per STB A.A. 2017/2018. Soluzioni degli esercizi - Foglio 1
Matematica e Statistica per STB A.A. 017/018 Soluzioni degli esercizi - Foglio 1 1. B = 0. a Lo spazio dei campioni associato all esperimento è il prodotto cartesiano Ω = Ω 1 Ω. dove Ω 1 = {1,,, 4, 5,
Dettagli2.6 Calcolo degli equilibri di Nash
92 2 Giochi non Cooperativi Per queste estensioni di giochi non finiti si possono provare risultati analoghi a quelli visti per i giochi finiti. Rimandiamo alla bibliografia per uno studio più approfondito
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)
DettagliEventi Condizionati. se E ed H sono entrambi veri se E è f a l s o e H è v e r o. indeterminato
Dati due eventi E ed H, con H 6= logico a tre valori E H = 8 < : Eventi Condizionati vero falso indeterminato, si definisce evento condizionato il seguente ente se E ed H sono entrambi veri se E è f a
DettagliLA RICERCA OPERATIVA. Richiami storici
LA RICERCA OPERATIVA La ricerca operativa si occupa delle tecniche e dei metodi che sono di supporto alle decisioni in campo economico ed organizzativo. La ricerca operativa ha lo scopo di individuare
Dettagli( ) le colonne della matrice dei coefficienti, con. , risulta A 3 = A 1 + 4A 2 + 4A 5, A 4 = A 1 + A 2,
1 Elementi di Analisi Matematica e Ricerca Operativa prova del 6 luglio 2016 1) Discutere il seguente problema di Programmazione Lineare: Trovare il massimo di p x 1, x 2, x 3, x 4 # x 2 + 4 x 3 + x 4
DettagliMICROECONOMIA MATEMATICA
A13 363 Gianluca Dari MICROECONOMIA MATEMATICA TRECENTO ESERCIZI SVOLTI Copyright MMX ARACNE editrice S.r.l. www.aracneeditrice.it info@aracneeditrice.it via Raffaele Garofalo, 133/A B 00173 Roma (06)
DettagliIndice della lezione. Incertezza e rischio: sinonimi? UNIVERSITA DEGLI STUDI DI PARMA FACOLTA DI ECONOMIA
UNIVERSIT DEGLI STUDI DI PRM FCOLT DI ECONOMI Corso di Corporate anking a.a. 2010 2011 (Professor Eugenio Pavarani) Introduzione al rischio CPITOLO 9 1 Indice della lezione Rischio e rendimento per titoli
DettagliIn questo esempio, come in tutti gli altri, chiamiamo l individuo 1 giocatore di riga, perché deve scegliere di collocarsi in una delle due righe
Teoria dei Giochi La teoria dei giochi è la scienza matematica che studia e analizza le decisioni individuali di più soggetti che mirano al massimo guadagno personale dalla scelta che essi prendono. Le
DettagliRelatore: Ch.mo Prof. Giorgio Romanin Jacur. Laureando: Alberto Pan
UNIVERSITÀ DEGLI STUDI DI PADOVA Facoltà di Ingegneria Corso di Laurea in Ingegneria Gestionale Tesi di Laurea FONDAMENTI DI TEORIA DECISIONALE FUNDAMENTALS OF DECISIONAL THEORY Relatore: Ch.mo Prof. Giorgio
DettagliCalcolo combinatorio
Calcolo combinatorio Fattoriale: n! = n( n 1)( n 2)...1 1 1 n n = 0 Fattoriale discendente: n( n 1)...( n k + 1) n! (n) k = = ( n k)! 1 1 k n k = 0 Coefficiente binomiale (k n) : n (n) = k n! = k k! k!(
DettagliPROBABILITA E STATISTICA
PROBABILITA E STATISTICA La nozione di probabilità è stata concepita in modi diversi; GROSSOLANAMENTE le principali sono: Concezione classica: concetto di probabilità come uguale possibilità concezione
DettagliAnalisi Decisionale. (Decision Analysis) Caratteristiche:
Analisi Decisionale 1 Analisi Decisionale (Decision Analysis) Metodologia che si applica quando un decisore può scegliere tra varie azioni future il cui esito dipende da fattori esterni che non possono
DettagliRICERCA OPERATIVA GRUPPO A prova scritta del 21 luglio 2010
RICERCA OPERATIVA GRUPPO A prova scritta del luglio 00. Dato il problema di programmazione lineare P) min z = x + x + x max y + y x + x + x = y + y < x + x x y + y < x, x, x 0 y y < y > 0 a) costruirne
DettagliMetodi Decisionali Multicriterio
