AFFIDABILITA DEI SISTEMI STOCASTICI (semplici)
|
|
- Gianpaolo Grasso
- 8 anni fa
- Visualizzazioni
Transcript
1 AFFIDABILITA DEI SISTEMI STOCASTICI (semplici) Un sistema (o uno qualsiasi dei suoi componenti) può essere soggetto a stress casuali. Es: un fusibile in un circuito; una trave di acciaio sotto carico; l ala di un aereo sotto l influenza di forze Collasso del componente Lo stato in cui il componente (o il sistema) cessa di funzionare Definizione Se un componente è messo in condizioni di stress in un istante temporale t= e viene osservato fino a quando collassa, la durata della vita (o il tempo necessario al collasso) è una variabile aleatoria che indicheremo con T 1
2 Definizione di guasto Per guasto si intende (a) la cessazione di un dispositivo ad adempiere la funzione richiesta (guasti totali); (b) variazione prestazione del dispositivo che lo renda inservibile (guasti parziali); Guasti intermittenti Classificazione dei guasti in base al tempo di vita del sistema Guasti infantili Guasti di usura errori montaggio errori progettazione Guasti casuali Indipendenti dal tempo E anche nota come v.a. esponenziale negativa. Perché? Nelle applicazioni, la v.a. esponenziale viene usata per descrivere il tempo di vita (aleatorio) di un sistema complesso fino al suo collasso. FX ( t) funzione di guasto (failure function) R ( t) = 1 F ( t) funzione di affidabilità (reliability function) X X 2
3 1) R() = 1 2) lim R( t) = t 3) se t t R( t ) R( t ) Proprietà della funzione R(t) RX ( t) RX ( t) RX ( t) Densità di probabilità del tempo di vita T d d f ( t) = F( t) oppure f ( t) = R( t) dt dt R( t) f ( t) R( t) f ( t) R( t ) R( t) f ( t) f ( t) 3
4 Nelle applicazioni, la v.a. esponenziale viene usata per descrivere il tempo di vita (aleatorio) di un sistema complesso fino al suo collasso. ( ) ( ) Prop: Se T Exp( λ ),allora P T > s + t T > s = P T > t ASSENZA DI MEMORIA Si dimostra che ( > + > ) = ( > ) ( ) ( ) { } (a) Se P T s t T s P T t s, t T Exp( λ) (b) Se P T s + t T > s = P T t s, t,1, 2, T Geom( p) ( ) ( ) P ( T > s) ( > + ) P ( T > s) e P T > s + t ( T > s) Proof : P T > s + t T > s = λ ( s+ t ) P T s t e λt = = = e = P T > t λs ( ) Altra formulazione della proprietà di assenza di memoria La durata di vita residua ha la stessa distribuzione della durata di vita del componente considerato. Prop: Sia T Exp( λ ) e sia t >. Posto T = T t allora ( t ) ( ) t P T t T > t = P T t per t t Se T è un tempo di vita con legge qualsiasi, qual è la distribuzione della sua vita residua? Tt ( ) ( ) ( ) F t = P T < t = P T t t T t = t Nel caso esponenziale, questa proprietà lascia qualche perplessità, perché implica che il sistema non è soggetto ad usura. T ( + ) T ( ) 1 F ( t ) F t t F t T 4
5 Def : Sia T il tempo di vita di un sistema, e sia T v.a. assolutamente contina. Si definisce tasso di gausto (o funzione di rischio ) - failure rate or hazard function la funzione f ( t) Z( t) = R( t) dove f ( t) rappresenta la funzione densità di T e R( t) la sua funzione di affidabilità. Ex: Nel caso esponenziale, il tasso di guasto è. Modello di tasso di guasto in funzione dell età generalmente impiegato nelle applicazioni. 5
6 Significat o probabilis tico : successivo [ t, t + t] f ( t) t Z( t) t = = P T ( t) t + t t f ( s) ( t) P T ds = P probabilità che il componente che è durato fino all'istante Teorema : ( ) F ( ) ' ( ) ( ( t T < t + t T t) t collassi nell'intervallo di tempo Se T è una variabile aleatoria continua, con funzione di distribuzione F tale che =, allora t R ( t ) = exp Z( s) ds, t f t R t) DIM: Z( t) = Z( t) = R( t) R( t) t ( ) Z(s)ds = log R t + cos t. t ( ) = ( ) R t K exp Z( s) ds dove K dipende dalle condizioni iniziali Esercizio 1: Stabilire se la funzione R(t)=exp[-(t/b)^k] è una funzione di affidabilità. Determinare il tasso di guasto. Esercizio 2: Si assuma che un dispositivo abbia un tasso di guasto lineare. Determinare la funzione di affidabilità e la funzione di guasto. Proprietà del tasso di guasto i Z ( t) i i i Z ( t) f ( t) t Z ( s ) d s < R Z ( t) dt = Dunque non è una probabilità! Contiene informazioni istantanee! 6
7 Un problema piuttosto comune nello studio dell affidabilità dei sistemi, è determinare tra due sistemi quello più affidabile, ossia quello che ha un tempo di vita maggiore. Come si fanno a controllare tempi di vita aleatori? Una scelta che sembra piuttosto naturale è confrontare le medie. Tempo medio di guasto (MEAN TIME TO FAILURE - MTTF) Teorema: Se E [ T ] < E[ T ] = R( t) dt PROOF: [ ] E X = xf ( x) dx = Teorema molto generale x d t f ( x) dx = d t f ( x) dx t Non è esaustivo! MTTF2 = MTTF1 7
