DINAMICA DELLE POPOLAZIONI
|
|
- Guido Fantini
- 7 anni fa
- Visualizzazioni
Transcript
1 . DINAMICA DELLE POPOLAZIONI Modelli di crescita di una singola popolazione 8 numero di individui Giorni pag.
2 Dinamica delle Popolazioni Scopo: descrivere l evoluzione nel tempo degli individui di un ecosistema, appartenenti ad una o più specie Unità di misura: Numero di individui/superficie es. [insetti/m 2 ] Densità di biomassa espressa come contenuto energetico [kcal/m 2 ] Questa seconda unità è preferible perché permette di valutare i trasferimenti di energia nell ecosistema fra i vari livelli trofici Scala di modello: Singola specie: considera individui tutti uguali e indifferenziati Singola specie con struttura di età: tiene conto dello sviluppo e della fertilità al variare dell età Due specie: descrive le interazioni reciproche fra due specie in rapporto trofico fra di loro (es. preda/predatore) o in competizione per una risorsa comune (es. commensalismo) Molte specie: catena alimentare, con relazione multiple attraverso i vari livelli trofici (problemi di stabilità strutturale) pag. 2
3 Ipotesi: Crescita di una singola specie Individui tutti ugualmente riproduttivi Riproduzione continua Ogni nuovo individuo è immediatamente fertile La velocità di riproduzione F(x) è proporzionale alla popolazione dx x2 3 dt crescita = F(x) { funzione di relativa crescita Per costruire un modello di crescita si devono dare delle condizioni sulla funzione di crescita F(x) Stabilità Limitazione dello sviluppo dx dt = x F(x ) pag. 3
4 Condizioni generali su F(x) La funzione di crescita deve essere positiva F(x) > x > Si deve annullare quando la popolazione raggiunge l equilibrio F(x equil ) = F max F(x) possibili andamenti di F(x) E massima per x = La velocità di crescita deve diminuire all aumentare della popolazione df(x ) dx < x > x equil x pag. 4
5 Effetto Allee Una popolazione non può crescere se inizialmente si trova al di sotto di un minimo critico Esempio: una popolazione di piante che sfrutta gli insetti o il vento per propagare il polline non può svilupparsi se non produce una quantità di polline tale che la parte raccolta sia efficace per la fecondazione Per questo motivo, non è in pratica vero che la funzione di crescita parta da un valore positivo. Spesso il rateo riproduttivo può essere nullo o addirittura negativo per basse densità di popolazione (depensazione vedi più avanti) F(x) Effetto Allee x pag. 5
6 Condizioni sul punto di equilibrio Ricerca di un punto di equilibrio: non esiste popolazione che non tenda ad un valore di equilibrio compatibile con l ecosistema (sostenibile...) Per determinare l equilibrio si annulla la derivata dell equazione di crescita x * > equilibrio = x * F( x * ) F(x * ) = Stabilità dell equilibrio (locale): linearizzando intorno a x* > d x dt = x df dx + F(x) Equilibrio localmente stabile intorno a x* se x* x = x * df(x*) x dx df dx x* < x F(x) x = x* x massimo rateo di crescita Equilibrio localmente instabile intorno a x* se df dx x* > equilibrio instabile df dx x* > df dx x* < x equilibrio stabile pag. 6
7 Dinamica di crescita di una singola specie Crescita esponenziale: supponendo che ad ogni istante tutta la popolazione si riproduca con rateo r, si ha dx dt = rx Conseguenze: crescita illimitata, in violazione del principio di sostenibilità In pratica intervengono sempre dei fattori limitanti che arrestano la crescita, ad esempio inibendo la fertilità (ad es. alterazioni ormonali provocati da un effetto di affollamento) o aumentando la mortalità. Crescita logistica: suppone che la crescita si arresti quando si raggiunge la massima densità di popolazione sostenibile (capacità portante) x( t ) = x e rt o dx dt = r x x K r = rateo di crescita K =capacità portante La capacità portante K > rappresenta il valore di equilibrio della popolazione. pag. 7
8 Crescita logistica Si suppone che la crescita si arresti quando si raggiunge la massima densità di popolazione sostenibile (K > = capacità portante) dx dt = r x x K Può essere vista come una crescita esponenziale corretta con un termine di mortalità γ = r K dx dt = ponendo e raccogliendo rx r = rateo di crescita K =capacità portante rx γx dx r x = rx x 2 = rx dt K K Conclusione: i parametri r (rateo di crescita) e K (capacità portante) non sono indipendenti, ma si influenzano a vicenda, essendo legati dal parametro γ. 2 pag. 8
9 Crescita Logistica Sigmoide simmetrica intorno al punto di flesso Flesso a x = K/2 per qualsiasi condizione iniziale x() In corrispondenza del flesso si ha la massima velocità di crescita rk/4 La rigidità della curva logistica è il suo maggior limite Massimo rateo di crescita K capacità portante popolazione popolazione K/ 2 punt o di x=k/ 2 rateo di crescita tempo pag. 9
10 Andamento della velocità di crescita Al punto di flesso x = K/2 si ha la massima velocità di crescita v max v max = r K x F(x) =r x x K dx dt r x max = K 2 F(x) =r x K x K pag.
11 Determinazione del punto di flesso Si cerca la popolazione che produce la massima velocità di crescita ν max Si azzera la derivata della velocità di crescita (dx/dt) d dx d x 2x dx v max = rx = r = dx dt dx k K dt ma dx dt per x (,K ) perciò è sufficiente azzerare l altro termine r 2x K = x max = K 2 v max = r K 2 K K 2 = r K 4 pag.
