DATA MINING E CLUSTERING
|
|
- Marco Ranieri
- 8 anni fa
- Visualizzazioni
Transcript
1 Captolo 4 DATA MINING E CLUSTERING 4. Che cos'è l Data Mnng Per Data Mnng s'ntende quel processo d estrazone d conoscenza da banche dat, tramte l'applcazone d algortm che ndvduano le assocazon non mmedatamente rconoscbl tra le nformazon e le rendono vsbl. In altre parole, col nome data mnng ntendamo l'applcazone d una o pù tecnche che consente l'esplorazone d grand quanttà d dat, con l'obettvo d ndvduare le nformazon pù sgnfcatve e d renderle dsponbl e drettamente utlzzabl nell'ambto del decson makng. L'estrazone d conoscenza, ossa d nformazon sgnfcatve, avvene tramte ndvduazone delle assocazon, patterns, o sequenze rpetute, nascoste ne dat. In questo contesto un pattern ndca una struttura, un modello, o, n generale, una rappresentazone sntetca de dat. Il termne data mnng è utlzzato come snonmo d knowledge dscovery n databases (KDD), anche se sarebbe pù precso parlare d knowledge dscovery quando c s rfersce al processo d estrazone della conoscenza, e d data mnng come d una partcolare fase del suddetto processo. 4.2 Perché usare strument d Data Mnng Gl algortm d data mnng, sono stat svluppat per far fronte all esgenza d sfruttare l patrmono nformatvo contenuto nelle grand raccolte d dat che abbamo a dsposzone. Acqusre nformazon non è, nfatt, pù un problema se s 52
2 pensa alla rcchezza delle sorgent d dat accessbl su Web o attraverso Data Warehouse azendal, l problema è cercare d utlzzarl, estrarne le nformazon. Spesso dat, sa che s rferscano all attvtà gornalera dell azenda o dell ente, sa che s rferscano alla clentela o all utenza, sa che s rferscano al mercato o alla concorrenza, s presentano n forma eterogenea, rdondante, non strutturata. Tutto cò fa sì che solo una pccola parte sa analzzata. D altra parte la rapda evoluzone del mercato rchede rapdtà d adattamento. In questo contesto ruscre a sfruttare la potenzale rcchezza d nformazon che abbamo a dsposzone costtusce un enorme vantaggo. Per fare cò è necessaro dsporre d strument potent e flessbl. La gran quanttà d dat e la loro natura eterogenea rende, nfatt, nadeguat gl strument tradzonal. Quest s dvdono n due tp: strument d anals statstca e strument tpc d nterrogazone d banche dat dette data retreval. Per quanto rguarda prm, le dffcoltà nascono dal fatto che dffclmente operano su grand quanttà d dat n quanto rchedono operazon d camponamento con conseguente perdta d nformazon. Fg.. 53
3 Fg. 2. Il data retreval è, nfatt, uno strumento per nterrogare banche dat che consste nel formulare una query, o nterrogazone. Il sstema cerca, all nterno della banca dat, tutt cas che soddsfano le condzon poste nella query vale a dre tutt dat che presentano le caratterstche rcheste, fornendo successvamente la rsposta. L'ndvduazone d assocazon nascoste può qund solo procedere per tentatv. Mentre l'uso d strument d data retreval consente d avere rsposte precse a qualsas domanda specfca, l data mnng rsponde a domande pù generche. Questo secondo approcco consente d far emergere da dat le assocazon esstent senza rchedere la formulazone d potes a pror. Sarà l'algortmo a mettere n evdenza le fasce d'età, l'nseme d prodott acqustat, e le altre caratterstche, che s presentano rpetutamente ne dat. S tratta qund d un approcco esploratvo e non, come nel data retreval, verfcatvo. In questo modo possamo scoprre relazon che non solo erano nascoste e sconoscute, ma che non avremmo nemmeno ma potzzato potessero esstere. Questo approcco è utle anche nell'anals d test. Il secondo esempo fa rfermento a una banca dat d document testual come le agenze d stampa. La rcerca n base ad una parola specfca non sempre porta ad ndvduare document 54
4 relatv all argomento che c nteressa, gl strument d data mnng, nfatt, consentono d raggruppare document per argomento sulla base d tutte le parole contenute ne document stess, tramte l'ndvduazone d assocazon tra le parole generalmente test strutturat. Gl strument d data mnng nascono dall ntegrazone d var camp d rcerca come la statstca, la pattern recognton, o la machne learnng, e sono stat svluppat ndpendentemente da database, al fne d operare su dat grezz. Fg