8 Def : Un sistema A si dice più affidabile di un sistema B ( ) ( ) se R t R t per ogni t. A R R A B ( t) ( t) Tasso di guasto cumulativo B ( ) ( ) ( ) > 1 se H A t > H B ( t) = exp H A ( t) H B ( t) = 1 se H A t = H B ( t) < 1 se H A t < H B ( t) t dove H ( t) = Z( s) d s (tasso di guasto cumulativo) Si potrebbe pensare di confrontare i tassi di guasto: ( ) ( ) ( ) ( ) Teorema : Se ZA t > Z B t t RA t < RB t t (vale anche sul segno <) Non vale il viceversa. Z( t) = 1 t (linea rossa) ( t ) 2 Z( t) = 3 (linea verde) 8
9 In questo esempio, pur essendo le funzioni di affidabilità una strettamente maggiore dell altra, non vale lo stesso per i tassi di guasto! P( T > T ) T > T Come si calcola invece 1 2? significato all evento ( ) 1 2 A questo scopo è necessario dare ossia considerare coppie di variabili aleatorie Altra legge impiegata per descrivere il tempo di vita di un sistema è la legge gaussiana per via del teorema del limite centrale. Prestare attenzione alla legge dei 3 sigma Talvolta viene usato il valore assoluto della gaussiana! 9
10 Confronti Il grafico in rosso corrisponde alla gaussiana standard. Il grafico in verde corrisponde al valore assoluto di una gaussiana standard. Tasso di guasto di un modello gaussiano T N(1,1) > y<-dnorm(x,1,1)/(1-pnorm(x,1,1)) 1
11 Esercizio: Si assuma che un dispositivo abbia una funzione di guasto descritta da una v.a. uniforme sull intervallo [,1]. Determinare il tasso di guasto. Come si descrivono gli altri rami della curva a vasca da bagno? β 1 β = 1 costante β t Z( t) = = β > 1 crescente α α β < 1 decrescente Esercizio: Il modello di vita di un apparato propulsivo di un sottomarino atomico ha un tasso di guasto pari a 2 t^3. Determinare l affidabilità del sistema a due mesi. DISTRIBUZIONE DI WEIBULL Calcolare la funzione densità. Una v.a. di Weibull ha funzione densità: β 1 β β t t exp t > f ( t) = α α α altrove 11
12 Esercizio: Calcolare la funzione di ripartizione La distribuzione di Rayleigh (Lord Rayleigh - fisico britannico premio nobel), di parametro = >, descrive la v.a. Z = X + Y dove X N(, ) e Y N α σ 2 (, ) (indipendenti). σ Per β = 2 Distribuzione di Raylegh σ Per β = 1/ 2 Curva mortalità infantile NOTA: I parametri della legge di Weibull Il parametro β è detto parametro di forma. Questo perchè variando questo parametro, varia la forma della pdf Il valore di alfa è stato fissato a 1. 12
13 NOTA: I parametri della legge di Weibull Il parametro α è detto parametro di scala. Questo perchè variando questo parametro, varia il range in cui la pdf è diversa da zero. Il valore di beta è stato fissato a 1. ESERCIZI Esercizio 1: Il tempo di guasto di un radar per la navigazione aerea è rappresentabile mediante una distribuzione di Weibull con parametro di scala pari a 2 ore e parametro di forma pari a 2.1. a) Effettuare il grafico della funzione densità. b) Effettuare il grafico del tasso di guasto. c) Determinare l affidabilità del sistema a 1 ore. Esercizio 2: Sia T il tempo di vita di un componente elettronico in un aereo descritto da una v.a. di Weibull di parametro di scala 11 ore di volo e di parametro di forma 3. Determinare la probabilità di guasto dopo 1 ore. Determinare la massima lunghezza di volo tale che la probabilità di guasto sia inferiore a.5. Esercizio 3: Sia T il tempo di vita di un componente elettronico una v.a. gaussiana di deviazione standard 1 ore. Assumendo che dopo un periodo pari a 1 ore, l affidabilità stimata per il componente sia 99%, determinare la media di T. 13
14 Esercizio 4: Due compagnie producono pneumatici per auto. Entrambe le compagnie dichiarano che il tempo di vita medio dei loro prodotti è 2 miglia. Dopo una indagine statistica risulta che il tempo di vita dei pneumatici prodotti dalla compagnia A è esponenziale di parametro.5 e invece il tempo di vita dei pneumatici prodotti dalla compagnia B è gaussiano, di media 2 miglia e di deviazione standard 2 miglia. Se la politica di un negozio che affitta le macchine è di cambiare i pneumatici non appena essi raggiungono le 2 miglia, quali pneumatici converrebbe comprare? Si tratta di calcolare le funzioni di affidabilità a 2 ore: R (2) =.3678, R (2) =.5 A Esercizio 5: il tempo di vita di un sistema ha un tasso di guasto costante pari a.1. Determinare per quante ore deve funzionare affinché abbia un affidabilità pari almeno a 9%. B Esercizio 6: Il tempo di guasto di un RWR (radar warning receiver) in un aereo da combattimento segue una legge di Weibull con parametro di scala 12 ore di volo e parametro di forma 3. Lo stesso radar montato su di un elicottero ha un tempo di vita esponenziale con parametro.1. a) Confrontare le affidabilità dei due sistemi. b) Se il fornitore dà una garanzia di 75 ore di volo, calcolare il tasso di guasto a 75 ore. c) Confrontare il tempo medio di vita. 14
