Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE. Prof. Dario Amodio Ing. Gianluca Chiappini

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE. Prof. Dario Amodio d.amodio@univpm.it. Ing. Gianluca Chiappini g.chiappini@univpm."

Transcript

1 Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE Prof. Daro Amodo Ing. Ganluca Chappn (Ddattca/Dspense) Testo d rfermento: Stefano Beretta Affdabltà delle Costruzon Meccanche Sprnger, 9 Programma del corso Probabltà / Funzone denstà d probabltà / Probabltà cumulata / Affdabltà Tasso d Guasto / MTTF, MTBF Prncpal Funzon d Dstrbuzone Dstrbuzone Esponenzale / Dstrbuzone normale / Dstrbuzone Lognormale / Dstrbuzone d Webull Algebra delle varabl casual Varabl Multple / Regressone Lneare Carte d Probabltà Ret d affdabltà per sstem meccanc compless Calcolo dell affdabltà d un sstema multcomponente / Scelta del coeffcente d scurezza Metod per aumentare l affdabltà Selezone de component / Collaudo / Deratng / Rdondanza Albero de guast, FMEA e FMECA Esemp d stesura delle tabelle per organ meccanc d semplce funzonamento Esemp ed esercz 1

2 Camponamento e varabl aleatore campon Data una popolazone p d dat, s chama camponamento l estrazone d uno d quest dat (campone). popolazone La popolazone rappresenta qund una varable aleatora o casuale Y, mentre con ndchamo l generco valore osservato come rsultato d un espermento o camponamento. s troverà all nterno d un certo domno d esstenza Ỹ valor osservat Y Ỹ Camponamento e varabl aleatore La casualtà o aleatoretà delle varabl, salvo dversamente specfcato, non s rfersce a eventual ncertezze o error d msura, ma semplcemente al fatto che l valore delle varabl n esame non può essere noto con esattezza a pror permotv var Esemp d varabl aleatore: Resstenza d una barra n accao verfcata tramte prova d trazone Pressone atmosferca Pogga annua d una localtà Numero d persone n un locale o su un autobus Numero d crcche > mm n un pannello Contnue Dscrete Il confne tra le due categore è pù teorco che pratco n quanto, ad es.: la pogga annua d una localtà è sempre dscretzzata n mm Le elaborazone dgtal moderne effettuano sempre una dscretzzazone de valor, per cu anche le varabl contnue sono trattate come dscrete, però la potenza d calcolo e le memore attual consentono d utlzzare una gran mole d dat che fa assomglare anche un problema dscreto ad uno contnuo

3 Probabltà Supponamo d poter rpetere un espermento relatvo ad una grandezza Y per un numero d volte n grande a pacere, allora s otterranno n rsultat: 1,,.., n Se A è un sottonseme d Ỹ, la probabltà che l rsultato d un evento o espermento cada all nterno d A vale: # : A Prob( A) lm, n n con 1,,..., n Se un evento è certo la sua probabltà è 1 Ad esempo s consder l lanco d un dado a 6 facce con A = 1,,3,4,5,6 Se un evento è mpossble la sua probabltà è Ad esempo s consder l lanco d un dado a 6 facce con A = 7 Probabltà Dat due event A e B mutuamente esclusv, la loro probabltà combnata, vale a dre la probabltà che s verfch l uno o l altro caso vale: Prob(A+B) = Prob(A) + Prob(B) Ad esempo s consder l lanco d un dado a 6 facce con A =, e B = 5. La probabltà d avere o 5 è la somma de due event pres separatamente Se due event A e B sono ndpendent, la loro probabltà combnata, vale a dre la probabltà che s verfch contemporaneamente vale: Prob(A+B) = Prob(A) Prob(B) Ad esempo s consder due lanc d un dado a 6 facce con A = eb= 5 La probabltà d azzeccare al Ad esempo s consder due lanc d un dado a 6 facce con A, e B 5. La probabltà d azzeccare al prmo lanco e 5 al secondo è data dal prodotto delle due probabltà prese separatamente 3

4 Probabltà Dat due event A e B non mutuamente esclusv, la loro probabltà combnata, vale a dre la probabltà che s verfch l uno oppure l altro caso vale: Prob(A+B) = Prob(A) + Prob(B) Prob(AB) Ad esempo s consder l lanco d due dad a 6 facce con A =, e B =. La probabltà d avere almeno un dado uguale ad è dato dalla somma della probabltà d avere sul prmo dado pù la probabltà d avere sul secondo dado meno la probabltà d avere su entrambe dad. Prob(A) = 1/6 =.1667 Prob(B) = 1/6 =.1667 Prob(AB) = 1/36 =.78 Prob(A+B) = Prob(A) + Prob(B) Prob(AB) = 11/36 =.356 Funzone denstà d probabltà (pdf) Assegnata una varable contnua Y le cu osservazon rcadono all nterno del domno Ỹ, la pdf è defnta come: Prob( Y [, ]) f ( ) lm f() rappresenta la probabltà che un valore casualmente estratto dalla popolazone cada all nterno dell ntervallo d dmenson nfntesme d, dvso d stesso (coè l ampezza dell ntervallo consderato). In altr termn: f ( ) d Prob( Y d) N.B.: f() è qund una funzone a valor fnt, mentre la probabltà f()d è un numero nfntesmo perché s rfersce alla probabltà d un ntervallo nfntesmo 4

5 a Funzone d probabltà cumulata (cdf) Assegnata una varable contnua Y le cu osservazon rcadono all nterno.35 del domno Ỹ, la pdf è defnta come: Prob( Y [, ]) f ( ) lm.3.5. f() La funzone d probabltà cumulata è nvece defnta come: PDF.15.1 F().5 F ( ) Prob( Y ) f ( ) d 1 oppure l lmte nferore d Ỹ essa rappresenta la probabltà che una osservazone casuale d Y sa nferore ad, ed equvale all area sottesa dalla curva pdf CDF F() Funzone d probabltà cumulata (cdf) Se s consdera =+ o sup Ỹ, cdf vale:.35 F (sup Υ ~ ) f ( ) d 1 Υ.3.5 f(). PDF Coè la probabltà d trovare Y all nterno dell ntero domno Ỹ vale 1 (1%) Invece la probabltà d trovare Y all nterno d un generco ntervallo ]a, b] vale: b Prob(a<Y b) = Prob(Y b) - Prob(Y<a) = = F(b)-F(a) CDF F() F(b)-F(a) 5