12 Indipendenza del flesso dalle condizioni iniziali La posizione del flesso è comunque a x = K/2, indipendentemente da x() K K/ x() pag. 2
13 La capacità portante rappresenta un punto di equilibrio locale: Equilibrio della Logistica Derivata negativa della funzione di crescita valutata al punto di equilibrio x = K K/ 2 K df dx < x = K 2 La capacità portante rappresenta un punto di equilibrio globale: Per qualunque punto iniziale, anche per x() > K, la popolazione tende alla capacità portante K capacità portante pag. 3
14 Costante di tempo della logistica Dinamica della risposta alle perturbazioni intorno all equilibrio Linearizzando la logistica intorno all equilibrio x* = K ( ) x xf(x) = r 2 x* K x*=k = r Il sistema linearizzato intorno a x* = K è stabile con dinamica d x dt = r x x = x o e rt t = T x o e R Perturbazione Si definisce tempo caratteristico di ritorno (May, 976) T R = r Popolazione r t pag. 4
15 Esempio di crescita logistica Popolazioni di Protozoi ciliati Il rateo di crescita r è tipico del genere perché è legato al meccanismo riproduttivo mentre la capacità portante K dipende dalle condizioni ambientali Paramercium aurelia acque con detriti vegetali putrefatti r =. 672 giorni K = individui Paramecium caudatum acque ricche di nutrienti r =. 625 giorni K = individui numero di individui numero di individui Giorni Giorni pag. 5
16 Crescita di due popolazioni di lumache 6 K = 6 Il rateo di crescita (r) dipende dalle capacità riproduttive della specie La Capacità portante (K) dipende dall ambiente 5 Dati Modello logistico Snails 4 3 K = 25 r =.936 x& x = r x K 2 Due popolazioni della stessa specie: Stesso rateo di crescita (r) Diversa capacità portante time (weeks) pag. 6
17 Crescita logistica con ritardo Il ritardo generazionale è dato dalla maturazione riproduttiva della popolazione La popolazione feconda al tempo corrente t, è stata generata ad un tempo precedente t-δ la funzione di crescita è F(t-δ) E sottinteso che si considera non tutta la popolazione dei nati al tempo t-δ, ma solamente quella che sopravvive fino a diventare adulta al tempo t La funzione di crescita prende il nome di recruitment = reclutamento = ingresso nella popolazione adulta al tempo t dei nati al tempo t-δ x dx dt = Fx(t ( δ )) dx dt L equilibrio è lo stesso della logistica semplice Il comportamento dinamico è molto diverso... = x(t) Fx(t ( δ ) ) pag. 7
18 Linearizzazione della logistica con ritardo Intorno all equilibrio x* = K, si può scrivere la dinamica agli incrementi x = K + x d x dt = r K + x (t ) x (t δ) + K K x (t δ) ( ) = r x (t ) x (t δ) K K ( ) = r K + x (t) r x (t δ) r x (t δ)k K trascurando il termine di secondo ordine Si ottiene l equazione incrementale con ritardo x (t ) x (t δ) d x dt + r x (t δ) = pag. 8
19 Stabilità della logistica t.c. con ritardo Per determinare le radici caratteristiche (autovalori) di questa equazione d x dt +r x (t δ) = si può ricorrere alla sua trasformata di Laplace s x (s) + r x (s) e δ s = Problema: determinare i limiti di stabilità per δ, dato r Soluzione: per trovare le radici della eq. precedente, si può approssimare l esponenziale al secondo ordine 2 2 δ s δ s e δ s + ottenendo l equazione algebrica approssimata al 2 ordine 2! rδ s + 2 rδ δ 2 s 2 = pag. 9
20 Analisi della stabilità Si possono analizzare le radici dell equazione caratteristica nel piano complesso: per δ minore di un primo valore critico δ, si hanno radici reali e negative = comportamento stabile per δ δ si ha una biforcazione delle radici, che diventano complesse, ma sempre con parte reale negativa per δ δ 2 le radici hanno parte reale positiva = comportamento instabile Imag(s) δ =.2658 radici reali radici complesse radici complesse radici reali Real(s) δ 2 =.768 δ = s = -r δ pag. 2
21 Limiti di stabilità Il ritardo peggiora la stabilità del sistema Oltre un certo ritardo si ha un comportamento instabile, con oscillazioni sostenute (ciclo limite) di tipo non-lineare (non sinusoidali). 2 δ = popolazione 2 8 δ =.5 δ = δ = tempo pag. 2
22 Esempi di popolazioni con andamento oscillatorio Lucilia cuprina: mosca parassita delle pecore, con andamento fluttuanti riproducibili con un equazione logistica ritardata Rotiferi: la velocità di riproduzione aumenta con il crescere della temperatura, producendo andamenti oscillatori di periodo sempre minore Lemming: la popolazione di questi roditori su un isola del Canada segue andamenti oscillatori pag. 22
23 Soluzione analitica dell eq. logistica x(t)= K + K x() x() e rt = K + e β rt con β = ln K x() x() Limite: simmetria della sigmoide rigidità della soluzione Ciò dipende dal rateo di crescita che è di tipo lineare Φ(t ) = β rt Possibili estensioni: curve di crescita a sigmoide non simmetrica con rateo di crescita qualsiasi, purché soddisfi alle condizioni di stabilità Φ(t) x(t)= K + e Φ(t ) con dφ(t) dt < lim e Φ(t ) = t pag. 23
24 Modello di Gompertez (825!!) Tiene conto dell invecchiamento della popolazione attraverso una minore capacità riproduttiva al passare del tempo La crescita è descritta dall equazione differenziale La cui soluzione analitica è x( t ) = exp( e Si può vedere che il rateo è una funzione decrescente del tempo ( β rt ) e R( t ) = r( ln K ln x( t )) = r ln K ln Ke ( ( β rt) ) ( β rt = r ln K ln K + e = r e ) Mentre il massimo rateo di crescita si ha per K dx dt ( β rt) ) = r x ( ln K ln x) d dx dx dt = r x ( ln K ln x) + rx = r ln K r ln x r x = x ( ln K x ) max = e pag. 24
25 Comportamento del modello di Gompertez x rateo dx dt popolazione r =.4 dx dt = r x ( ln K ln x) ( ln K x ) max = e tempo pag. 25
26 Modello di Richards Molto usato per modellare la crescita vegetale, dalla singola foglia ad intere colture in pieno campo Può essere visto come estensione della logistica classica Ha un parametro in più, che ne aumenta la flessibilità dx dt = x r n x n K n Il flesso ha posizione variabile in funzione di n x max = K ( + n) n x Per n = si ottiene nuovamente la logistica t pag. 26
27 Andamento del modello di Richards variando r 6 4 r= velocità di crescita popolazione 2 r=.8 n=3 K= 8 6 r=.6 x max = K ( + n) n 4 r= pag. 27
28 Andamento del modello di Richards variando n Aumentando n lo sviluppo della popolazione viene ritardato Anche la velocità di accrescimento diminuisce n= n=3 velocità di crescit a popolazione r=.8 K= 8 n=3 n=6 n=9 x max pag. 28