15 Per l esponenziale sappiamo che la media è 1/.1, ossia 1. Per la legge di Weibull, la formula della media è piuttosto complicata. Usiamo allora il seguente risultato: = E[ T ] R( t) dt Si tratta di usare una routine per l integrazione numerica in R. > integrand<-function(x){pweibull(x,3,12,lower.tail=false)} > integrate(integrand,,inf) with absolute error <.82 Pertanto ha un tempo di vita maggiore l aereo Un indice più robusto è la mediana. Essa rappresenta quel valore M tale che l affidabilità R(M) del sistema vale 5%. Per il suo calcolo, usiamo la funzione che restituisce i quantili di una distribuzione. > qexp(.5,.1) [1] > qweibull(.5,3,12) [1] MBTF= MEAN OPERATING TIME BETWEEN FAILURES e non MEAN TIME BETWEEN FAILURES E il tempo medio tra due consecutivi guasti Se dopo ogni riparazione, il sistema torna "come nuovo" allora MTBF=MTTF, ignorando il tempo impiegato per la riparazione Se il tasso di guasto è esponenziale, allora MBTF= T / n, ignorando il tempo impiegato per la riparazione. Più in generale: MBTF=MTTF+MTTR Tempo medio per la riparazione 15
16 Affidabilità condizionata Il dispositivo in esame ha funzionato fino al tempo s. Qual è la probabilità che funzioni per un altro intervallo di tempo t? ( ) P T > s + t T > s = R( s + t s) Conoscendo la funzione di affidabilità, come è possibile calcolare la funzione di affidabilità condizionata? Cosa accade nel caso esponenziale? R( s + t) R( s + t s) = R( s) Quanto vale R(t+ )? Quali sono le proprietà di questa funzione per s fissato e t variabile? Quali sono le proprietà di questa funzione per t fissato e s variabile? Affidabilità condizionata per d. Weibull 16
17 Tempo medio di vita residua (MEAN RESIDUAL LIFE) Il tempo medio di guasto per un sistema di età t tempo medio di vita residua ( t ) = E [ T t T > t ] MTTF prende il nome di Una formula per il calcolo del tempo medio di vita residua: MTTF ( t ) = t R( t) dt R t ( ) Esercizio: Il tempo di guasto di un radar per la navigazione aerea è rappresentabile mediante una distribuzione di Weibull con parametro scala pari a 2 ore e parametro forma pari a 2.1. Uno di questi radar viene montato su di un aereo. Viene dichiarato che l età del radar è di 8 ore. Trovare il tempo medio di vita residua per questo radar. Soluzione: Si tratta di calcolare E[ T 8 T > 8] ossia MTTF( 8) Costruiamo la funzione integranda > integrand<-function(x){pweibull(x,2.1,2,lower.tail=false)} Effettuiamo l integrale e assegniamo il suo valore ad una variabile > integrate(integrand,8,inf) with absolute error <.71 >a< Calcoliamo la media condizionata > a/pweibull(8,2.1,2,lower.tail=false) [1] = 8 R R( t) dt ( 8) Qual è la probabilità condizionata di guasto di un componente di età t durante l intervallo seguente di durata t? F( t + t t) = R( t) R( t + t) 1 R( t + t t) = R( t) F( t + t) F( t) P( t < T t + t) = = = P( t < T t + t T > t) R( t) P( T > t) 17
18 Altri tipi di curve bathtub Componenti meccanici Curve reali Dai dati al modello teorico. Alla ricerca del modello teorico Prendendo in considerazione il campione casuale esaminato nel capitolo sulla statistica descrittiva, ci poniamo la seguente domanda: il campione proviene da una popolazione gaussiana? > qqnorm(dati) > Se il grafico si attesta su una retta, allora si può ritenere il campione proveniente da una popolazione gaussiana. Sul grafico sono riportate le coppie dove: x ( i) ( z( i), x( i) ) rappresenta l' i-esimo dato ordinato mentre z ( Z z( i) ) ( i) rappresenta il quantile tale che P i.5 < = n 18
19 E possibile aggiungere la linea teorica di tendenza al grafico con il comando qqline() > qqline(dati) > Per la legge esponenziale e per quella di Weibull, si potrebbe costruire un grafico analogo al QQplotper la gaussiana. Tuttavia nella letteratura relativa alle applicazioni in ambito ingegneristico, si preferisce una diversa procedura. Per determinare quale distribuzione fitta meglio i dati, si utilizzano i metodi grafici cosiddetti probability plotting papers. L idea è la seguente: scelto il modello teorico, viene determinata una trasformazione degli assi in modo che la sua funzione di ripartizione risulti lineare. Rappresentando i dati e la rispettiva ECDF in questo sistema, un andamento lineare valida il modello teorico scelto. Probability plotting papers necessitano di: a) dati (ordinati in ordine crescente) b) funzione di ripartizione cumulativa Metodi di stima Mean Rank Median Rank Symmetric CDF Costruzione F(x) i/(n+1) (i-.3)/(n+.4)(bernard) (i-.5)/n Particolarmente utile per leggi asimmetriche Molto usata! Studi recenti hanno dimostrato che questo metodo grafico è più accurato Non è ancora chiaro quali di queste stime sia la migliore 19