Metodi Decisionali Multicriterio Decisore Si hanno individuano due proprietà di un decisore: -intelligenza possiede capacità logiche per individuare senza errori la scelta che gli assicura il miglior risultato
DettagliSulle probabilità nel gioco del SuperEnalotto, di Witko -
Introduzione. Sulle probabilità nel gioco del SuperEnalotto, di Witko - jtosk@libero.it UnerrorechesicommettecomunementenelgiocodelSuperEnalottoèquellodipensarechelaprobabilitàdirealizzare il sia equivalente
DettagliTeoria delle decisioni introduzione
Corso di TRASPORTI E TERRITORIO e TEORIA E TECNICA DELLA CIRCOLAZIONE Teoria delle decisioni introduzione DOCENTI Agostino Nuzzolo (nuzzolo@ing.uniroma2.it) Antonio Comi (comi@ing.uniroma2.it) 1 Decisione
Dettagli( A) ( ) 3. Concezioni e valutazioni di probabilità
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 0/03 lezione di statistica del maggio 03 - di Massimo Cristallo - 3. Concezioni e valutazioni di probabilità
DettagliSTATISTICA 1 ESERCITAZIONE 8
STATISTICA 1 ESERCITAZIONE 8 Dott. Giuseppe Pandolfo 18 Novembre 2013 CALCOLO DELLE PROBABILITA Elementi del calcolo delle probabilità: 1) Esperimento: fenomeno caratterizzato da incertezza 2) Evento:
Dettagli1 Ampliamento del piano e coordinate omogenee
1 Ampliamento del piano e coordinate omogenee Vogliamo dare una idea, senza molte pretese, dei concetti che stanno alla base di alcuni calcoli svolti nella classificazione delle coniche. Supponiamo di
DettagliStatistica. Capitolo 4. Probabilità. Cap. 4-1
Statistica Capitolo 4 Probabilità Cap. 4-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare concetti e definizioni fondamentali della probabilità Usare il diagramma
DettagliDefinizione 1.3 (Arco accoppiato) Un arco è accoppiato se è appartenente al matching M.
Matching. Definizioni Definizione. (Matching di un grafo G = (N, A)) Il matching di un grafo è un sottoinsieme M di archi tali per cui nessuna coppia di essi condivida lo stesso nodo. Definizione.2 (Matching
DettagliConcetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2016/2017. Giovanni Lafratta
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2016/2017 Giovanni Lafratta ii Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
Dettagli3.3 Problemi di PLI facili
3.3 Problemi di PLI facili Consideriamo un generico problema di PLI espresso in forma standard min{c t x : Ax = b, x Z n +} (1) dove A Z m n con n m, e b Z m. Supponiamo che A sia di rango pieno. Sia P
DettagliLA TEORIA DELL OFFERTA: LE IMPRESE
LA TEORIA DELL OFFERTA: LE IMPRESE L obiettivo della quarta e quinta unità didattica sarà, tra gli altri, quello di legittimare, da un punto di vista teorico, l ipotesi che la funzione di offerta in mercati
DettagliProbabilità. Fulvio Bisi-Anna Torre
Probabilità Fulvio Bisi-Anna Torre FRATELLI E SORELLE Per la ricorrenza della festa della mamma, la sig.ra Luisa organizza una cena a casa sua, con le sue amiche che hanno almeno una figlia femmina. La
Dettagli1 4 Esempio 2. Si determini la distribuzione di probabilità della variabile casuale X = punteggio ottenuto lanciando un dado. Si ha immediatamente:
CAPITOLO TERZO VARIABILI CASUALI. Le variabili casuali e la loro distribuzione di probabilità In molte situazioni, dato uno spazio di probabilità S, si è interessati non tanto agli eventi elementari (o
DettagliCapitolo 6 Economia dell informazione e scelta in condizioni di incertezza
Capitolo 6 Economia dell informazione e scelta in condizioni di incertezza COSA ABBIAMO FATTO FINORA Concetti introduttivi della microeconomia Teoria della scelta razionale del consumatore in condizioni
DettagliCalcolo delle Probabilità
Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello
DettagliUniversità degli Studi di Roma La Sapienza
Università degli Studi di Roma La Sapienza Dipartimento di Informatica e Sistemistica A. Ruberti Proff. Gianni Di Pillo and Laura Palagi Note per il corso di OTTIMIZZAZIONE (a.a. 2007-08) Dipartimento
DettagliEsercizi di Probabilità
Esercizi di Probabilità Grazia Corvaia, Patrizio Lattanzio, Alessandra Nardi February 0, 09 L urna colorata In un urna si trovano 0 palline, 5 viola e 5 arancioni. Calcolare la probabilità che, in due
DettagliMATEMATICA PER LO STUDIO DELLE INTERAZIONI STRATEGICHE: TEORIA DEI GIOCHI. Anna TORRE
MATEMATICA PER LO STUDIO DELLE INTERAZIONI STRATEGICHE: TEORIA DEI GIOCHI Anna TORRE Dipartimento di Matematica, Università di Pavia, Via Ferrata 1, 27100, Pavia, Italy. E-mail: anna.torre@unipv.it 1 SOLUZIONI:
DettagliEsercitazione 6 Ancora sul Network Flow
Esercitazione 6 Ancora sul Network Flow Problema 14 (appello 28/09/2015) Un importante azienda di sviluppo software ha n progetti da portare a termine entro la fine dell anno. Il manager dell azienda stima
DettagliSOLUZIONI DEL 2 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA
SOLUZIONI DEL 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA Esercizio 0.1 Una moneta non truccata viene lanciata 10 volte. Calcolare la probabilità che non esca mai testa. Quale risulta la probabilità
Dettagli2. I numeri reali e le funzioni di variabile reale
. I numeri reali e le funzioni di variabile reale Introduzione Il metodo comunemente usato in Matematica consiste nel precisare senza ambiguità i presupposti, da non cambiare durante l elaborazione dei
DettagliSTATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE
S.S.I.S TOSCANA F.I.M. -II anno STATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE PROBLEMA 1 Vogliamo valutare la percentuale p di donne fumatrici tra le donne in età fertile. Procediamo all estrazione
DettagliSTATISTICA MEDICA (III)
Laurea triennale in EDUCATORE PROFESSIONALE a.a. 2010-2011 STATISTICA MEDICA (III) Flavia Carle Centro di Epidemiologia, Biostatistica e Informatica Medica Università Politecnica delle Marche Facoltà di
DettagliMicroeconomia - Problem set 3 - soluzione
Microeconomia - Problem set 3 - soluzione (Prof. Paolo Giordani - TA: Pierluigi Murro) 30 Aprile 2015 Esercizio 1. Si consideri un agente con un capitale iniziale pari a 100 cui viene proposta la seguente
DettagliRicerca Operativa. Programmazione Lineare. Università Mediterranea di Reggio Calabria Decisions Lab
Ricerca Operativa Programmazione Lineare Università Mediterranea di Reggio Calabria Decisions Lab Ottimizzazione In un problema di ottimizzazione si cerca di massimizzare o minimizzare una quantità specifica,
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
DettagliELEMENTI DI PROBABILITA (parte 2) 1 / 27
ELEMENTI DI PROBABILITA (parte 2) 1 / 27 Combinazioni 2 / 27 Supponiamo di non essere interessati all ordine in cui sono disposti gli oggetti, per cui la parola abc sia indistinguibile dalla parola bca.
DettagliProbabilità: teoremi e distribuzioni
Probabilità: teoremi e distribuzioni OBIETTIVO DIDATTICO DELLA LEZIONE Illustrare le più importanti distribuzioni di probabilità che vengono utilizzate in statistica Distribuzioni di probabilità 1. La
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
DettagliLa probabilità matematica
1 La probabilità matematica In generale parliamo di eventi probabili o improbabili quando non siamo sicuri se si verificheranno. DEFINIZIONE. Un evento (E) si dice casuale, o aleatorio, quando il suo verificarsi
DettagliIn Meccanica Celeste, come del resto in altri campi della Fisica, si incontra spesso una funzione della forma zh+h.