6 Percentle Il percentle p% della popolazone Y è defnto come l valore argomentale (ossa l valore della varable) p la cu probabltà cumulata vale propro p/1. p/1 CDF F() Il percentle rappresenta n defntva la lettura n modo nverso della funzone d F(a) probabltà cumulata F a p.35 Affdabltà.3 La funzone affdabltà R() è l complemento a1dellaf e rappresenta la probabltà che Y assuma valor > R() = Prob(Y> ) = 1 F() PDF F() f() R().5 Varabl dscrete Se s tratta una varable dscreta Y con domno Ỹ ={ 1,, } (tutt possbl valor d ), s defnsce la funzone massa d probabltà n p ( ) Prob( Y ) lm N N dove n è l numero d osservazon con rsultat e N è l numero d osservazon total. Coè per un generco valore possble nel domno d esstenza s può defnre la probabltà (fnta) che l evento o l espermento abba come esto propro. La probabltà cumulata (che un osservazone sa k ) è data da: F ( ) Prob( Y k k ) : k p( ) Nel caso d varabl dscrete, la funzone denstà d probabltà f() s trasforma n massa d probabltà p( ), e non è pù rappresentata da una curva contnua ma da un stogramma. 6

7 Istogramma Nel caso d varabl dscrete, la funzone denstà d probabltà f() s trasforma n massa d probabltà p( ), e non è pù rappresentata da una curva contnua ma da un stogramma. L stogramma può essere usato convenentemente anche per dscretzzare varabl contnue: se s hanno a dsposzone N camponament o valor osservat d una varable contnua, convene suddvdere l domno n k ntervall o class k log1 ( N ) e verfcare quante rcorrenze s hanno n cascuna classe. Frequenza n = numero d rsultat che cadono all nterno dell -esma classe Frequenza relatva Denstà dell -esma classe n f N f n N rcorrenze o frequenze rcorrenze o frequenze x x 14 1 Al dmnure dell ampezza delle class Δ, l stogramma assomgla sempre pù ad una pdf contnua Istogramma Una volta noto o calcolato l stogramma, s calcola faclmente con la defnzone d F la probabltà cumulata per varabl dscrete x rcorrenze o frequenze probabltà cumulata x rcorrenze o frequenze probabltà cumulata

8 Indcator d tendenza S supponga d studare una varable aleatora Y d cu è nota una dstrbuzone, s defnscono la moda, come quel valore argomentale che massmzza la funzone massa d probabltà (per varabl dscrete) o denstà d probabltà (per varabl contnue) la medana, come quel valore argomentale al percentle 5% Var Valore atteso E( Y ) p( ) E( Y ) f ( ) d ~ e dspersone ( ) p( ) E( Y ) ( Y ) ~ Varanza Var Devazone standard Var(Y ) ~ ( Y ) ( ) f ( ) d E( Y ) ~ Coeffc. d varazone CV CV Statstche camponare S supponga d studare una varable aleatora Y d cu, tramte un camponamento o realzzazone camponara, sono note n osservazon: 1,, 3,, n n S defnsce meda camponara: n La meda camponara rappresenta una stma del valore atteso della dstrbuzone (non nota) da cu sono stat estratt campon. S defnsce varanza camponara: S n ( ) n 1 La varanza camponara rappresenta una stma della varanza della dstrbuzone (non nota) da cu sono stat estratt campon. 8

9 Affdabltà condzonata La probabltà condzonata d un evento A rspetto a B è data dalla probabltà che s verfch A, dopo che s è verfcato B. L affdabltà condzonata R(T, Δ) ) rsponde nvece alla domanda: qual è la probabltà d poter compere una mssone d durata Δ dopo aver gà consumato una vta T? o n altr termn: dato un componente che ha gà funzonato per un perodo T, quanto vale la sua affdabltà per funzonare un ulterore perodo Δ? La probabltà d sopravvvere all stante T + Δ vale: (la probabltà d sopravvvere fno a T ) (la probabltà d sopravvvere durante Δ).35 R( T ) R( T ) R( T, ) qund R( T ) R( T, ) R( T ) PDF f() N.B.: R(T, Δ) non va confusa con (F(T +Δ)-F(T )), R(T, Δ) è l rapporto tra le aree a T e T +Δ msurate da destra.5 T T + Δ Eserczo Tratto da es. 1.1 del lbro (con modfche) Assegnato un gruppo fren la cu vta è dstrbuta secondo la tabella sotto rportata, s chede d calcolare: 1) La durata corrspondente al percentle 1% ) Quant grupp fren vanno sosttut a 5 km 3) Moda e medana 4) Meda (o valore atteso) e varanza 5) Probabltà d portare a termne mssone d 1 km per un freno che ha gà fatto 7 km dstanza n mglaa d km numero d cedment

10 Eserczo testo 1) Occorre aggungere alla tabellna le colonne relatve al calcolo della massa d probabltà e della probabltà cumulata d guasto numero d dstanza n Mm cedment p F tot 11 1 p n ( ) con n 11 n tot tot S può verfcare che p( ) 1 po s esegue la somma progressva de p( ) ottenendo la colonna della probabltà cumulata F( ), l cu valore fnale vale gustamente 1 Il percentle p1% s trova per nterpolazone, tra la 3 e 4 rga: 6 55 p1% mglaa d km Eserczo testo ) Per calcolare F(5) occorre fare l nterpolazone tra la e 3 rga dstanza n Mm numero d cedment p F tot F( 5) Poco meno del 6% de pezz s rompe prma d 5 km % 1

11 Eserczo testo 3) La moda è l valore della varable che massmzza la pdf o l stogramma, coè 75 km dstanza n Mm numero d cedment p F tot 11 1 numero d guast mglaa d km La medana equvale al percentle 5%, e s ottene nterpolando tra la 6 e 7 rga 75 7 p5% mglaa d km Eserczo testo 4) Per calcolare meda e varanza occorre aggungere le colonne per l calcolo d: dstanza n Mm numero d cedment p F p* p*( mu)^ tot Effettuando le somme s ottene E( Y ) p( ) ~ Var( Y ) ( ) p( ) 147. ~ mglaa d km CV. 163 p() e p() (-μ) mglaa d km mglaa d km 11

12 Eserczo testo 5) Occorre calcolare R(7,1) dstanza n Mm numero d cedment p F p* p p*( mu)^ p( tot 11 1 R(8) 1 F(8) R( 7,1) % R(7) 1 F(7) Tasso d guasto (Falure Rate) Il Tasso d Guasto, esprmble con una funzone h(, esprme la probabltà d un componente d arrvare a rottura dopo aver raggunto un tempo t. La probabltà d cedmento nell ntervallo nfntesmo [t, t+] è data dal prodotto della probabltà del componente d arrvare sano al tempo t per la probabltà del componente d cedere dopo aver superato t: Probabltà d cedmento nell ntervallo [t, t+] ] f ( R( h( Probabltà d superare l stante d tempo t Probabltà d cedere dopo aver superato t f ( h( R( 1