20 Come si individua la trasformazione: Caso Esponenziale Ricordando che la funzione di guasto nel modello esponenziale è ( x) F( x) = 1 exp λ applicando una trasformazione logaritmica ad entrambi i membri si ha: da cui ponendo: log 1 λ x = 1 F ( x ) 1 y = log 1 F ( x ) y = λz z = x Pertanto se rappresentando le coppie ( x queste risultano i, yi ) disporsi lungo una retta, allora il modello esponenziale può ritenersi adeguato. > source('datiprimoesercizio.r') > x<-sort(dati) > index<-seq(1,2,1) > cdf<-(index-.3)/2.4 > z<-log(1/(1-cdf)) > plot(x,z,type='p',xlab='dati',ylab='trasf.log.cdf',main='prob.plotting + esponenziale') > L andamento non è lineare. Il valore del parametro lambda potrebbe essere stimato calcolandoil coefficiente angolare della retta di regressione. Esistono altri metodi 2
21 Caso Weibull 1 1 y = log log Si ha la seguente retta log log β log x β log α. Poni 1 F( x) 1 F( x) = z = log x Un grafico sugli assi ( z, y) è un Weibull probability paper > x<-log(sort(dati)) > z<-log(log(1/(1-cdf))) > plot(x,z,type='p',xlab='log Dati', + ylab='log log cdf',main='probability + plotting paper Weibull') > Il modello di Weibull sembra essere il migliore. Con quali parametri? La functiondi R che consente di calcolare il valore numerico di questi parametri è fitdistr() nella libreria MASS. Il metodo per effettuare questo calcolo è noto nella letteratura come metodo di massima verosimiglianza (qualche dettaglio in più nel capitolo sui vettori di variabili aleatorie). > stima<-fitdistr(dati,"weibull") > str(stima) List of 5 $ estimate: Named num [1:2] attr(*, "names")= chr [1:2] "shape" "scale" $ sd : Named num [1:2] attr(*, "names")= chr [1:2] "shape" "scale" 21
22 Un primo modo per verificare se il modello teorico fitta i dati del campione casuale è -sovrapporre la densità di probabilità all istogramma. -sovrapporre la funzione di ripartizione a quella empirica. > source('datiprimoesercizio.r') > library(mass) > stima<-fitdistr(dati,'weibull') > yy<-dweibull(sort(dati),stima$estimate[1], + stima$estimate[2]) > hist(dati,prob=true, col='blue',labels=t, + ylim=range(,.12),breaks=c(,15,3,45,6,75)) > par(new=true) > plot(sort(dati),yy,type='l',col='red',lwd=4, + xlab=' ',ylab=' ',ylim=range(,.12), + xlim=range(,75)) > > yy<-pweibull(sort(dati),stima$estimate[1],stima$estimate[2]) > plot.ecdf(dati,col.points='blue',col.hor='red',main='funz. affidabilità', + xlim=range(,8)) > par(new=true) > plot(sort(dati),yy,type='s',col='red',lwd=4,xlab=' ',ylab=' ', + ylim=range(,1),xlim=range(,8)) > 22
23 Esercizio: Considerando un albero rotante con tasso di guasto costante pari a 2 guasti su 1^5 ore di funzionamento, calcolare il numero (medio) di alberi che si romperanno tra 1. e 2. ore, considerando un numero di alberi in prova pari a 5. Soluzione: Il numero di alberi che si romperanno tra 1. e 2. ore è una variabile binomiale di parametri N=5e probabilità di successo P(1. < T < 2.) = p Poiché il tasso di guasto è costante, la v.a. T è esponenziale. Calcoliamo p con R. Poiché il tasso di guasto si riferisce a 1. ore di funzionamento mentre p si riferisce ad ordini di grandezza pari a 1. il tasso di guasto che bisogna considerare è 2 su 1.. > p<-pexp(2,2)-pexp(1,2) > 5*p [1] Il numero medio corrisponde alla media della v.a. binomiale La fase di raccolta dei dati sperimentali richiede che il prodotto spesso un prototipo sia testato per tempi sufficientemente lunghi Prove di affidabilità Time-terminated Failure-terminated Time-terminated: - rimpiazzo delle unità guastate - senza rimpiazzo delle unità guastate Failure-terminated: - senza rimpiazzo delle unità guastate Oppure la prova viene fatta finire al primo guasto se questo risulta maggiore di un determinato tempo di prova. In genere, dopo l 8% delle unità inizialmente inserite sulle macchine di prova. Il failureterminatedè la procedura usualmente impiegata in prove di affidabilità che coinvolgono modelli esponenziali. 23