5 4.3 Tecnche ed ambt applcatv Le tecnche utlzzabl sono vare e, d conseguenza, anche gl algortm che le mplementano. La scelta dpende prncpalmente dall'obettvo che s vuole raggungere e dal tpo d dat da analzzare. Le tecnche pù utlzzate sono: Clusterng Ret Neural Alber d Decsone Indvduazone d Assocazon Le tecnche d clusterng e l'uso delle ret neural non supervsonate consentono d effettuare operazon d segmentazone su dat, coè d ndvduare grupp omogene, o tpologe, che presentano delle regolartà al loro nterno n grado d caratterzzarl e dfferenzarl dagl altr grupp. Le ret neural e gl alber d decsone consentono d effettuare operazon d classfcazone, fanno coè uso della conoscenza acqusta n fase d addestramento per classfcare nuov oggett o prevedere nuov event. Le tecnche d anals delle assocazon consentono d ndvduare delle regole nelle occorrenze concomtant d due o pù event. A queste s aggungono le sequental patterns ossa tecnche d ndvduazone d sequenze temporal e algortm genetc. Queste tecnche sono applcabl a qualsas ambto d ndagne, n generale trovano applcazone tutte le volte che samo d fronte a grand quanttà d dat e abbamo l'esgenza d conoscerne l contenuto. 56
6 Fg Il processo d estrazone d conoscenza Indpendentemente dal tpo d applcazone specfca, un processo d estrazone d conoscenza percorre alcune fas che possono essere schematzzate n: Defnzone dell obettvo Indvduazone delle font d dat Estrazone ed acquszone de dat Pre-processng Data mnng Interpretazone e valutazone de rsultat Rappresentazone de rsultat 57
7 Lo schema seguente mette n luce la natura teratva del processo. La fase d valutazone può, nfatt, portare da una semplce rdefnzone de parametr d anals utlzzat, ad una rdefnzone dell ntero processo a partre da dat estratt. Fg. 5. Mentre l ndvduazone d patterns avvene automatcamente, l ntero processo d estrazone della conoscenza è dffclmente automatzzable e rchede l convolgmento d vare professonaltà come espert del domno applcatvo, specalst n anals dat, nformatc. 58
8 4.5 L'anals de cluster Nella nostra tes la metodologa d data mnng è stata utlzzata adottando la tecnca d cluster analyss per la classfcazone de pazent. L'anals de cluster, cluster analyss, a volte tradotta come anals de grappol è una tecnca nata negl ann 60 e 70, mrata all'ndvduazone d agglomerat d dat all'nterno d una popolazone nota. Gl obettv fnal possono essere pù dsparat, come l'ndvduazone o la convalda d un'potes d rcerca a partre da dat, l'solamento d pattern caratterstc n determnate sotto-popolazon, o la classfcazone de dat. In questa sezone saranno espost prncpal strument dell'anals de cluster con quest'ultmo scopo n mente. Fg
9 Fg. 7. L'anals de cluster s basa su procedure semplc e faclmente automatzzabl, fa uso d tecnche eurstche e pogga su una matematca puttosto elementare. D'altra parte, propro la sua semplctà ne ha favorto la dffusone tra rcercator delle scenze natural, e la leggbltà de suo rsultat, l'alto potenzale eurstco e la dsponbltà d numeros strument d anals automatca ne fanno uno strumento valdo e mertevole d consderazone. Nell'ambto d un'anals dscrmnante, o d una procedura d classfcazone automatca n generale, può aver senso cheders se alcune varabl, s supponga n un numero q, non sano rdondant, coè se non aggungano alcun'nformazone utle alla classfcazone rspetto all'nseme delle rmanent p-q. La rsposta a questa domanda s rvela d notevole nteresse se alcune varabl sono partcolarmente costose o dffcl da ottenere. Paradossalmente, l'elmnazone d varabl che sngolarmente presentano un basso ndce d separazone può rvelars una pessma dea. Vceversa, è possble che 60
10 una varable con un alto contenuto nformatvo a fn della classfcazone sa superflua se utlzzata con altre varabl. Come ne metod statstc, è utle ora nvece analzzare le prncpal procedure d trasformazone e d normalzzazone delle varabl. 4.6 Trasformazone e normalzzazone delle varabl Nell'anals de cluster è fortemente consglato l'utlzzo della trasformazone nonché della normalzzazone, poché rende l rsultato ndpendente dalle untà d msura adottate per le varabl stesse. Inoltre, la normalzzazone fa s che tutte le varabl contrbuscano n ugual msura alla classfcazone. Per trasformazone d una varable, o attrbuto, s ntende la dervazone d nuove varabl attraverso l'applcazone d funzon a quelle orgnare. In formula: Y def f ( Y ) p In alcun cas può essere utle applcare ad alcune varabl delle trasformazon non lnear, al fne d correggerne la dstorsone. Tra le trasformazon lnear, la pù usata è senz'altro la seguente: Y Y E [ Y Var [ Y ] ] p spesso denomnata normalzzazone. Naturalmente, nella pratca s utlzzano le stme camponare d queste quanttà. S verfca faclmente che, le varabl così trasformate, hanno meda camponara nulla e varanza camponara untara. S not nfne che le nuove varabl sono admensonal. Esstono forme alternatve d 6