13 Tasso d guasto (Falure Rate) Il Tasso d Guasto è la msura stantanea della varazone della curva cumulatva rspetto alla probabltà che l componente sa ancora sopravvssuto. Coè valuta con che percentuale s hanno guast fra gl element rmanent. F( f ( h( t 1 F( R( La probabltà h( è ex-post, n quanto rferta a un manufatto sano al tempo t, mentre la probabltà f( è ex-ante, n quanto rferta a un manufatto certamente sano al tempo t= Il tasso d guasto ha dmenson nverse al tempo, qund può essere nterpretato come ndce del numero d guast nell untà d tempo, coè come veloctà d guasto I data-sheet de manufatt dcharano spesso l tasso d guasto Tasso d guasto (Falure Rate) S consderno N component d un test: N s ( è l numero de component sopravvssut al tempo t, N f ( è l numero de component rott al tempo t. dervando: t N N f t N f t Ns R ( t ) 1 N N dr ( t ) dn f 1 N t Il Tasso d guasto, n base alla sua defnzone, può essere scrtto come: h t 1 N Dvdendo e moltplcando per N s ottene: h t N N s t s t dr t dn f t N 1 dr t R t 13

14 Tasso d guasto (Falure Rate) 1 dr t h t R t Integrando e tenendo conto che R()=1 s ottene: t h t Qund l affdabltà R( dventa: t t dr t R t R e t h ln R t t Tasso d guasto (Falure Rate) In genere guast sono raggruppabl n tre tp: Guast durante l rodaggo (qualt falures): d solto sono dovut ad error d progetto o d fabbrcazone (materale dfettoso assemblaggo o aggustaggo scorretto). Guast casual (stress-related falures): sono dovut a cause aleatore che provocano l applcazone all elemento d forze che superano la resstenza d progetto. Guast per nvecchamento organco o tecnco (wearout falures): avvengono quando l prodotto raggunge l termne della sua vta effettva. mortaltà nfantle h( decrescente danneggamento casuale h( costante usura h( crescente 14

15 Tasso d guasto (Falure Rate) Curva a vasca da bagno (bathtub): h( mortaltà nfantle vta utle usura t Tempo medo tra guast MTBF Il tempo medo fra guast (Mean Tme Between Falures, MTBF), è un parametro d affdabltà applcable a dspostv meccanc, elettrc ed elettronc e ad applcazon software. Il MTBF è l l tt dlt t t d l l h Il MTBF è l valore atteso del tempo tra un guasto ed l successvo; la suamsura ha mportanza n moltssm ambt; ad esempo: la valutazone della vta meda d un dspostvo meccanco, o d un componente elettronco, nell'ambto della progettazone, la valutazone del tempo d attesa n coda d un semlavorato, se l guasto è rferto ad una macchna utensle n un processo d produzone ndustrale 15

16 Tempo medo tra guast MTBF MTTF Il tempo medo tra guast MTBF s ntende la somma d due temp: MTTF (Mean Tme To Falure) e MTTR (Mean Tme To Repar). MTBF =MTTF+MTTR Il tempo medo fno al guasto o MTTF rappresenta la vta meda d un componente. Esso è qund calcolable come valore atteso della funzone denstà d probabltà, o come ntegrale su tutto l domno della funzone affdabltà: MTTF tf ( oppure come ntegrale su tutto l domno della funzone affdabltà: d d d f ( F ( t 1 R( R( ) = MTTF t d R( t R( R( R( ntegrando per part Tempo medo tra guast MTBF MTTF Il tempo medo tra guast MTBF s ntende la somma d due temp: MTTF (Mean Tme To Falure) e MTTR (Mean Tme To Repar). MTBF =MTTF+MTTR Il tempo medo fno al guasto o MTTF rappresenta la vta meda d un componente. Esso è qund calcolable come valore atteso della funzone denstà d probabltà, o come ntegrale su tutto l domno della funzone affdabltà: MTTF tf ( R( S defnsce nvece l tasso d guasto medo, come la meda temporale per un certo perodo del tasso d guasto: t h 1 h t t ( ) Concettualmente l tasso d guasto medo ed l MTTF sono l uno l recproco dell altro 16

17 Eserczo Tratto da es. 6.1 del lbro (con modfche) Data una popolazone d 1 component d cu sono not temp d cedmento, calcolare: 1) Il Tasso d Guasto ) Meda (o valore atteso) e Medana t [ore] Numero d component operatv Ns Eserczo 1) Il Tasso d Guasto Numero d t [ore] component operatv Ns

18 Eserczo 1) Il Tasso d Guasto t [ore] Numero d component operatv Ns Affdabltà R( = Ns(/N Dfferenzale dell'affdabltà dr(/ = R/t Tasso d Guasto h( = dr(/ 1/R( h( Tasso d Guasto,45,4,3535,3,5,,15,1,5, t [ore] 1) ) Meda (o valore atteso) e Medana Eserczo t [ore] Numero d component operatv Ns

19 1) ) Meda (o valore atteso) e Medana Eserczo t [ore] Numero d component operatv Ns Numero d cedment Nf Cedment cumulat Massa d probabltà p pdf f( F(T) f** meda = f = 6.6 ore La medana equvale al percentle 5%, e s ottene nterpolando tra la 14 e 15 rga 7 65 p5% ore 1) ) Meda (o valore atteso) e Medana Eserczo t [ore] Numero d component operatv Ns Numero d cedment Nf Cedment cumulat Massa d probabltà p pdf f( F(T) f** Tasso d Guasto h( = f(/r( meda = f = 6.6 ore La medana equvale al percentle 5%, e s ottene nterpolando tra la 14 e 15 rga 7 65 p5% ore 19

LA COMPATIBILITA tra due misure:

LA COMPATIBILITA tra due misure: LA COMPATIBILITA tra due msure: 0.4 Due msure, supposte affette da error casual, s dcono tra loro compatbl quando la loro dfferenza può essere rcondotta ad una pura fluttuazone statstca attorno al valore

Dettagli

Statistica e calcolo delle Probabilità. Allievi INF

Statistica e calcolo delle Probabilità. Allievi INF Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:

Dettagli

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA Mnstero della Salute D.G. della programmazone santara --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA La valutazone del coeffcente d varabltà dell mpatto economco consente d ndvduare gl ACC e DRG