24 Campioni incompleti (Censored sample) Si definisce campione incompleto, un insieme di dati riguardanti sia componenti che non hanno funzionato bene durante la prova, che componenti la cui prova è stata interrotta senza che si sia raggiunto il guasto. Durata in ore Stato del sistema 31 Guasto 4 Sospeso 45 Guasto 7 Guasto 73 Sospeso 85 Guasto 99 Sospeso 111 Sospeso 151 Guasto 195 Guasto In questo caso non è possibile stimare la funzione di ripartizione perché i guasti sono separati da unità testate non arrivate al guasto. Assegnazione dell INCREMENTO fittizio del numero ordinale i, dipendente dalle unità non arrivate al guasto. Durata in ore IO (1) = 1 Stato del sistema 31 Guasto 4 Sospeso 45 Guasto 7 Guasto 73 Sospeso 85 Guasto 99 Sospeso 111 Sospeso 151 Guasto 195 Guasto NO = numero d'ordine IO = incremento d'ordine A = B = n + 1 A IO = B + 1 NO() del guasto precedente numero di pezzi ancora da considerare incluso quello rotto n = dimensione del campione di prova NO( i) = NO( i -1) + IO( i) IO(2) = = NO(2) = NO(1) + IO(2) = = Sarà questo valore a sostituire il valore di i nella stima di F() 24
25 Durata in ore Stato del sistema 31 Guasto 4 Sospeso 45 Guasto 7 Guasto 73 Sospeso 85 Guasto 99 Sospeso 111 Sospeso 151 Guasto 195 Guasto Non ci sono sospensioni tra il secondo ed il terzo guasto IO(2) = IO(3) NO(3) = NO(2) + IO(3) = = IO(4) = = NO(4) = NO(3) + IO(4) = = IO(5) = = 2.16 = IO(6) 1+ 2 NO(5) = NO(4) + IO(5) = = E così via Numguasti Tempo guasto NO(i) MEDIAN RANK NO( i).3 n
AFFIDABILITA DEI SISTEMI STOCASTICI (semplici)
AFFIDABILITA DEI SISTEMI STOCASTICI (semplici) Un sistema (o uno qualsiasi dei suoi componenti) può essere soggetto a stress casuali. Es: un fusibile in un circuito; una trave di acciaio sotto carico;
DettagliHistogram of C1 Normal
Soluzioni domande ed esercizi Fondamenti di Affidabilità Capitolo 2. La vita di un cambio ad ingranaggi può essere fortemente influenzata nelle fasi iniziali della sua vita da problemi derivanti principalmente
DettagliAFFIDABILITA DEI SISTEMI STOCASTICI (semplici)
AFFIDABILITA DEI SISTEMI STOCASTICI (semplici) Un sistema (o uno qualsiasi dei suoi componenti) può essere soggetto a stress casuali. Es: un fusibile in un circuito; una trave di acciaio sotto carico;
DettagliEsercitazione 5 Soluzioni
Esercitazione 5 Soluzioni. (Esercizio 5. del Ross) Sia X una variabile aleatoria la cui densità è c( 2 ) < < 0 altrimenti. (a) Qual è il valore di c? (b) Scrivere la funzione di ripartizione di X. 2. (Esercizio
DettagliLa distribuzione Gaussiana
Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione
DettagliAFFIDABILITA DEI SISTEMI
AFFIDABILITA DEI SISTEMI STOCASTICI (complessi) Esercizio: Si assuma che i collegamenti tra una centrale elettrica e una città siano costituite da tre linee collegate in serie i cui tempi di funzionamento
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliCAPACITÀ DI PROCESSO (PROCESS CAPABILITY)
CICLO DI LEZIONI per Progetto e Gestione della Qualità Facoltà di Ingegneria CAPACITÀ DI PROCESSO (PROCESS CAPABILITY) Carlo Noè Università Carlo Cattaneo e-mail: cnoe@liuc.it 1 CAPACITÀ DI PROCESSO Il
DettagliFacciamo qualche precisazione
Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione
DettagliEsercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue
Esercizi del Corso di Statistica Parte I - Variabili Aleatorie Continue 1. Costruire la variabile uniforme U sull intervallo [a, b], con a IR e b IR. 2. Sia X una variabile aleatoria tale che: 0 x < 1
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
DettagliTermodinamica: legge zero e temperatura
Termodinamica: legge zero e temperatura Affrontiamo ora lo studio della termodinamica che prende in esame l analisi dell energia termica dei sistemi e di come tale energia possa essere scambiata, assorbita
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
DettagliMatematica II: Calcolo delle Probabilità e Statistica Matematica
Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # Esercizi Statistica Descrittiva Esercizio I gruppi sanguigni di persone sono B, B, AB, O,
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
DettagliLa Distribuzione Normale (Curva di Gauss)
1 DISTRIBUZIONE NORMALE o CURVA DI GAUSS 1. E la più importante distribuzione statistica continua e trova numerose applicazioni nello studio dei fenomeni biologici. 2. Fu proposta da Gauss (1809) nell'ambito
DettagliDISTRIBUZIONI DI PROBABILITÀ
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
DettagliProva di autovalutazione Prof. Roberta Siciliano
Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliAffidabilità nel tempo tasso di guasto. h( t) =! dt N dt N ( ) ( ) = =! N N