29 . Andamento del rateo di crescita All aumentare di n il massimo rateo di crescita si ha per maggiori densità di popolazione Effetto contrario a Gompertez: nel modello di Richards popolazioni più mature sono più prolifiche x max =K/2.8 Rateo di crescita x n pag. 29
30 Applicazione del modello di Richards Crescita di colture algali della specie Selenastrum capricornutum Campioni coltivati con vari dosaggi di nutrienti (N e P) G è la popolazione algale (misurata in densità 67 nm) Alghe verdi del genere Selenastrum dg dt = G r n Gn K n La capacità portante K dipende dalla concentrazione iniziale di nutrienti K = N K n + N + P K p + P pag. 3
31 Crescita di Selenastrum c. optical 67 nm Concentrazione di Fosforo Bassa (P =.2 mg/l) 3 2 Experimental data time (h) optical 67 nm Concentrazione di Fosforo Media (P =.4 mg/l) Experimental data time (h) Concentrazione di Fosforo Alta (P =.8 mg/l) Experimental data time (h) Concentrazioni iniziali di nutrienti Valori dei parametri di crescita = N =.22 P =.2 4 = N =.22 P =.4 7 = N =.22 P =.8 2 = N =.44 P =.2 5 = N =.44 P =.4 8 = N =.44 P =.8 3 = N =.88 P =.2 6 = N =.88 P =.4 9 = N =.88 P =.8 r =. 42 = n =. 583 r = = n = r = = n =.6267 r = = n =. 258 r = = n =. 622 r = = n = = r =.498 n = = r =.244 n =.79 9 = r =.93 n =. 259 Il problema della calibrazione del modello verrà affrontato in seguito... pag. 3
32 Crescita limitata dai nutrienti (N & P) Esistono 2 zone di limitazione della crescita finale (capacità portante) Limitazione da Fosforo Limitazione da Azoto limitazione da Azoto limitazione da Fosforo Fosforo [mg/l] Azoto [mg/l].8 pag. 32
33 Curva di densità ottica finale K = N K n + N + P K p + P Final OD Nit rogen Limit ing Zone Phosphorus Limit ing Zone..8.6 Phosphorus [mg/l] Nitrogen [mg/l] pag. 33
34 .. Limitazione della crescita e curve di livello Un elemento è limitante se le curve di livello sono perpendicolari al suo asse..9 Fosforo [mg/l] Limitazione da Azoto K=.. Limit azione da Fosforo Azoto [mg/l] pag. 34
35 Modello di Bertalanffy Considera i due processi separati di nascita e morte Il termine di crescita è di tipo esponenziale Il termine di mortalità è proporzionale alla popolazione (vedi modelli batterici) Non compare esplicitamente la capacità portante dx dt = r x n K d x termine di crescita termine di mortalità L equilibrio si trova come bilanciamento dei processi di nascita e morte x equil = K d r n pag. 35
36 Paragone fra i modelli Logistica: sigmoide simmetrica (rigidità strutturale) Gompertez: invecchiamento della popolazione (senescenza o stress) Richards: sigmoide flessibile (maggiore crescita di popolazione mature) Bertalanffy: processo nascita/morte (più completo dei precedenti che non considerano i processi di mortalità) Popolazione Velocità di crescita pag. 36
37 Modelli Birth & Death Si modellano separatamente i processi di nascita e morte La nascita è una funzione della popolazione ( recruitment ) nata ad un tempo precedente δ e maturata fino allo stadio adulto ( ) R x(t δ) La mortalità è funzione della densità di popolazione Esempi: Proporzionale alla popolazione K d x(t) Dipendente dall abbondanza di una risorsa S (Leslie) K l x 2 (t) S Dinamica totale di crescita dx dt = Rx(t δ) ( ) K d x(t) pag. 37
38 Modello Logistico come Birth & Death Il modello logistico sembra modellare solamente le nascite In realtà bilancia nascite e morti Introducendo i termini Nascita Morte Si ha il modello b pn d + p2n dn dt = N Il termine pn fa sì che nascite e morti siano funzioni della densità di popolazione: all aumentare della popolazione le nascite diminuiscono e le morti aumentano [( b p N ) ( d p N )] + dn N(p + p ) = N 2 2 dt b d ponendo b d r = b d K = p + p 2 dn si ritrova il modello di crescita logistica N = rn dt K [ b d N(p + p )] = N( b d ) 2 pag. 38
39 Altro esempio di modello B&D Modello di sviluppo della popolazione di balene adottato dalla International Whaling Commission per fissare le quote di cattura dx dt p = rateo di gravidanza x(t δ) = x(t) p + q K q = probabilità di sopravvivere fino allo stato adulto p+q = rateo di gravidanza intrinseco z = sensitività della popolazione all effetto di densità (depensazione) δ = tempo di maturazione riproduttiva (ritardo nella fecondità) δ = 6 anni per la balena azzurra δ = 25 anni per il cadopoglio z K d x(t) pag. 39
40 Modelli di crescita tempo-discreti I dati sono spesso disponibili ad intervalli di tempo Δt (es. volta all anno) Facilità di modellazione e simulazione numerica (non è necessario disporre di algoritmi di integrazione numerica) E possibile includere facilmente variabilità casuali Ambientali: effetto dell ambiente sulla crescita Demografiche: variabilità delle caratteristiche riproduttive Modelli per popolazioni annuali La popolazione al tempo t+δt è data dalla schiusa delle uova deposte dalla popolazione al tempo t, i cui individui si sono tutti estinti N ( t + Δt ) = N ( t ) f ( t ) f(t) è la funzione di fertilità: quante uova o larve ha deposto ciascun individuo della popolazione N(t) prima di morire Modelli per popolazioni poliennali La popolazione al tempo t+ è data dalla somma dei nuovo nati, figli della popolazione al tempo t, più i sopravvissuti di questa popolazione ( f ( t ) s( t ) ) N ( t + Δt ) = N ( t ) f ( t ) + N ( t ) s( t ) = N ( t ) + s(t) è la funzione di sopravvivenza della popolazione N(t) fino al tempo t+δt pag. 4
41 Fattori di crescita Ambedue i fattori R tendono ad quando la popolazione tende alla capacità portante K Rickert (Scramble) Utilizzato per modellare popolazioni allo stato selvatico R = R max N ( t ) K Beverton-Holt (Contest) Utilizzato per la gestione della pesca Growth rate andamento del rateo di crescita Ricker Beverton-Holt R = R max Rmax K N( t ) N( t ) + K Population Capacità portante K pag. 4
42 Crescita di popolazioni Si fa l ipotesi che la popolazione possa assumere solamente numeri interi, pari agli individui viventi ad ogni istante di campionamento. Population Ricker Beverton-Holt Time Il rateo di crescita è inizialmente maggiore di, per tendere a questo valore quando la popolazione raggiunge la capacità portante. Growth rate.5..5 Ricker Beverton-Holt Time pag. 42