Dettagli

ANALISI STATISTICA DELLE INCERTEZZE CASUALI

ANALISI STATISTICA DELLE INCERTEZZE CASUALI AALISI STATISTICA DELLE ICERTEZZE CASUALI Consderamo l caso della msura d una grandezza fsca che sa affetta da error casual. Per ottenere maggor nformazone sul valore vero della grandezza rpetamo pù volte

Dettagli

STATISTICA DESCRITTIVA CON EXCEL

STATISTICA DESCRITTIVA CON EXCEL STATISTICA DESCRITTIVA CON EXCEL Corso d CPS - II parte: Statstca Laurea n Informatca Sstem e Ret 2004-2005 1 Obettv della lezone Introduzone all uso d EXCEL Statstca descrttva Utlzzo dello strumento:

Dettagli

Strada B. Classe Velocità valore frequenza Frequ. ass Frequ. % hi Freq. Cum

Strada B. Classe Velocità valore frequenza Frequ. ass Frequ. % hi Freq. Cum Eserczo SINTESI S supponga d avere eseguto 70 msure della veloctà stantanea de vecol che transtano nelle sezon d due strade A e B. S supponga che tal msure sano state eseguta n corrspondenza d valor modest

Dettagli

Variabili statistiche - Sommario

Variabili statistiche - Sommario Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su

Dettagli

Elementi di statistica

Elementi di statistica Element d statstca Popolazone statstca e campone casuale S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..) e

Dettagli

PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -

PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 - PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata

Dettagli

ESERCIZIO 4.1 Si consideri una popolazione consistente delle quattro misurazioni 0, 3, 12 e 20 descritta dalla seguente distribuzione di probabilità:

ESERCIZIO 4.1 Si consideri una popolazione consistente delle quattro misurazioni 0, 3, 12 e 20 descritta dalla seguente distribuzione di probabilità: ESERCIZIO. S consder una popolazone consstente delle quattro msurazon,, e descrtta dalla seguente dstrbuzone d probabltà: X P(X) ¼ ¼ ¼ ¼ S estrae casualmente usando uno schema d camponamento senza rpetzone

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI DI STATISTICA ELEMENTI DI STATISTICA POPOLAZIONE STATISTICA E CAMPIONE CASUALE S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..)

Dettagli

3. Esercitazioni di Teoria delle code

3. Esercitazioni di Teoria delle code 3. Eserctazon d Teora delle code Poltecnco d Torno Pagna d 33 Prevsone degl effett d una decsone S ndvduano due tpologe d problem: statc: l problema non vara nel breve perodo dnamc: l problema vara Come

Dettagli

Relazioni tra variabili: Correlazione e regressione lineare

Relazioni tra variabili: Correlazione e regressione lineare Dott. Raffaele Casa - Dpartmento d Produzone Vegetale Modulo d Metodologa Spermentale Febbrao 003 Relazon tra varabl: Correlazone e regressone lneare Anals d relazon tra varabl 6 Produzone d granella (kg

Dettagli

INDICI STATISTICI MEDIA, MODA, MEDIANA, VARIANZA

INDICI STATISTICI MEDIA, MODA, MEDIANA, VARIANZA Lezone 7 - Indc statstc: meda, moda, medana, varanza INDICI STATISTICI MEDIA, MODA, MEDIANA, VARIANZA GRUPPO MAT06 Dp. Matematca, Unverstà d Mlano - Probabltà e Statstca per le Scuole Mede -SILSIS - 2007

Dettagli

TITOLO: L INCERTEZZA DI TARATURA DELLE MACCHINE PROVA MATERIALI (MPM)

TITOLO: L INCERTEZZA DI TARATURA DELLE MACCHINE PROVA MATERIALI (MPM) Identfcazone: SIT/Tec-012/05 Revsone: 0 Data 2005-06-06 Pagna 1 d 7 Annotazon: Il presente documento fornsce comment e lnee guda sull applcazone della ISO 7500-1 COPIA CONTROLLATA N CONSEGNATA A: COPIA

Dettagli

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE * * PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che

Dettagli

3 CAMPIONAMENTO DI BERNOULLI E DI POISSON

3 CAMPIONAMENTO DI BERNOULLI E DI POISSON 3 CAMPIOAMETO DI ROULLI E DI POISSO 3. ITRODUZIOE In questo captolo esamneremo due schem d camponamento che dversamente dal camponamento casuale semplce non producono campon d dmensone fssa ma varable.

Dettagli

* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1

* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1 APAT Agenza per la Protezone dell Ambente e per Servz Tecnc Dpartmento Dfesa del Suolo / Servzo Geologco D Itala Servzo Tecnologe del sto e St Contamnat * * * Nota nerente l calcolo della concentrazone

Dettagli

La verifica delle ipotesi

La verifica delle ipotesi La verfca delle potes In molte crcostanze l rcercatore s trova a dover decdere quale, tra le dverse stuazon possbl rferbl alla popolazone, è quella meglo sostenuta dalle evdenze emprche. Ipotes statstca:

Dettagli

STATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea. Scienze e tecniche neuropsicologiche Modulo 3 Statistica Inferenziale

STATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea. Scienze e tecniche neuropsicologiche Modulo 3 Statistica Inferenziale STATISTICA PSICOMETRICA a.a. 004/005 Cors d laurea Scenze e tecnche neuropscologche Modulo 3 Statstca Inferenzale Probabltà Dstrbuzon d probabltà Dstrbuzon camponare Stma ntervallare Verfca delle potes

Dettagli

LA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE

LA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE Lezone 6 - La statstca: obettv; raccolta dat; le frequenze (EXCEL) assolute e relatve 1 LA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE GRUPPO MAT06 Dp. Matematca, Unverstà

Dettagli

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione 1 La Regressone Lneare (Semplce) Relazone funzonale e statstca tra due varabl Modello d regressone lneare semplce Stma puntuale de coeffcent d regressone Decomposzone della varanza Coeffcente d determnazone

Dettagli

Analisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:

Analisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni: Anals ammortzzata Anals ammortzzata S consdera l tempo rchesto per esegure, nel caso pessmo, una ntera sequenza d operazon. Se le operazon costose sono relatvamente meno frequent allora l costo rchesto

Dettagli

Test delle ipotesi Parte 2

Test delle ipotesi Parte 2 Test delle potes arte Test delle potes sulla dstrbuzone: Introduzone Test χ sulla dstrbuzone b Test χ sulla dstrbuzone: Eserczo Test delle potes sulla dstrbuzone Molte concluson tratte nell nferenza parametrca