Affidabilità nel tempo tasso di guasto 1 N=numero componenti N s (t)=numero componenti sopravvissuti al tempo t N f (t)=numero componenti rotti al tempo t N ( ) ( ) s t N f t R( t) = = 1! N N dr( t) 1
DettagliRAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL
RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL 1 RAPPRESENTAZIONE GRAFICA Per l analisi dati con Excel si fa riferimento alla versione 2007 di Office, le versioni successive non differiscono
DettagliAlbero dei guasti DOTT. ING. KONSTANTINOS MILONOPOULOS 1
Albero dei guasti E uno strumento di analisi dei guasti che si affianca all FMECA. L FMECA e un analisi di tipo bottom-up, perche si parte da un componente e si risale agli effetti di un suo guasto L Albero
DettagliCENNI DI METODI STATISTICI
Corso di Laurea in Ingegneria Aerospaziale CENNI DI METODI STATISTICI Docente: Page 1 Page 2 Page 3 Due eventi si dicono indipendenti quando il verificarsi di uno non influisce sulla probabilità di accadimento
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
DettagliCAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI
VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita
Dettagli11. Analisi statistica degli eventi idrologici estremi
. Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche
Dettagli2. Leggi finanziarie di capitalizzazione
2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Modelli di Variabili Aleatorie Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Sulla base della passata esperienza il responsabile della produzione di un azienda
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 5-Indici di variabilità (vers. 1.0c, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
Dettagli1 Modelli di variabili aleatorie continue
Modelli di variabili aleatorie continue. Variabili aleatorie continue uniformi (o rettangolari) Una v.a. X è detta uniforme (o rettangolare) sull intervallo [a, b] se la sua densità è data da se x [a,
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2004
ESAME DI STAT DI LICE SCIENTIFIC CRS SPERIMENTALE P.N.I. 004 Il candidato risolva uno dei due problemi e 5 dei 0 quesiti in cui si articola il questionario. PRBLEMA Sia la curva d equazione: ke ove k e
DettagliIl concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
DettagliCorso di Automazione Industriale 1. Capitolo 4
Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione
DettagliMatematica e Statistica
Matematica e Statistica Prova d esame (0/07/03) Università di Verona - Laurea in Biotecnologie - A.A. 0/3 Matematica e Statistica Prova di MATEMATICA (0/07/03) Università di Verona - Laurea in Biotecnologie
DettagliOttimizazione vincolata
Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliPolitecnico di Milano - Scuola di Ingegneria Industriale. I Prova in Itinere di Statistica per Ingegneria Energetica 9 maggio 2013
Politecnico di Milano - Scuola di Ineneria Industriale I Prova in Itinere di Statistica per Ineneria Eneretica 9 maio 013 c I diritti d autore sono riservati. Oni sfruttamento commerciale non autorizzato
DettagliApplicazioni lineari
Applicazioni lineari Esempi di applicazioni lineari Definizione. Se V e W sono spazi vettoriali, una applicazione lineare è una funzione f: V W tale che, per ogni v, w V e per ogni a, b R si abbia f(av
DettagliIndici di dispersione
Indici di dispersione 1 Supponiamo di disporre di un insieme di misure e di cercare un solo valore che, meglio di ciascun altro, sia in grado di catturare le caratteristiche della distribuzione nel suo
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione
DettagliEsercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Alfonso Iodice D Enza April 26, 2007 1...prima di cominciare Contare, operazione solitamente semplice, può diventare complicata se lo scopo
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
DettagliLa variabile casuale Binomiale
La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola
DettagliStatistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004
Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 200 Esercizio 1 Tre apparecchiature M 1, M 2 e M 3 in un anno si guastano, in maniera indipendente, con probabilità
DettagliCorrispondenze e funzioni
Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei
DettagliEsercizi riassuntivi di probabilità
Esercizi riassuntivi di probabilità Esercizio 1 Una ditta produttrice di fotocopiatrici sa che la durata di una macchina (in migliaia di copie) si distribuisce come una normale con µ = 1600 e 2 = 3600.