11 normalzzazone. Ad esempo, nel caso n cu valor delle varabl sano non negatve, s può far uso della formula: Y Y max e d p dove s è ndcato con e l'-esmo versore, e qund l prodotto scalare, mentre d rappresenta la componente -esma dell'osservazone -esma (s rcord che d è stato defnto come un vettore colonna). In sostanza, s dvdono dat rlevat d cascuna varable per l valore massmo, n modo che tutt valor delle nuove varabl sano comprese nell'ntervallo untaro. Anche quest'ultmo sa l pù pccolo ntervallo contenente tutt nuov valor, s può rcorrere alla seguente formula: Y max Y e d mn e mn d e d p Ne paragraf a segure s assumerà d lavorare con una matrce d varabl normalzzate. Ora nzamo a trattare le prncpal tecnche d anals de cluster che s suddvdono n due ampe categore: metod d rpartzone e metod gerarchc. Preme sottolneare che l nostro studo verte prncpalmente sull'utlzzo d procedure d tpo gerarchco, ampamente descrtte n questo captolo, rcordando nvece che pur fornendo una descrzone dettaglata de metod d rpartzone, ess non saranno tecncamente sfruttat nel nostro lavoro. 62
12 4.7 Metod d rpartzone L'obettvo d questa classe d algortm è la rpartzone de dat dsponbl n n sottonsem o cluster C,.,Cn qund tal per cu: C C... C k C 0 d = k n modo che gl element d ogn sottonseme sano l pù compatt possble. E' l'nterpretazone e la formalzzazone d questa propretà alquanto sfumata che caratterzza sngol algortm. Alcun d loro procedono eurstcamente, mentre altr cercano d ottmzzare una determnata funzone obettvo. Prncpale esponente della categora de metod d rpartzone è l'algortmo K- means, d gran lunga l pù noto ed utlzzato. Esso utlzza come funzone obettvo da mnmzzare la somma de quadrat delle dstanze tra punt e la meda camponara del cluster cu appartengono. In formula: S w def n N d m ' d m Prma d presentare l'algortmo s fa notare che l numero d confgurazon possbl degl n cluster sugl N dat s dmostra essere par a n n! n n 63
13 che esplode faclmente per valor non banal de due parametr. Aggungamo qund che una rcerca esaustva della confgurazone ottma è qund mproponble. Sa x l vettore d lunghezza N che conserva codc assocat a cluster d appartenenza d cascun dato. Il metodo K-means, partendo da un assegnamento nzale x 0 e scandendo dat uno ad uno, ad ogn passo calcola le mede e la funzone obettvo, e assegna l'osservazone n esame al cluster per cu la nuova valutazone della funzone obettvo è mnma. Il procedmento s arresta allorquando x rmane nvarato per N ccl consecutv. Questo algortmo è ottmo ad ogn passo, ma non trova necessaramente la soluzone ottma cercata. E' consglable pertanto rpetere la procedura con dverse confgurazon nzal. S tenga n consderazone, comunque, che la funzone obettvo soffre d alcune lmtazon, e fornsce rsultat scadent per cluster non suffcentemente compatt e separat, o avent cardnaltà molto dverse tra loro. 4.8 Metod gerarchc Nella nostra tes c samo avvals nvece d algortm prettamente gerarchc, che pù d altr hanno rscosso successo all'nterno delle comuntà scentfche d fsc, naturalst e socolog, tanto che alcune pubblcazon s rferscono con l termne cluster analyss alla sola anals gerarchca de cluster. L'obettvo d quest algortm è l'organzzazone de dat n una struttura gerarchca, che raggruppa osservazon molto sml n pccol cluster a lvell pù bass, e osservazon pù bascamente collegate n cluster pù grand e generc a lvell pù alt, fno ad arrvare all'nseme d tutt dat. Formalmente, s ottene una sequenza d h partzon d cardnaltà strettamente crescente degl N dat. Sa n h la cardnaltà della -esma partzone. Sarà allora: n... n h N 64