Appendice STRUMENTI ANALITICI Questa appendice è dedicata alle funzioni necessarie per gli sviluppi in serie in uso in Meccanica Celeste. La discussione è volutamente breve, in quanto limitata a quegli
DettagliLa dualità nella Programmazione Lineare
Capitolo 3 La dualità nella Programmazione Lineare 3.1 Teoria della dualità Esercizio 3.1.1 Scrivere il problema duale del seguente problema di Programmazione Lineare: min x 1 x 2 + x 3 2x 1 +3x 2 3 x
DettagliIntroduzione al Teorema di Bayes - Regola delle probabilitá totali
Statistica e analisi dei dati Data: 14 Marzo 2016 Introduzione al Teorema di ayes - Regola delle probabilitá totali Docente: Prof. Giuseppe occignone Scriba: Diedolo Luca 1 Teorema di ayes Il teorema o
DettagliProbabilità. 2) Vengono estratte 5 carte; quale è la probabilità che ci siano esattamente 2 denari? ª 0,278. k fattori. n - k +1 ) k!
Definizione classica = P A Probabilità numero esiti favorevoli numero esiti possibili Esempi 1) Da un mazzo di 40 carte (bastoni, coppe, denari, spade) ne viene estratta una; quale è la probabilità che
DettagliTeoria dei Giochi Prova del 28 Settembre 2012
Cognome, Nome, Numero di Matricola, email: Teoria dei Giochi Prova del 28 Settembre 2012 Esercizio 1. Considera il seguente gioco non cooperativo. È data una rete con insieme dei nodi V = {s,x 1,x 2,y,t}
DettagliProblemi di massimo e minimo
Problemi di massimo e minimo Supponiamo di avere una funzione continua in Per il teorema di Weierstrass esistono il massimo assoluto M e il minimo assoluto m I problemi di massimo e minimo sono problemi
DettagliDISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19 Variabili casuali (o aleatorie) 2 / 19 Disponendo di metodi corretti per raccogliere i dati e costruire i campioni data una popolazione, i valori numerici
DettagliSOLUZIONI DEL 1 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA
SOLUZIONI DEL 1 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA 1 Esercizio 0.1 Dato P (A) = 0.5 e P (A B) = 0.6, determinare P (B) nei casi in cui: a] A e B sono incompatibili; b] A e B sono indipendenti;
DettagliAPPUNTI. oppure o ancora. se e allora. , esiste un tale che
APPUNTI Impostazione Assiomatica 1) Completezza e coerenza. oppure o ancora. se e allora 2) Monotonicità se e solo se 3) Continuità, esiste un tale che 4) Indipendenza 5) Riduzione è la probabilità totale
DettagliDecisioni di risparmio
Decisioni di risparmio Giancarlo Gozzi Dipartimento di Scienze Economiche Università di Bologna Marzo 2018 Sommario Decisioni di consumo e risparmio Scelte intertemporali e risparmio Il vincolo di bilancio
Dettagli3 giugno 2019, es.1) Programmazione lineare
giugno 09, es.) Programmazione lineare Discutere il seguente problema di Programmazione lineare: trovare, se esiste, il massimo di p(x, x, x, x 4 ) = 5 x + x + x + 6 x 4 con i vincoli x k 0 ( k 4) e x
DettagliPrima esercitazione
Università Carlo Cattaneo - LIUC C, M P E 014-015 Prima esercitazione 5 Novembre 014 Schema del corso Concetti base: oligopolio à la Cournot e Betrand; concentrazione. Estensioni dei concetti base: oligopolio
DettagliLa scienza dei dadi.
Dalla teoria delle probabilità alla (dis)informazione Università di Bologna 4 novembre 2017 Liceo Scientifico Galilei di Dolo La Scienza a Scuola Zanichelli Alcune domande Malattie rare Test sulla emofilia
Dettaglimin det det Allora è unimodulare se e solo se det 1, 1, 0 per ogni sottomatrice quadrata di di qualsiasi dimensione.
Se è unimodulare e è intero allora il poliedro 0 ha vertici interi. Sia un vertice di Per definizione esiste allora una base di tale che, 0 Poiché è non singolare ( invertibile det 0) si ha che det 1 è
DettagliCapitolo 3 La scelta razionale del consumatore
Capitolo 3 La scelta razionale del consumatore Il comportamento del consumatore Tre fasi distinte di analisi nello studio del comportamento del consumatore 1. Le preferenze del consumatore 2. I vincoli
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliCALCOLO DELLE PROBABILITA
CALCOLO DELLE PROBABILITA Italo Nofroni Statistica medica - Facoltà di Medicina Sapienza - Roma Nella ricerca scientifica, così come nella vita, trionfa l incertezza Chi guiderà il prossimo governo? Quanto
Dettagli25 - Funzioni di più Variabili Introduzione
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 25 - Funzioni di più Variabili Introduzione Anno Accademico 2013/2014 M. Tumminello
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
Dettagli