Dettagli1.5. ISTOGRAMMA 17. Figura 1.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =0, σ 2 X =1).
.5. ISTOGRAMMA 7.5 Istogramma A partire dalle considerazioni svolte nel paragrafo precedente, posto x m = min(x,,x N e x M = max(x,,x N, possiamo ottenere una stima della densità di probabilità p (x suddividendo
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Distribuzione di probabilità, funzione di ripartizione di una v.c. discreta Il tasso di cambio
DettagliPsicometria (8 CFU) Corso di Laurea triennale STANDARDIZZAZIONE
Psicometria (8 CFU) Corso di Laurea triennale Un punteggio all interno di una distribuzione è in realtà privo di significato se preso da solo. Sapere che un soggetto ha ottenuto un punteggio x=52 in una
DettagliEsercitazioni 2013/14
Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliVARIABILI ALEATORIE CONTINUE
VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità
DettagliScheduling della CPU. Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux
Scheduling della CPU Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux Sistemi multiprocessori Fin qui si sono trattati i problemi di scheduling su singola
DettagliMetodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla
Il metodo della regressione può essere esteso dal caso in cui si considera la variabilità della risposta della y in relazione ad una sola variabile indipendente X ad una situazione più generale in cui
DettagliStatistica. Alfonso Iodice D Enza iodicede@unina.it
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 16 Outline 1 () Statistica 2 / 16 Outline 1 2 () Statistica 2 / 16 Outline 1 2 () Statistica 2 / 16
DettagliMachines 2010. :Nuova legge in Europa. :Nuove norme. Quasi-macchine. MTTFd. Documenti DC SIL PL. B10d CCF
Machines 2010 :Nuova legge in Europa :Nuove norme Quasi-macchine MTTFd B10d CCF Documenti DC SIL PL : Nuovi obblighi per progettisti, utilizzatori, costruttori, importatori di macchine: - Nuova Direttiva
DettagliFUNZIONE REALE DI UNA VARIABILE
FUNZIONE REALE DI UNA VARIABILE Funzione: legge che ad ogni elemento di un insieme D (Dominio) tale che D R, fa corrispondere un elemento y R ( R = Codominio ). f : D R : f () = y ; La funzione f(): A
DettagliRapporto dal Questionari Insegnanti
Rapporto dal Questionari Insegnanti SCUOLA CHIC81400N N. Docenti che hanno compilato il questionario: 60 Anno Scolastico 2014/15 Le Aree Indagate Il Questionario Insegnanti ha l obiettivo di rilevare la
DettagliCapitolo 5. Funzioni. Grafici.
Capitolo 5 Funzioni. Grafici. Definizione: Una funzione f di una variabile reale,, è una corrispondenza che associa ad ogni numero reale appartenente ad un insieme D f R un unico numero reale, y R, denotato
DettagliESERCIZI SVOLTI PER LA PROVA DI STATISTICA
ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI
Dettagli1. Scopo dell esperienza.
1. Scopo dell esperienza. Lo scopo di questa esperienza è ricavare la misura di tre resistenze il 4 cui ordine di grandezza varia tra i 10 e 10 Ohm utilizzando il metodo olt- Amperometrico. Tale misura
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliCome descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva. Brugnaro Luca
Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva Brugnaro Luca Progetto formativo complessivo Obiettivo: incrementare le competenze degli operatori sanitari nelle metodiche
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliLimiti e continuità delle funzioni reali a variabile reale
Limiti e continuità delle funzioni reali a variabile reale Roberto Boggiani Versione 4.0 9 dicembre 2003 1 Esempi che inducono al concetto di ite Per introdurre il concetto di ite consideriamo i seguenti
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliLE CARTE DI CONTROLLO (4)
LE CARTE DI CONTROLLO (4) Tipo di carta di controllo Frazione difettosa Carta p Numero di difettosi Carta np Dimensione campione Variabile, solitamente >= 50 costante, solitamente >= 50 Linea centrale
DettagliRegressione Logistica: un Modello per Variabili Risposta Categoriali
: un Modello per Variabili Risposta Categoriali Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 1 / 54 Introduzione Premessa I modelli di regressione
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
Dettagli~ Copyright Ripetizionando - All rights reserved ~ http://ripetizionando.wordpress.com STUDIO DI FUNZIONE
STUDIO DI FUNZIONE Passaggi fondamentali Per effettuare uno studio di funzione completo, che non lascia quindi margine a una quasi sicuramente errata inventiva, sono necessari i seguenti 7 passaggi: 1.