43 Comportamento al variare di R Il coefficiente di crescita può modificare qualitativamente l andamento della crescita Al variare del coefficiente di crescita Rmax si possono avere risposte diverse: l equilibrio è raggiunto in modo monotono l equilibrio è raggiunto in modo oscillatorio non si raggiunge l equilibrio, ma si ha un ciclo limite intorno ad esso non si raggiunge l equilibrio e si sviluppa un processo caotico Consideriamo i due modelli: Ricker (Scramble): N( t + ) = N( t ) R max N ( t ) K risposta monotona oscillazione ciclo limite caos Beverton-Holt (Contest): N( t + ) = R max R K N( t ) N( t ) + K max N( t ) R max non si ha la stessa varietà di comportamenti pag. 43
44 Modello di Ricker (Scramble) N(t+) equilibrio Scramble con Rmax = 6.8 Comportamento oscillatorio smorzato: la popolazione oscilla fino a tendere al valore di equilibrio risposta monotona oscillazione ciclo limite caos 5 5 R max = N(t) 3 25 N( t + ) = N( t ) R max N ( t ) K Popolazione Tempo pag. 44
45 Modello di Ricker (Scramble) 5 equilibrio Scramble con Rmax = 8 N(t+) Ciclo limite: la popolazione oscilla fra due valori sempre uguali risposta monotona oscillazione ciclo limite caos 2 5 R max = N(t) 35 3 N( t + ) = N( t ) R max N ( t ) K Popolazione Tempo pag. 45
46 Modello di Ricker (Scramble) N(t+) equilibrio Scramble con Rmax = 8 Caos: all aumentare di R la popolazione oscilla fra valori sempre diversi, senza raggiungere mai un punto di equilibrio. risposta monotona oscillazione ciclo limite caos 2 6 R max = N(t) 5 4 N( t + ) = N( t ) R max N ( t ) K Popolazione Tempo pag. 46
47 Diagramma delle biforcazioni del modello di Rickert All aumentare del fattore di crescita si passa da un solo equilibrio a due (oscillazioni). Aumentando ancora, gli equilibri raddoppiano fino a divenire una moltitudine disordinata (caos) equilibrio 2 equilibri 4 8 caos pag. 47
48 Modello di Beverton-Holt (Contest) 5 equilibrio Contest con Rmax = 2 N(t+) N(t) Risposta monotona: questo modello, per la forma della sua risposta funzionale, non può dare luogo ad oscillazioni, cicli limite o caos. La popolazione raggiunge l equilibrio con andamento monotono N( t + ) = R max R K N( t ) N( t ) + K max N( t ) Popolazione Tempo pag. 48
49 Equazione logistica tempo-discreta Dall equazione tempo-continua, approssimando la derivata con il rapporto incrementale Si ricava dx dt x (t + Δ t ) x ( t ) Δ t = r x(t) x (t ) K x(t +Δt)= x(t)+δt r x(t) x(t) K Δt r x(t) = x(t) +Δt r K =α x(t) β x(t) α Si ottiene l equazione logistica tempo-discreta (posto Δt = ) α = +Δt r Δt r β= K r N( t ) N ( t + ) = ( + r) K( r) + N( t ) risposta monotona oscillazione r ciclo limite caos pag. 49
50 Crescita Logistica 5 equilibrio Logistica con r = equilibrio Logistica con r = 2.67 N(t+) r N(t+) N(t) 4 r N( t ) N ( t + ) = (+ r ) N( t ) K( r) + equilibrio Logistica con r = N(t) 35 Al variare di r si può avere un comportamento monotono, oscillatorio, caotico N(t+) N(t) pag. 5
51 Equazione tempo-discreta normalizzata Introducendo la variabile z n = β α x n Si ha l equazione logistica normalizzata z n + = α ( z ) Il punto di equilibrio si determina imponendo che z n+ = z n =z z =αz( z) z* = α α La stabilità dipende dal valore assoluto dello Jacobiano nel punto di equilibrio df =α d dz z* dz (z z2 ) z* =α 2 α = 2 α α z n n ( ) n z~ = α n + ~ 2 z < 2 α < < α < 3 < α < 2 2 < α < 3 df dz df dz z* z* > < risposta monotona risposta oscillatoria pag. 5
52 pag. 52 Si estende l analisi al modello a 2 passi per cercare soluzioni stazionarie di periodo 2 Sostituendo L equazione ha 3 radici: una è la stessa del periodo : le altre 2 sono le radici dell equazione Comportamento oscillatorio con periodo 2 z n+ 2 = f (z n ) z n+ = αz n ( z n ) z n+ 2 =αz n+ ( z n+ ) z = α α ( ) ( ) ( )( ) ( ) ( )( ) z z z z z z z z z z z z 2 n 2 n n n n n 2 n n 2 n = = = = α α α α α )z ( z 2 z = α α α α ( ) z z 2 = α α α
53 Radici dell equazione di periodo 2.8 Asse immaginario z z z < + 6 > + 6 α = α Asse reale pag. 53
54 Diagramma delle biforcazioni per period doubling nascita di nuove soluzioni (biforcazioni) pag. 54 α = 3: inizio instabilità α = 3.57: inizio caos soluzioni periodiche che danno luogo ad altri fenomeni caotici α = : inizio caos da oscillazioni di periodo dispari
55 Diagramma delle biforcazioni della logistica t-d pag. 55
56 Raddoppio di periodo fino al caos r = r = r = r = pag. 56
57 Variabilità della popolazione In natura il livello di ogni popolazione è soggetto a fluttuazioni, apparentemente casuali In realtà si tratta dell effetto congiunto di processi interni ed esterni alla popolazione: Variabilità demografica (interna): variazioni dei tassi di fertilità e di sopravvivenza Variabilità ambientale (esterna): variazioni nello sviluppo demografico indotte da fattori esterni (es. disponibilità di cibo, affollamento, condizioni climatiche) Esempio di variabilità ambientale: il rateo di crescita di un roditore (Crocidura russula) che abita i giardini della Svizzera dipende dalle variabili climatiche nel seguente modo ΔR =.73 P.78 S +.5 T.83 P = precipitazione m edia in S = Altezza della neve nel primavera (m) passato inverno (m) T T s w s T w = Temperatura media mensile estiva ( C ) = Temperatura media mensile invernale ( o o C ) pag. 57
58 Variabilità del fattore di crescita Variabilità demografica su R(t) Le caratteristiche biologiche di una popolazione (fertilità e mortalità) possono variare nel tempo, dando luogo a variazioni nello sviluppo N ( t + ) = R( t ) N ( Si può stimare sperimentalmente R(t) come differenza fra le popolazioni a due campionamenti successivi e successivamente valutarne il valor medio R e le caratteristiche della componente stocastica ν( t ) R(t) R t ) R( t R( t ) ) = = N ( t + ) N ( t ) R + ν( t ) t pag. 58
59 Effetto della variabilità demografica 2 La popolazione fluttua in modo casuale intorno al valore della capacità portante Population Time Il fattore di crescita, raggiunto il valore alla capacità portante, è composto dalla sola componente stocastica Growth rate Time pag. 59
60 Caratterizzazione delle fluttuazioni demografiche Supposto che R(t) non sia costante, ma abbia una componente stocastica ν(t), si possono valutarne gli effetti attraverso una serie di simulazioni Specificate le sue caratteristiche (distribuzione, media, varianza, etc.) del processo si effettuano varie simulazioni ogni volta con una realizzazione ν(t) diversa, e si analizzano statisticamente i risultati (Metodo MonteCarlo) N +.96 σ N( t + ) = R( t )N( t ) R( t ) = R + ν( t ) La variabilità di R si riflette nella variabilità di N Population N K N.96 σ p p { ν( t )} 2 σ ν σ 2 p 4 2 N K Time pag. 6