Dettagli

Esercitazioni del corso: STATISTICA

Esercitazioni del corso: STATISTICA A. A. 0-0 Eserctazon del corso: STATISTICA Sommaro Eserctazone : Moda Medana Meda Artmetca Varabltà: Varanza, Devazone Standard, Coefcente d Varazone ESERCIZIO : UNIVERSITÀ DEGLI STUDI DI MILANO BICOCCA

Dettagli

Corso di. Dott.ssa Donatella Cocca

Corso di. Dott.ssa Donatella Cocca Corso d Statstca medca e applcata 3 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone I concett prncpal che sono stat presentat sono: Mede forme o analtche (Meda artmetca semplce, Meda artmetca

Dettagli

Scienze Geologiche. Corso di Probabilità e Statistica. Prove di esame con soluzioni

Scienze Geologiche. Corso di Probabilità e Statistica. Prove di esame con soluzioni Scenze Geologche Corso d Probabltà e Statstca Prove d esame con soluzon 004-005 1 Corso d laurea n Scenze Geologche - Probabltà e Statstca Appello del 1 gugno 005 - Soluzon 1. (Punt 3) In una certa zona,

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità alcolo delle Probabltà Quanto è possble un esto? La verosmglanza d un esto è quantfcata da un numero compreso tra 0 e. n partcolare, 0 ndca che l esto non s verfca e ndca che l esto s verfca senza dubbo.

Dettagli

Università di Cassino. Esercitazione di Statistica 1 del 4 dicembre Dott.ssa Simona Balzano

Università di Cassino. Esercitazione di Statistica 1 del 4 dicembre Dott.ssa Simona Balzano Unverstà d Cassno Eserctazone d Statstca del 4 dcembre 6 Dott.ssa Smona Balzano Eserczo Sa la varable casuale che descrve l rsultato del lanco d dad, sulle cu facce v sono numer: 5, 5, 7, 7, 9, 9. a) Defnre

Dettagli

Soluzione esercizio Mountbatten

Soluzione esercizio Mountbatten Soluzone eserczo Mountbatten I dat fornt nel testo fanno desumere che la Mountbatten utlzz un sstema d Actvty Based Costng. 1. Calcolo del costo peno ndustrale de tre prodott Per calcolare l costo peno

Dettagli

Definizione di campione

Definizione di campione Defnzone d campone S consder una popolazone fnta U = {1, 2,..., N}. Defnamo campone ordnato d dmensone n qualsas sequenza d n etchette della popolazone anche rpetute. s = ( 1, 2,..., n ), dove j è l etchetta

Dettagli

La retroazione negli amplificatori

La retroazione negli amplificatori La retroazone negl amplfcator P etroazonare un amplfcatore () sgnfca sottrarre (o sommare) al segnale d ngresso (S ) l segnale d retroazone (S r ) ottenuto dal segnale d uscta (S u ) medante un quadrpolo

Dettagli

Università degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno

Università degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno Unverstà degl Stud d Cassno, Anno accademco 004-005 Corso d Statstca, Pro. M. Furno Eserctazone del 5//005 dott. Claudo Conversano Eserczo Ad un certo tavolo d un casnò s goca lancando un dado. Il goco

Dettagli

Macchine. 5 Esercitazione 5

Macchine. 5 Esercitazione 5 ESERCITAZIONE 5 Lavoro nterno d una turbomacchna. Il lavoro nterno massco d una turbomacchna può essere determnato not trangol d veloctà che s realzzano all'ngresso e all'uscta della macchna stessa. Infatt

Dettagli

STATISTICA SOCIALE Corso di laurea in Scienze Turistiche, a.a. 2007/2008 Esercizi 16 novembre2007

STATISTICA SOCIALE Corso di laurea in Scienze Turistiche, a.a. 2007/2008 Esercizi 16 novembre2007 STATISTICA SOCIALE Corso d laurea n Scenze Turstche, a.a. 07/08 Esercz 6 novembre07 Eserczo La Tabella contene alcun dat relatv a 6 lavorator delle azende Alfa e Beta. Tabella Lavorator delle azende Alfa

Dettagli

1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x

1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x TEORIA 1) Le mede e le varanze calcolate su n osservazon relatve alle varabl quanttatve X ed Y sono tal che 1 e. Consderando le corrspondent varabl standardzzate delle seguent affermazon rsulta vera 1

Dettagli

ANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI

ANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI ANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI Rappresentazone tabellare della sere storca Sequenza cronologca Sequenza ordnata Osservazon d massmo annuo d pogga n un gorno 2 Rappresentazone grafca della

Dettagli

Misure Ripetute ed Indipendenti

Misure Ripetute ed Indipendenti Msure Rpetute ed Indpendent Una delle metodologe pù semplc per valutare l affdabltà d una msura consste nel rpeterla dverse volte, nelle medesme condzon, ed esamnare dvers valor ottenut. Ovvamente, una

Dettagli

Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti

Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti Il modello marovano per la rappresentazone del Sstema Bonus Malus rof. Cercara Rocco Roberto Materale e Rferment. Lucd dstrbut n aula. Lemare 995 (pag.6- e pag. 74-78 3. Galatoto G. 4 (tt del VI Congresso

Dettagli

Università di Napoli Parthenope Facoltà di Ingegneria

Università di Napoli Parthenope Facoltà di Ingegneria Unverstà d Napol Parthenope acoltà d Ingegnera Corso d Metod Probablstc Statstc e Process Stocastc docente: Pro. Vto Pascazo 20 a Lezone: /2/2003 Sommaro Dstrbuzon condzonate: CD, pd, pm Teorema della

Dettagli

GLI ERRORI SPERIMENTALI NELLE MISURE DI LABORATORIO

GLI ERRORI SPERIMENTALI NELLE MISURE DI LABORATORIO GLI ERRORI SPERIMETALI ELLE MISURE DI LABORATORIO MISURA DI UA GRADEZZA FISICA S defnsce grandezza fsca una propretà de corp sulla quale possa essere eseguta un operazone d msura. Msurare una grandezza

Dettagli

Introduzione al Machine Learning

Introduzione al Machine Learning Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone

Dettagli

Norma UNI CEI ENV 13005: Guida all'espressione dell'incertezza di misura

Norma UNI CEI ENV 13005: Guida all'espressione dell'incertezza di misura orma UI CEI EV 3005: Guda all'espressone dell'ncertezza d msura L obettvo d una msurazone è quello d determnare l valore del msurando, n altre parole della grandezza da msurare. In generale, però, l rsultato

Dettagli

CAPITOLO 3 Incertezza di misura Pagina 26

CAPITOLO 3 Incertezza di misura Pagina 26 CAPITOLO 3 Incertezza d msura Pagna 6 CAPITOLO 3 INCERTEZZA DI MISURA Le operazon d msurazone sono tutte nevtablmente affette da ncertezza e coè da un grado d ndetermnazone con l quale l processo d msurazone

Dettagli

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure

Dettagli

Statistica descrittiva

Statistica descrittiva Statstca descrttva. Indc d poszone. Per ndc d poszone d un nseme d dat, ordnat secondo la loro randezza, s ntendono alcun valor che cadono all nterno dell nseme. Gl ndc pù usat sono: I. eda. II. edana.