DettagliESERCIZI DI STATISTICA DESCRITTIVA
ESERCIZI DI STATISTICA DESCRITTIVA ES1 Data la seguente serie di dati su Sesso e Altezza di 8 pazienti, riempire opportunamente due tabelle per rappresentare le distribuzioni di frequenze dei due caratteri,
DettagliAbbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995).
ANALISI DI UNA SERIE TEMPORALE Analisi statistica elementare Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). Si puo' osservare una media di circa 26 C e una deviazione
DettagliReliability & Minitab Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt pgrole@yahoo.it
Reliability & Minitab Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt pgrole@yahoo.it Il linguaggio e i concetti dell affidabilità I miglioramenti della qualità dei prodotti hanno solitamente
DettagliBasi di matematica per il corso di micro
Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione
DettagliLezione 10: Il problema del consumatore: Preferenze e scelta ottimale
Corso di Scienza Economica (Economia Politica) prof. G. Di Bartolomeo Lezione 10: Il problema del consumatore: Preferenze e scelta ottimale Facoltà di Scienze della Comunicazione Università di Teramo Scelta
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliLa categoria «ES» presenta (di solito) gli stessi comandi
Utilizzo delle calcolatrici FX 991 ES+ Parte II PARMA, 11 Marzo 2014 Prof. Francesco Bologna bolfra@gmail.com ARGOMENTI DELLA LEZIONE 1. Richiami lezione precedente 2.Calcolo delle statistiche di regressione:
DettagliUn gioco con tre dadi
Un gioco con tre dadi Livello scolare: biennio Abilità interessate Costruire lo spazio degli eventi in casi semplici e determinarne la cardinalità. Valutare la probabilità in diversi contesti problematici.
DettagliRAPPRESENTAZIONE DEI DATI
Rappresentazione dei Dati RAPPRESENTAZIONE DEI DATI Quando si dispone di un alto numero di misure della stessa grandezza fisica è opportuno organizzarle in modo da rendere evidente Quandoil si loro dispone
DettagliDai dati al modello teorico
Dai dati al modello teorico Analisi descrittiva univariata in R 1 Un po di terminologia Popolazione: (insieme dei dispositivi che verranno messi in produzione) finito o infinito sul quale si desidera avere
DettagliLA VARIABILE ESPONENZIALE
LA VARIABILE ESPONENZIALE E. DI NARDO 1. Analogia con la v.a. geometria In una successione di prove ripetute di Bernoulli, la v.a. geometrica restituisce il numero di prove necessarie per avere il primo
DettagliFunzioni. Parte prima. Daniele Serra
Funzioni Parte prima Daniele Serra Nota: questi appunti non sostituiscono in alcun modo le lezioni del prof. Favilli, né alcun libro di testo. Sono piuttosto da intendersi a integrazione di entrambi. 1
DettagliCAPITOLO 7 LE DISTRIBUZIONI CAMPIONARIE E GLI INTERVALLI DI CONFIDENZA
SOLUZIONI 7.1 7.2 7.3 7.4 7.5 a) X=6,3 minuti b) 3,7 minuti CAPITOLO 7 LE DISTRIBUZIONI CAMPIONARIE E GLI INTERVALLI DI CONFIDENZA a) Quantitativo,discreto b) P=502/1004=0,5 o 50% c) Età,tipo di lavoro,
DettagliLezione 8. La macchina universale
Lezione 8 Algoritmi La macchina universale Un elaboratore o computer è una macchina digitale, elettronica, automatica capace di effettuare trasformazioni o elaborazioni su i dati digitale= l informazione
DettagliFUNZIONE ESPONENZIALE E FUNZIONE LOGARITMICA
FUNZIONE ESPONENZIALE E FUNZIONE LOGARITMICA DEFINIZIONE: Dato un numero reale a che sia a > 0 e a si definisce funzione esponenziale f(x) = a x la relazione che ad ogni valore di x associa uno e un solo
DettagliINTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.
INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati
DettagliIntegrazione numerica
Integrazione numerica Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ Lezione 6-20-26 ottobre 2009 Indice 1 Formule di quadratura semplici e composite Formule di quadratura
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione2: 04-03-2005
esercitazione 2 p. 1/12 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione2: 04-03-2005 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
Dettagli(anno accademico 2008-09)
Calcolo relazionale Prof Alberto Belussi Prof. Alberto Belussi (anno accademico 2008-09) Calcolo relazionale E un linguaggio di interrogazione o e dichiarativo: at specifica le proprietà del risultato
Dettagli13. Campi vettoriali
13. Campi vettoriali 1 Il campo di velocità di un fluido Il concetto di campo in fisica non è limitato ai fenomeni elettrici. In generale il valore di una grandezza fisica assegnato per ogni punto dello
DettagliAutomazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it
Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione
Dettagli