61 Distribuzione di popolazione Data la variabilità sul fattore demografico (crescita) è possibile valutare la distribuzione delle densità di popolazione ad un dato anno, sulla base delle varie repliche simulate al variare di R(t) Population Capacità portante Rmax=.5; % Maximum growth rate K=; % Carrying capacity Tmax=5; % Maximum time span No=5; %Initial population sig=.; % Variation on R 5 5 Time Variazioni della popolazione a regime dovute alla variabilità di R Distribuzione delle popolazioni stabili intorno alla capacità portante K Rel. Freq Capacità portante Population Rel. Freq Prob. della capacità portante Prob. della pop. mediana Population Pop.inf.a5% Pop. sup. a 95 % Probabilità cumulativa che la popolazione sia superiore o inferiore ad un dato valore pag. 6
62 Andamento del rateo di crescita di Beverton-Holt.2 Rateo di crescita.5..5 σ 2 = σ 2 = tempo pag. 62
63 Uso di ECOLAB 2.: Scramble R (Ricker) Density dependence in R Replacement curve.4 6. Growth rate (R) Population size at time t Trajectory summary Population size 6. Population size at time t Abundance Explosion/Increase Extinction/Decline. Time..8.8 Probability.6.4 Probability Threshold Threshold pag. 63
64 Uso di ECOLAB 2.: Contest R (Beverton-Holt) Density dependence in R Replacement curve Growth rate (R) Population size Trajectory summary Population size at time t Population size at time t Abundance Extinction/Decline Explosion/Increase Tim e Probability.6.4 Probability Threshold Threshold pag. 64
65 Analisi statistica della crescita 2 8 Population Time Dalle n repliche della simulazione con diverse perturbazioni su R si ricava la distribuzione delle popolazioni di regime in funzione delle variazioni di R pag. 65
66 Stima della statistica della variabilità demografica Rappresentazione grafica del test del Chiquadro distribuzione teorica istogramma empirico Dalla distribuzione di popolazioni stabili intorno alla media (Istogramma) si può stimare la distribuzione di probabilità della componente stocastica Scarto dalla popolazione media Con il test di Kolmogoroff-Smirnov si verifica che lo scostamento dalla cumulativa gaussiana sia compreso nella fascia di tolleranza cumulative probability cdf empirica cdf teorica Test di K-S Carrying capacity Population pag. 66
67 Livelli di estinzione ed esplosione Dalle simulazioni MonteCarlo si ricava l istogramma delle distribuzioni stazionarie di popolazione Da queste di ottiene la curva cumulativa di probabilità da cui si può ricavare: La probabilità che la popolazione scenda sotto il livello P (estinzione) La probabilità che la popolazione salga sopra il livello P 2 (esplosione) Probabilità Prob (P>P 2 ) estinzione esplosione Prob (P<P ) Popolazione P P2 pag. 67
68 Bibliografia Begon M. and Mortimer M., Population Ecology, a unified study of animals and plants, Blackwell Scientific Publ., 986. Causton D.R. e Venus J.C., The Biometry of Plant Growth, Arnold, 98. Gatto M., Introduzione all Ecologia delle Popolazioni, CLUP, 985. Ginzburg, L.R. e Golenberg, E.M., Lectures in Theoretical Population Biology, Prentice-Hall, 985. Hallam T.G. Population dynamics in a homogenous environment, in Hallam T.G. e Levin S.A. (ed.), Mathematical Ecology, Springer Verlag, Biomathematics Series n. 7, 986. May R. M., Simple mathematical models with very complicated dynamics. Nature 26: (976). Akçakaya H.S., Burgman M.A., Ginzburg L.R., Applied Population Ecology, using RAMAS EcoLab, Applied Biomathematics, 999. pag. 68
DINAMICA DELLE POPOLAZIONI
. DINAMICA DELLE POPOLAZIONI Modelli di crescita di una singola popolazione 8 numero di individui 4 6 2 4 8 1 2 1 6 2 Giorni pag. 1 Dinamica delle Popolazioni Scopo: descrivere l evoluzione nel tempo degli
DettagliStudio scientifico delle interazioni tra gli organismi ed il loro ambiente (Haeckel)
Principi di Ecologia Dipartimento di Biologia Animale-Università di Pavia Dott. Nicola Gilio Definizioni di ecologia Studio scientifico delle interazioni tra gli organismi ed il loro ambiente (Haeckel)
Dettagliil modello logistico
LOTTA PER LA SOPRAVVIVENZA ovvero il modello logistico Circa 50 anni dopo l introduzione del modello di Malthus, il demografo belga Adolphe J. Quetelet (1796,1874) nella sua opera Sull uomo e sullo sviluppo
DettagliN(t+ t) N(t) = (a N a M )N(t) t. (0.9) Dalla (0.9) si ricava = (a N a M )N(t). (0.10)
3.. Il modello esponenziale continuo Supponiamo di avere una popolazione composta di individui di una sola specie. Indichiamo con N(t) il numero di individui presenti al tempo t. Supponiamo inoltre che
DettagliCRESCITA DI POPOLAZIONI. Consideriamo una popolazione di esseri viventi e indichiamo con n(t) il numero di individui della popolazione al tempo t:
CRESCITA DI POPOLAZIONI Consideriamo una popolazione di esseri viventi e indichiamo con n(t) il numero di individui della popolazione al tempo t: n : R N Questa è una funzione costante a tratti, cioè una
DettagliSIMULAZIONE - 29 APRILE QUESITI
www.matefilia.it SIMULAZIONE - 29 APRILE 206 - QUESITI Q Determinare il volume del solido generato dalla rotazione attorno alla retta di equazione y= della regione di piano delimitata dalla curva di equazione
DettagliCapitolo 6. Variabili casuali continue. 6.1 La densità di probabilità
Capitolo 6 Variabili casuali continue Le definizioni di probabilità che abbiamo finora usato sono adatte solo per una variabile casuale che possa assumere solo valori discreti; vediamo innanzi tutto come
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE CATENE DI MARKOV TEMPO CONTINUE Definizioni Sia dato un processo stocastico x(t) che può assumere valori discreti appartenenti ad un insieme se accade che il processo è una catena
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliEQUAZIONE LOGISTICA: MODELLO POLINOMIALE PER LA CRESCITA DEMOGRAFICA
EQUAZIONE LOGISTICA: MODELLO POLINOMIALE PER LA CRESCITA DEMOGRAFICA L equazione logistica, anche nota come modello di Verhulst o curva di crescita logistica è un modello di crescita della popolazione,
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
DettagliTEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE
TEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE Errore di misura è la differenza fra l indicazione fornita dallo strumento e la dimensione vera della grandezza. Supponendo che la grandezza vera
Dettagliẋ 1 = 2x 1 + (sen 2 (x 1 ) + 1)x 2 + 2u (1) y = x 1
Alcuni esercizi risolti su: - calcolo dell equilibrio di un sistema lineare e valutazione delle proprietà di stabilità dell equilibrio attraverso linearizzazione - calcolo del movimento dello stato e dell
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Si sono diverse distribuzioni di probabilità: quelle di cui parleremo sono la distribuzione binomiale, quella di Poisson, quella uniforme, quella normale, quella del χ² e la
DettagliLA DISTRIBUZIONE NORMALE
LA DISTRIBUZIONE NORMALE Italo Nofroni Statistica medica - Facoltà di Medicina Sapienza - Roma La più nota ed importante distribuzione di probabilità è, senza alcun dubbio, la Distribuzione normale, anche
DettagliRisposta temporale: esempi
...4 Risposta temporale: esempi Esempio. Calcolare la risposta al gradino unitario del seguente sistema: x(t) = u(t) s + 5 (s + )(s + ) y(t) Il calcolo della trasformata del segnale di uscita è immediato:
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
DettagliLa distribuzione delle frequenze. T 10 (s)
1 La distribuzione delle frequenze Si vuole misurare il periodo di oscillazione di un pendolo costituito da una sferetta metallica agganciata a un filo (fig. 1). A Figura 1 B Ricordiamo che il periodo
DettagliTeoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
DettagliVariabile casuale Normale
Variabile casuale Normale La var. casuale Normale (o Gaussiana) è considerata la più importante distribuzione Statistica per le innumerevoli Applicazioni e per le rilevanti proprietà di cui gode L'importanza
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliPAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore
PAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore medio, Errore quadratico medio (eqm), Deviazione standard,
DettagliISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliDerivate. Rette per uno e per due punti. Rette per uno e per due punti
Introduzione Rette per uno e per due punti Rette per uno e per due punti Rette secanti e tangenti Derivata d una funzione in un punto successive Derivabilità a destra e a sinistra Rette per uno e per due
DettagliSISTEMI ELEMENTARI DEL 1 o E 2 o ORDINE
CONTROLLI AUTOMATICI Ingegneria della Gestione Industriale e della Integrazione di Impresa http://www.automazione.ingre.unimore.it/pages/corsi/controlliautomaticigestionale.htm SISTEMI ELEMENTARI DEL o
DettagliINDICE. XIII Prefazione
INDICE XIII Prefazione Capitolo zero Prerequisiti 3 Unità uno Statistica descrittiva 5 Capitolo uno Statistica descrittiva di base 5 1.1 Tipi di dati in biologia 6 1.2 Sintesi della statistica descrittiva
DettagliESERCITAZIONE: ESPONENZIALI E LOGARITMI
ESERCITAZIONE: ESPONENZIALI E LOGARITMI e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Esercizio 1 In una coltura batterica, il numero di batteri triplica ogni ora. Se all inizio dell osservazione
Dettagliequazione della popolazione o bilancio demografico:
La dimensione della popolazione Consideriamo un conto corrente bancario: il saldo (fenomeno statico) è riferito ad un certo istante, ad es. inizio anno. Nel corso dell anno si verificano entrate ed uscite
DettagliScheda n.3: densità gaussiana e Beta
Scheda n.3: densità gaussiana e Beta October 10, 2008 1 Definizioni generali Chiamiamo densità di probabilità (pdf ) ogni funzione integrabile f (x) definita per x R tale che i) f (x) 0 per ogni x R ii)
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
DettagliControlli Automatici e Teoria dei Sistemi Esempi di sistemi dinamici
Controlli Automatici e Teoria dei Sistemi Esempi di sistemi dinamici Prof. Roberto Guidorzi Dipartimento di Elettronica, Informatica e Sistemistica Università di Bologna Viale del Risorgimento 2, 40136
DettagliElementi di Teoria dei Sistemi. Definizione di sistema dinamico. Cosa significa Dinamico? Sistema dinamico a tempo continuo
Parte 2, 1 Parte 2, 2 Elementi di Teoria dei Sistemi Definizione di sistema dinamico Parte 2, 3 Sistema dinamico a tempo continuo Cosa significa Dinamico? Parte 2, 4? e` univocamente determinata? Ingresso
Dettagliλ è detto intensità e rappresenta il numero di eventi che si
ESERCITAZIONE N 1 STUDIO DI UN SISTEMA DI CODA M/M/1 1. Introduzione Per poter studiare un sistema di coda occorre necessariamente simulare gli arrivi, le partenze e i tempi di ingresso nel sistema e di
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliDerivazione Numerica
Derivazione Numerica I metodi alle differenze finite sono basati sull approssimazione numerica di derivate parziali. Per questo consideriamo come problema iniziale quello di approssimare le derivate di
DettagliCharles Darwin che su Alfred Russel Wallace per la formulazione della loro teoria evoluzionista.
MODELLI MATEMATICI IN BIOLOGIA economista e demografo inglese Nel 1798 pubblicò An essay of the principle of the population as it affects the future improvement of society (Saggio sul principio della popolazione
DettagliEsperimentazioni di Fisica 1 Tracce delle lezioni di TERMOLOGIA
Esperimentazioni di Fisica 1 Tracce delle lezioni di TERMOLOGIA AA 2015-2016 Temperatura Temperatura misura oggettiva della sensazione di caldo e freddo Grandezza intensiva Misura la direzione del trasferimento
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
DettagliProgrammazione con Foglio di Calcolo Cenni di Statistica Descrittiva
Fondamenti di Informatica Ester Zumpano Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Lezione 5 Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliCALENDARIO BOREALE 1 EUROPA 2015 QUESITO 1
www.matefilia.it Indirizzi: LI0, EA0 SCIENTIFICO; LI0 - SCIENTIFICO - OPZIONE SCIENZE APPLICATE CALENDARIO BOREALE EUROPA 05 QUESITO La funzione f(x) è continua per x [ 4; 4] il suo grafico è la spezzata
DettagliANTITRASFORMATA DI LAPLACE MODI DI UN SISTEMA
CONTROLLI AUTOMATICI Ingegneria Gestionale http://www.automazione.ingre.unimore.it/pages/corsi/controlliautomaticigestionale.htm ANTITRASFORMATA DI LAPLACE MODI DI UN SISTEMA Ing. Federica Grossi Tel.