Dettagli

Statistica Descrittiva

Statistica Descrittiva Statstca Descrttva Corso d Davd Vettur Dat osservat Sano note le seguent msure dello spessore d una lastra d materale polmerco espresse n mllmetr 3.71 3.83 3.85 3.96 3.84 3.8 3.94 3.55 3.76 3.63 3.88 3.86

Dettagli

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA IL PROBLEMA Supponamo d voler studare l effetto d 4 dverse dete su un campone casuale d 4

Dettagli

Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 2:

Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 2: Costruzone d macchne Modulo d: Progettazone probablstca e affdabltà Marco Beghn Lezone : Probabltà condzonata e varabl casual Probabltà condzonata: La probabltà d un evento A (r)valutata quando è noto

Dettagli

Circuiti di ingresso differenziali

Circuiti di ingresso differenziali rcut d ngresso dfferenzal - rcut d ngresso dfferenzal - Il rfermento per potenzal Gl stad sngle-ended e dfferenzal I segnal elettrc prodott da trasduttor, oppure preleat da un crcuto o da un apparato elettrco,

Dettagli

Trigger di Schmitt. e +V t

Trigger di Schmitt. e +V t CORSO DI LABORATORIO DI OTTICA ED ELETTRONICA Scopo dell esperenza è valutare l ampezza dell steres d un trgger d Schmtt al varare della frequenza e dell ampezza del segnale d ngresso e confrontarla con

Dettagli

Studio grafico-analitico di una funzioni reale in una variabile reale

Studio grafico-analitico di una funzioni reale in una variabile reale Studo grafco-analtco d una funzon reale n una varable reale f : R R a = f ( ) n Sequenza de pass In pratca 1 Stablre l tpo d funzone da studare es. f ( ) Determnare l domno D (o campo d esstenza) della

Dettagli

Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model

Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model Rcerca Operatva e Logstca Dott. F.Carrabs e Dott.ssa M.Gentl Modell per la Logstca: Sngle Flow One Level Model Mult Flow Two Level Model Modell d localzzazone nel dscreto Modell a Prodotto Sngolo e a Un

Dettagli

una variabile casuale è continuase può assumere un qualunque valore in un intervallo

una variabile casuale è continuase può assumere un qualunque valore in un intervallo Varabl casual contnue Se samo nteressat alla temperatura massma gornaleraquesta è una varable casuale msurata n un ntervallo contnuoe qund è una v.c. contnua una varable casuale è contnuase può assumere

Dettagli

Probabilità cumulata empirica

Probabilità cumulata empirica Probabltà cumulata emprca Se s effettua un certo numero d camponament da una popolazone con dstrbuzone cumulata F(y), s avranno allora n campon y, y,, y n. E possble consderarne la statstca d ordne, coè

Dettagli

Esercitazione 1 del corso di Statistica 2

Esercitazione 1 del corso di Statistica 2 Eserctazone del corso d Statstca rof. Domenco Vstocco Dott.ssa aola Costantn 8 Aprle 008 Eserczo n. S consder un campone d 00 student d cu s conoscono le seguent probabltà dstnt secondo l sesso (Mmascho,

Dettagli

Analisi statistica degli errori casuali

Analisi statistica degli errori casuali Anals statstca degl error casual error casual: dovut a ncertezze spermental non controllabl che comunque spngono l valore msurato con ugual probabltà n alto od n basso rspetto al valore vero. Quest error

Dettagli

Potenzialità degli impianti

Potenzialità degli impianti Unverstà degl Stud d Treste a.a. 2009-2010 Impant ndustral Potenzaltà degl mpant Impant ndustral Potenzaltà degl mpant 1 Unverstà degl Stud d Treste a.a. 2009-2010 Impant ndustral Defnzone della potenzaltà

Dettagli

MACROECONOMIA A.A. 2014/2015

MACROECONOMIA A.A. 2014/2015 MACROECONOMIA A.A. 2014/2015 ESERCITAZIONE 2 MERCATO MONETARIO E MODELLO /LM ESERCIZIO 1 A) Un economa sta attraversando un perodo d profonda crs economca. Le banche decdono d aumentare la quota d depost

Dettagli

Lezione 2 a - Statistica descrittiva per variabili quantitative

Lezione 2 a - Statistica descrittiva per variabili quantitative Lezone 2 a - Statstca descrttva per varabl quanttatve Esempo 5. Nella tabella seguente sono rportat valor del tasso glcemco rlevat su 10 pazent: Pazente Glcema (mg/100cc) 1 x 1 =103 2 x 2 =97 3 x 3 =90

Dettagli

Lezione 2 le misure di sintesi: le medie

Lezione 2 le misure di sintesi: le medie Lezone le msure d sntes: le mede Cattedra d Bostatstca Dpartmento d Scenze spermental e clnche, Unverstà degl Stud G. d Annunzo d Chet-Pescara Prof. Enzo Ballone Lezone a- Statstca descrttva per varabl

Dettagli

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2012-2013 Esercitazione: 4 aprile 2013

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2012-2013 Esercitazione: 4 aprile 2013 Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2012-2013 Eserctazone: 4 aprle 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/41? Aula "Ranzan B" 255 post 1 2 3 4 5 6 7 8 9

Dettagli

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI METODI PER LO STUDIO DEL LEGAME TRA VARIABILI IN UN RAPPORTO DI CAUSA ED EFFETTO I MODELLI DI REGRESSIONE Prof.ssa G. Sero, Prof. P. Trerotol, Cattedra

Dettagli

Concetti principale della lezione precedente

Concetti principale della lezione precedente Corso d Statstca medca e applcata 6 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone precedente I concett prncpal che sono stat presentat sono: I fenomen probablstc RR OR ROC-curve Varabl

Dettagli

Lezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse

Lezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse Lezone 1. L equlbro del mercato fnanzaro: la struttura de tass d nteresse Ttol con scadenza dversa hanno prezz (e tass d nteresse) dfferent. Due ttol d durata dversa emess dallo stesso soggetto (stesso

Dettagli

Calcolo della caduta di tensione con il metodo vettoriale

Calcolo della caduta di tensione con il metodo vettoriale Calcolo della caduta d tensone con l metodo vettorale Esempo d rete squlbrata ed effett del neutro nel calcolo. In Ampère le cadute d tensone sono calcolate vettoralmente. Per ogn utenza s calcola la caduta