DettagliUniversità della Calabria
Università della Calabria FACOLTA DI INGEGNERIA Corso di Laurea in Ingegneria Civile CORSO DI IDROLOGIA N.O. Prof. Pasquale Versace SCHEDA DIDATTICA N 3 CURVE DI PROBABILITÀ PLUVIOMETRICA A.A. 00- CURVE
DettagliApplicazioni delle leggi della meccanica: moto armnico
Applicazioni delle leggi della meccanica: moto armnico Discutiamo le caratteristiche del moto armonico utilizzando l esempio di una molla di costante k e massa trascurabile a cui è fissato un oggetto di
DettagliDerivata materiale (Lagrangiana) e locale (Euleriana)
ispense di Meccanica dei Fluidi 0 0 det 0 = [ (0 ) + ( ( ) ) + (0 0 ) ] = 0. Pertanto, v e µ sono indipendenti tra loro e costituiscono una nuova base. Con essi è possibile descrivere altre grandezze,
DettagliAPPLICAZIONI DEL CONCETTO DI DERIVATA
ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA APPLICAZIONI DEL CONCETTO DI DERIVATA A. A. 2014-2015 L. Doretti 1 A. Significato geometrico di derivata 1. Dato il grafico di f, utilizzare il
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
DettagliUniversità del Piemonte Orientale. Corso di laurea in biotecnologie. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità.
Università del Piemonte Orientale Corso di laurea in biotecnologie Corso di Statistica Medica Le distribuzioni teoriche di probabilità. La distribuzione di probabilità binomiale Corso di laurea in biotecnologie
DettagliCorso di Modelli Matematici in Biologia Esame del 6 Luglio 2016
Corso di Modelli Matematici in Biologia Esame del 6 Luglio 206 Scrivere chiaramente in testa all elaborato: Nome, Cognome, numero di matricola. Risolvere tutti gli esercizi. Tempo a disposizione: DUE ORE.
DettagliSerie storiche Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Serie storiche Introduzione Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si
DettagliLA DISTRIBUZIONE NORMALE (Vittorio Colagrande)
LA DISTRIBUZIONE NORMALE (Vittorio Colagrande) Allo scopo di interpolare un istogramma di un carattere statistico X con una funzione continua (di densità), si può far ricorso nell analisi statistica alla
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliRICHIAMI MATEMATICI. x( t)
0.0. 0.1 1 RICHIAMI MATEMATICI Funzioni reali del tempo: (t) : t (t) (t) ( t) Funzioni reali dell ingresso: y() t t y( ) y() : y() Numeri complessi. Un numero complesso è una coppia ordinata di numeri
DettagliEsercizi Svolti. 2. Costruire la distribuzione delle frequenze cumulate del tempo di attesa
Esercizi Svolti Esercizio 1 Per una certa linea urbana di autobus sono state effettuate una serie di rilevazioni sui tempi di attesa ad una determinata fermata; la corrispondente distribuzione di frequenza
DettagliStabilità e retroazione
0.0. 4.1 1 iagramma Stabilità e retroazione Stabilità dei sistemi dinamici lineari: Un sistema G(s) è asintoticamente stabile se tutti i suoi poli sono a parte reale negativa. Un sistema G(s) è stabile
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliNote sul sistema di Lotka-Volterra. Prima versione. Commenti e correzioni sono benvenuti.
Ottobre 2016 Note sul sistema di Lotka-Volterra Prima versione. Commenti e correzioni sono benvenuti. 1 Introduzione Il sistema di Lotka Volterra (LV), o sistema preda predatore è probabilmente il primo
DettagliValutazione della capacità dissipativa di un sistema strutturale
Tecniche innovative per l identificazione delle caratteristiche dinamiche delle strutture e del danno Valutazione della capacità dissipativa di un sistema strutturale Prof. Ing. Felice Carlo PONZO - Ing.
Dettaglie una frequenza = 0 /2 =1/T (misurata in Hertz). Infine è la fase, cioè un numero (radianti) che dipende dalla definizione dell istante t=0.
8. Oscillazioni Definizione di oscillatore armonico libero Si tratta di un sistema soggetto ad un moto descrivibile secondo una funzione armonica (seno o coseno) del tipo x(t) = Acos( 0 t + ) A è l ampiezza
DettagliI a settimana di novembre
L. Seta I a settimana di novembre Metodi Matematici per l Economia 2016 2 Settimana 1 Successioni e dinamica di popolazione 1.1 I concetti chiave di questa settimana... 1.1.1 Scoprire uno schema in una
Dettagli05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
DettagliModulazioni di ampiezza
Modulazioni di ampiezza 1) Si consideri un segnale z(t) modulato in ampiezza con soppressione di portante dal segnale di informazione x(t): z(t) = Ax(t)cos(2πf 0 t) Il canale di comunicazione aggiunge
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
Dettagliinformatica di base per le discipline umanistiche
informatica di base per le discipline umanistiche vito pirrelli Istituto di Linguistica Computazionale CNR Pisa Dipartimento di linguistica Università di Pavia sesta lezione: la dinamica del testo vito
DettagliV.C. RETTANGOLARE o UNIFORME
V.C. RETTANGOLARE o UNIFORME La v.c. continua RETTANGOLARE o UNIFORME descrive il modello probabilistico dell equiprobabilità. [ a b] X, con densità di probabilità associata: P( x) 1 b a con P(x) costante.