Dettagli

Analisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986

Analisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986 Anals degl error Introduzone J. R. Taylor, Introduzone all anals degl error, Zanchell, Bo 1986 Sstem d untà d msura, rappresentazone numerca delle quanttà fsche e cfre sgnfcatve Resnck, Hallday e Krane

Dettagli

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII Prof. Guseppe F. Ross E-mal: guseppe.ross@unpv.t Homepage: http://www.unpv.t/retcal/home.html UNIVERSITA' DEGLI STUDI DI PAVIA Facoltà d Ingegnera A.A. 2011/12 - I Semestre - Sede PV RETI TELEMATICHE Lucd

Dettagli

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che

Dettagli

LA VARIABILITA. IV lezione di Statistica Medica

LA VARIABILITA. IV lezione di Statistica Medica LA VARIABILITA IV lezone d Statstca Medca Sntes della lezone Il concetto d varabltà Campo d varazone Dfferenza nterquartle La varanza La devazone standard Scostament med Il concetto d varabltà S defnsce

Dettagli

Analisi dei flussi 182

Analisi dei flussi 182 Programmazone e Controllo Anals de fluss Clent SERVIZIO Uscta Quanto al massmo produce l mo sstema produttvo? Quanto al massmo produce la ma macchna? Anals de fluss 82 Programmazone e Controllo Teora delle

Dettagli

Analisi di mercurio in matrici solide mediante spettrometria di assorbimento atomico a vapori freddi

Analisi di mercurio in matrici solide mediante spettrometria di assorbimento atomico a vapori freddi ESEMPIO N. Anals d mercuro n matrc solde medante spettrometra d assorbmento atomco a vapor fredd 0 Introduzone La determnazone del mercuro n matrc solde è effettuata medante trattamento termco del campone

Dettagli

Lezione 2 a - Statistica descrittiva per variabili quantitative

Lezione 2 a - Statistica descrittiva per variabili quantitative Lezone 2 a - Statstca descrttva per varabl quanttatve Esempo 5. Nella tabella seguente sono rportat valor del tasso glcemco rlevat su 10 pazent: Pazente Glcema (mg/100cc) 1 1 =103 2 2 =97 3 3 =90 4 4 =119

Dettagli

La likelihood. , x 3. , x 2. ,...x N

La likelihood. , x 3. , x 2. ,...x N La lkelhood È dato un set d msure {x 1, x 2, x 3,...x N } (cascuna delle qual può essere multdmensonale) Supponamo che la pdf (f) dpenda da un parametro (anch'esso eventualmente multdmensonale) La verosmglanza

Dettagli

Contenuti: o Specificazione del modello. o Ipotesi del modello classico. o Stima dei parametri. Regressione semplice Roberta Siciliano 2

Contenuti: o Specificazione del modello. o Ipotesi del modello classico. o Stima dei parametri. Regressione semplice Roberta Siciliano 2 Corso d STATISTICA Prof. Roberta Sclano Ordnaro d Statstca, Unverstà d Napol Federco II Professore supplente, Unverstà della Baslcata a.a. 0/0 Contenut: o Specfcazone del modello o Ipotes del modello classco

Dettagli

Incertezza di sensibilità < fluttuazione intrinseca delle misure.

Incertezza di sensibilità < fluttuazione intrinseca delle misure. Error casual no ad ora abbamo correlato la bontà d una msura alla sensbltà degl strument utlzzat. Samo partt da una stuazone n cu effettuata una sere d msure rpetute, le msure hanno tutte dato lo stesso

Dettagli

Programmazione e Controllo della Produzione. Analisi dei flussi

Programmazione e Controllo della Produzione. Analisi dei flussi Programmazone e Controllo della Produzone Anals de fluss Clent SERVIZIO Uscta Quanto al massmo produce l mo sstema produttvo? Quanto al massmo produce la ma macchna? Lo rsolvo con la smulazone? Sarebbe

Dettagli

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE Matematca e statstca: da dat a modell alle scelte www.dma.unge/pls_statstca Responsabl scentfc M.P. Rogantn e E. Sasso (Dpartmento d Matematca Unverstà d Genova) STATISTICA DESCRITTIVA - SCHEDA N. REGRESSIONE

Dettagli

Esercitazione 8 del corso di Statistica (parte 1)

Esercitazione 8 del corso di Statistica (parte 1) Eserctazone 8 del corso d Statstca (parte ) Dott.ssa Paola Costantn Eserczo Marzo 0 Un urna rossa contene 3 pallne banche, nere e galla. S consder l estrazone d due pallne. S calcol la probabltà d estrarre:.

Dettagli

REGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari

REGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari REGRESSIONE LINEARE Ha un obettvo mportante: nvestgare sulle relazon emprche tra varabl allo scopo d analzzare le cause che possono spegare un determnato fenomeno È caratterzzata da semplctà: modell utlzzat

Dettagli

Tutorato di Complementi di Analisi Matematica e Statistica 23 e 30 marzo 2017

Tutorato di Complementi di Analisi Matematica e Statistica 23 e 30 marzo 2017 Tutorato d Complement d Anals Matematca e Statstca 23 e 30 marzo 2017 Gl esercz con l smbolo eo sono tratt da prove d esame del 2016 ( eo gorno/mese eo) Esercz dagl ncontr precedent 3. Una varable X può

Dettagli

Regressione Multipla e Regressione Logistica: concetti introduttivi ed esempi

Regressione Multipla e Regressione Logistica: concetti introduttivi ed esempi Regressone Multpla e Regressone Logstca: concett ntroduttv ed esemp I Edzone ottobre 014 Vncenzo Paolo Senese vncenzopaolo.senese@unna.t Indce Note prelmnar alla I edzone 1 Regressone semplce e multpla

Dettagli

FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 17/09/2012

FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 17/09/2012 CdL n SCIENZE DELL ORGANIZZAZIONE ESAME d STATISTICA ESERCIZIO 1 (+.5+.5+3) La tabella seguente rporta la dstrbuzone d frequenza del peso X n gramm d una partta d mele provenent da un certo frutteto. X=peso

Dettagli

Università degli Studi di Urbino Facoltà di Economia

Università degli Studi di Urbino Facoltà di Economia Unverstà degl Stud d Urbno Facoltà d Economa Lezon d Statstca Descrttva svolte durante la prma parte del corso d corso d Statstca / Statstca I A.A. 004/05 a cura d: F. Bartolucc Lez. 8/0/04 Statstca descrttva

Dettagli

Misure di dispersione. Introduzione. Statistica descrittiva. Distribuzioni di probabilità e funzioni di ripartizione. Indici di posizione

Misure di dispersione. Introduzione. Statistica descrittiva. Distribuzioni di probabilità e funzioni di ripartizione. Indici di posizione UNIVERSITA DEL SALENTO CORSO DI LAUREA IN FISICA (a.a. 007/008) Corso d Laboratoro II (Prof. Antono D INNOCENZO) ESERCITAZIONE DI STATISTICA * Lo scopo d questa eserctazone è quello d comncare ad utlzzare

Dettagli

LE CARTE DI CONTROLLO

LE CARTE DI CONTROLLO ITIS OMAR Dpartento d Meccanca LE CARTE DI CONTROLLO Carte d Controllo Le carte d controllo rappresentano uno degl struent pù portant per l controllo statstco d qualtà. La carta d controllo è corredata

Dettagli

Esercizio statistica applicata all ingegneria stradale pag. 1

Esercizio statistica applicata all ingegneria stradale pag. 1 ESERCIZIO STATISTICA APPLICATA ALLA PROGETTAZIONE STRADALE SINTESI S supponga d avere eseguto 70 sure della veloctà stantanea de vecol che transtano nelle sezon d due strade A e B. S supponga che tal sure

Dettagli

Il campionamento casuale semplice

Il campionamento casuale semplice Il camponamento casuale semplce Metod d estrazone del campone. robabltà d nclusone. π = n N π j = n N n 1 N 1 Stmatore corretto del totale e della meda. Ŷ = Nȳ e ˆȲ = ȳ Varanza degl stmator corrett. V

Dettagli

Capitolo 6 Risultati pag. 468. a) Osmannoro. b) Case Passerini c) Ponte di Maccione

Capitolo 6 Risultati pag. 468. a) Osmannoro. b) Case Passerini c) Ponte di Maccione Captolo 6 Rsultat pag. 468 a) Osmannoro b) Case Passern c) Ponte d Maccone Fgura 6.189. Confronto termovalorzzatore-sorgent dffuse per l PM 10. Il contrbuto del termovalorzzatore alle concentrazon d PM

Dettagli

Principi di ingegneria elettrica. Lezione 6 a. Analisi delle reti resistive

Principi di ingegneria elettrica. Lezione 6 a. Analisi delle reti resistive Prncp d ngegnera elettrca Lezone 6 a Anals delle ret resste Anals delle ret resste L anals d una rete elettrca (rsoluzone della rete) consste nel determnare tutte le corrent ncognte ne ram e tutt potenzal

Dettagli

Fondamenti di Fisica Acustica

Fondamenti di Fisica Acustica Fondament d Fsca Acustca Pro. Paolo Zazzn - DSSARR Archtettura Pescara Anals n requenza de segnal sonor, bande d ottava e terz d ottava. Rumore banco e rumore rosa. Lvello equvalente. Fsologa dell apparato

Dettagli

Definizione classica di probabilità

Definizione classica di probabilità Corso d Idrologa A.A. 0-0 Teora delle probabltà Prof. Ing. A. Cancellere Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Catana Defnzone classca d probabltà Il concetto d probabltà ha trovato formalzzazone

Dettagli

CARATTERISTICHE DEI SEGNALI RANDOM

CARATTERISTICHE DEI SEGNALI RANDOM CARATTERISTICHE DEI SEGNALI RANDOM I segnal random o stocastc rvestono una notevole mportanza poché sono present, pù che segnal determnstc, nella maggor parte de process fsc real. Esempo d segnale random:

Dettagli

Misure indipendenti della stessa grandezza, ciascuna con una diversa precisione.

Misure indipendenti della stessa grandezza, ciascuna con una diversa precisione. Msure ndpendent della stessa grandezza, cascuna con una dversa precsone. Consderamo d avere due msure o n generale della stessa grandezza, ndpendent, caratterzzate da funzone denstà d probabltà d Gauss.

Dettagli

Divagazioni in margine all Introduzione alla Probabilità di P. Baldi A. Visintin Facoltà di Ingegneria di Trento a.a. 2010-11

Divagazioni in margine all Introduzione alla Probabilità di P. Baldi A. Visintin Facoltà di Ingegneria di Trento a.a. 2010-11 Dvagazon n margne all Introduzone alla Probabltà d P. Bald A. Vsntn Facoltà d Ingegnera d Trento a.a. 2010-11 Indce 1. Statstca descrttva. 2. Spaz d probabltà e calcolo combnatoro. 3. Varabl aleatore dscrete.

Dettagli

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa 2012-2013 lezione 13: 24 aprile 2013

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa 2012-2013 lezione 13: 24 aprile 2013 Dpartmento d Statstca Unverstà d Bologna Matematca fnanzara aa 2012-2013 lezone 13: 24 aprle 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/23? reammortamento uò accadere che, dopo l erogazone

Dettagli

Modelli di variabili casuali

Modelli di variabili casuali Modell d varabl casual Un modello d v.c. è una funzone f() che assoca ad ogn valore d una v.c. X la corrspondente probabltà. Obettvo: calcolo della probabltà per tutt valor che X può assumere Per le v.c.

Dettagli

Modelli descrittivi, statistica e simulazione

Modelli descrittivi, statistica e simulazione Modell descrttv, statstca e smulazone Master per Smart Logstcs specalst Roberto Cordone (roberto.cordone@unm.t) Statstca descrttva Cernusco S.N., govedì 28 gennao 2016 (9.00/13.00) 1 / 15 Indc d poszone

Dettagli

Dipartimento di Economia Aziendale e Studi Giusprivatistici. Università degli Studi di Bari Aldo Moro. Corso di Macroeconomia 2014

Dipartimento di Economia Aziendale e Studi Giusprivatistici. Università degli Studi di Bari Aldo Moro. Corso di Macroeconomia 2014 Dpartmento d Economa Azendale e Stud Gusprvatstc Unverstà degl Stud d Bar Aldo Moro Corso d Macroeconoma 2014 1.Consderate l seguente grafco: LM Partà de tass d nteresse LM B A IS IS Y E E E Immagnate

Dettagli

TECNICHE DI ANALISI DEI DATI MODELLI LINEARI

TECNICHE DI ANALISI DEI DATI MODELLI LINEARI TECNICHE DI ANALISI DEI DATI AA 16/17 PROF. V.P. SENESE Quest materal sono dsponbl per tutt gl student al seguente ndrzzo: https://goo.gl/rwabbd Seconda Unverstà d Napol (SUN) Dpartmento d Pscologa TECNICHE

Dettagli