DettagliCasa dello Studente. Casa dello Studente
Esercitazione - 14 aprile 2016 ESERCIZIO 1 Di seguito si riporta il giudizio (punteggio da 0 a 5) espresso da un gruppo di studenti rispetto alle diverse residenze studentesche di un Ateneo: a) Si calcolino
DettagliIstituto d Istruzione Superiore A. Tilgher Ercolano (Na)
Premessa Istituto d Istruzione Superiore A. Tilgher Ercolano (Na) Questa breve trattazione non vuole costituire una guida completa ed esauriente sull argomento, ma vuole fornire solamente i concetti fondamentali
DettagliCapitolo 6 La distribuzione normale
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliSTATISTICA 1 ESERCITAZIONE 6
STATISTICA 1 ESERCITAZIONE 6 Dott. Giuseppe Pandolfo 5 Novembre 013 CONCENTRAZIONE Osservando l ammontare di un carattere quantitativo trasferibile su un collettivo statistico può essere interessante sapere
DettagliModello di sviluppo di popolazione di Tignoletta della vite
Introduzione Modello di sviluppo di popolazione di Tignoletta della vite Questa relazione introduce un modello a ritardo variabile nel tempo (TVD) che permette di calcolate l effetto della temperatura
DettagliCONTROLLI AUTOMATICI Ingegneria Gestionale ANALISI ARMONICA
CONTROLLI AUTOMATICI Ingegneria Gestionale http://www.automazione.ingre.unimore.it/pages/corsi/controlliautomaticigestionale.htm ANALISI ARMONICA Ing. Federica Grossi Tel. 059 2056333 e-mail: federica.grossi@unimore.it
DettagliATTRATTORI CAOTICI. Attrattori. Classificazione degli attrattori: equilibri, cicli, tori, caos. Esponenti di Liapunov di attrattori
ARAORI CAOICI Attrattori Classificazione degli attrattori: equilibri, cicli, tori, caos Esponenti di Liapunov di attrattori Sistemi dissipativi C. Piccardi e F. Dercole Politecnico di Milano - 06/12/2012
DettagliSistemi di Equazioni Differenziali
Sistemi di Equazioni Differenziali Nota introduttiva: Lo scopo di queste dispense non è trattare la teoria riguardo ai sistemi di equazioni differenziali, ma solo dare un metodo risolutivo pratico utilizzabile
DettagliCORSO DI LAUREA IN INFERMIERISTICA. LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità
CORSO DI LAUREA IN INFERMIERISTICA LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità Lezioni di Statistica VARIABILITA Si definisce variabilità la proprietà di alcuni fenomeni di assumere
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
DettagliFunzioni vettoriali di variabile scalare
Capitolo 11 Funzioni vettoriali di variabile scalare 11.1 Curve in R n Abbiamo visto (capitolo 2) come la posizione di un punto in uno spazio R n sia individuata mediante le n coordinate di quel punto.
DettagliCorso C Geomatica. Teoria degli errori. Massimiliano Cannata
Corso C111.01 - Geomatica Teoria degli errori Rappresentazione di una misura di precisione ( x ± σ x ) u x = misura σ x = incertezza della misura u = unità di misura Il problema degli errori in topografia
DettagliDI IDROLOGIA TECNICA PARTE III
FACOLTA DI INGEGNERIA Laurea Specialistica in Ingegneria Civile N.O. Giuseppe T. Aronica CORSO DI IDROLOGIA TECNICA PARTE III Idrologia delle piene Lezione XIX: I metodi indiretti per la valutazione delle
Dettaglia) Determinare il dominio, i limiti agli estremi del dominio e gli eventuali asintoti di f. Determinare inoltre gli zeri di f e studiarne il segno.
1 ESERCIZI CON SOLUZIONE DETTAGLIATA Esercizio 1. Si consideri la funzione f(x) = e x 3e x +. a) Determinare il dominio, i limiti agli estremi del dominio e gli eventuali asintoti di f. Determinare inoltre
Dettagli1 Modello epidemico SIR (semplificato) del virus Ebola
L epidemiologia è la disciplina biomedica che si occupa della distribuzione delle malattie nella popolazione. Cosa c entra con l automatica? Per rispondere a questa domanda in questo esercizio ci occuperemo
DettagliMATEMATICA CORSO A II COMPITINO (Tema 1) 5 Aprile 2013
MATEMATICA CORSO A II COMPITINO (Tema 1) 5 Aprile 2013 Soluzioni 1. Due sperimentatori hanno rilevato rispettivamente 25 e 5 misure di una certa grandezza lineare e calcolato le medie che sono risultate
DettagliStatistica Descrittiva Soluzioni 6. Indici di variabilità, asimmetria e curtosi
ISTITUZIONI DI STATISTICA A A 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
DettagliLe derivate parziali
Sia f(x, y) una funzione definita in un insieme aperto A R 2 e sia P 0 = x 0, y 0 un punto di A. Essendo A un aperto, esiste un intorno I(P 0, δ) A. Preso un punto P(x, y) I(P 0, δ), P P 0, possiamo definire
DettagliReti nel dominio delle frequenze. Lezione 10 2
Lezione 10 1 Reti nel dominio delle frequenze Lezione 10 2 Introduzione Lezione 10 3 Cosa c è nell Unità 3 In questa sezione si affronteranno Introduzione all Unità Trasformate di Laplace Reti nel dominio
DettagliFormuliamo il problema: vogliamo studiare l evoluzione di una popolazione. Struttura delle popolazioni
Formuliamo il problema: vogliamo studiare l evoluzione di una popolazione Una popolazione è l insieme degli individui di una specie che vivono in una determinata area. Molti fattori determinano le variazioni
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
Dettagli01. Modelli di Sistemi
Controlli Automatici 01. Modelli di Sistemi Prof. Cesare Fantuzzi Ing. Cristian Secchi Ing. Federica Ferraguti ARSControl - DISMI - Università di Modena e Reggio Emilia E-mail: {nome.cognome}@unimore.it
DettagliCorso di Laurea Specialistica in Ingegneria Meccanica e Ingegneria Energetica Progetto numerico al calcolatore
Corso di Laurea Specialistica in Ingegneria Meccanica e Ingegneria Energetica Progetto numerico al calcolatore Soluzione di un sistema non lineare con la Regula Falsi generalizzata per la determinazione
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
DettagliTeoria e tecniche dei test
Teoria e tecniche dei test Lezione 9 LA STANDARDIZZAZIONE DEI TEST. IL PROCESSO DI TARATURA: IL CAMPIONAMENTO. Costruire delle norme di riferimento per un test comporta delle ipotesi di fondo che è necessario
Dettaglile scale di misura scala nominale scala ordinale DIAGNOSTICA PSICOLOGICA lezione si basano su tre elementi:
DIAGNOSTICA PSICOLOGICA lezione! Paola Magnano paola.magnano@unikore.it si basano su tre elementi: le scale di misura sistema empirico: un insieme di entità non numeriche (es. insieme di persone; insieme
DettagliEsercitazione 4: Calcolo e relazioni tra le principali funzioni biometriche delle tavole. Misure di sintesi. Viviana Amati
Esercitazione 4: Calcolo e relazioni tra le principali funzioni biometriche delle tavole. Misure di sintesi. Viviana Amati 13/05/2009 Le funzioni biometriche della tavola di mortalità Nell esercitazione
DettagliArgomento 7. Studio di funzione
Argomento 7 Studio di funzione Studiare una funzione significa ottenere, mediante strumenti analitici (iti, derivate, ecc.) informazioni utili a disegnare un grafico qualitativo della funzione data. I
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliSISTEMI ELEMENTARI DEL 1 o E 2 o ORDINE
CONTROLLI AUTOMATICI Ingegneria Meccanica e Ingegneria del Veicolo http://www.dii.unimore.it/~lbiagiotti/controlliautomatici.html SISTEMI ELEMENTARI DEL 1 o E 2 o ORDINE Ing. e-mail: luigi.biagiotti@unimore.it
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
Dettagli