14 In altre parole, la prma partzone della sequenza è rappresentata da un solo nseme C ={d < < N} comprendente tutte le osservazon; la seconda partzone prevede n 2 > 2 sottonsem dsgunt e complementar d C, e così va, fno all'ultma partzone, che s not non prevede necessaramente la frammentazone de dat n N sngolett o cluster degener. I metod d anals gerarchca s dstnguono n due mportant categore: le dvsve o d suddvsone, nonché le procedure da no utlzzate, ossa le agglomeratve o assocatve. Nelle prme nuov cluster sono ottenut per suddvsone d cluster appartenent al lvello precedente. In partenza c'è un unco cluster con tutt gl ndvdu, alla fne c sono tant cluster quant sono gl ndvdu. Le dvsve costruscono un dagramma ad albero, dendrogramma, che dà un'mmagne delle relazon fra gl oggett. Fg. 8. Il dendrogramma s costtusce partendo da ram, oggett a snstra {a, b, c, d, e}, sno ad arrvare, per fuson successve, ad un unco ramo fnale, radce. Le fuson sono rappresentate da punt n cu due ram s congungono. Infne approfondamo le procedure mpegate nel nostro lavoro, le agglomeratve o assocatve, dove un nuovo cluster è l rsultato della fusone d due cluster del lvello precedente. In partenza c sono tant cluster quant sono gl ndvdu; alla fne v sarà un unco cluster o radce composto da tutt gl ndvdu. Rcordamo comunque che ndfferentemente dal tpo d categora utlzzata, ogn procedura d cluster analyss gerarchca procede attraverso seguent passagg: 65
15 Identfcazone delle varabl da utlzzare per la classfcazone Selezone d una msura d dstanza tra untà Selezone d una tecnca d raggruppamento delle untà Identfcazone del numero d grupp entro qual rpartre le untà Valutazone ed nterpretazone della soluzone 4.9 Crter d fusone ne metod gerarchc Sa le procedure dvsve che le agglomeratve de metod gerarchc s avvalgono d dverse tecnche d fusone degl oggett. La prma tra quelle che analzzeremo è l'average group lnkage o legame medo entro grupp, metodo da no sfruttato per la classfcazone de nostr pazent. Con questo tecnca ogn gruppo formato è rappresentato dal valore medo d ogn varable, così, l loro vettore medo e la dstanza nter-gruppo vene defnta come la dstanza tra due vettor med. Consderando due potetc clusters r e s, s attua un'unone de medesm n modo che la dstanza meda sa mnma. La dstanza tra due clusters D (r,s) vene qund defnta come : D (r,s) = Meda { d (,) : dove e sono nel cluster t, cluster formato dall'unone d r e s } In ogn fase del procedmento clusters r e s, n cu D (r,s) è mnma, vengono congunt ma, n questo caso, due cluster unt, hanno medamente la mnma dstanza tra loro punt. 66
16 Fg. 9. In questa fnestra dervante dal pacchetto Xlmner s evdenza la tecnca d lavoro da no seguta per l'operazone d clusterng su nostr pazent. S procede opzonando la normalzzazone de dat, dopo la scelta del metodo eucldeo per l calcolo della dstanza, vene scelto l'average group lnkage come metodo d clusterng gerarchco da mpegare. Fg. 0. In questa fnestra nvece vene ndcato l numero d clusters che voglamo mpegare nella classfcazone de nostr pazent (2 o 3 class). 67
17 Ne metod gerarchc sa d tpo dvsvo che agglomeratvo sono compres anche altr crter d fusone d cu fornremo solo una descrzone sommara n quanto non utlzzat nel nostro studo. Infatt un secondo metodo fornto dal clusterng gerarchco nonché da Xlmner è l Sngle lnkage o legame sngolo l quale tende a concatenare gl oggett n una sorta d "serpentna" costruendo cluster contgu e poco separat. Il metodo del Complete lnkage o legame completo nvece tende a costrure raggruppament pù separat e defnt. Entrando sempre pù nel dettaglo possamo dstnguere che tramte l metodo dell'average lnkage o legame medo la dstanza tra due cluster è uguale alla meda artmetca delle dstanze defnte su tutte le coppe d oggett ne due cluster. S termna con l Ward's method o metodo d Ward basato sulla mnmzzazone della devanza entro grupp che è uguale a quando tutt cas sono separat, ed è massma quando ess appartengono tutt a un gruppo unco. 4.0 Tecnche gerarchche e non gerarchche Contrappost a metod gerarchc esstono anche metod non gerarchc che non sono stat utlzzat nella nostra tes. Quest'ultm rsentono meno della presenza d error d msura e d altre font d varanza spura ruscendo n tal modo ad ndvduare meglo grupp coes. Spccano alcune sostanzal dfferenze tra le due tecnche d clusterng: nnanztutto una maggore rgdtà dovuta ad eventual aggregazon mpropre a prm lvell dell'aggregazone vene evdenzata ne metod gerarchc, aggungamo noltre che se un ndvduo vene assegnato ad un gruppo n un determnato stado, v rmarrà n tutt gl stad successv, contraramente a metod non gerarchc dove l'assegnazone può cambare fnché l processo d classfcazone non gunge a convergenza. 68
18 Il lmte prncpale de metod non gerarchc sta nel dover avere n antcpo un'dea del numero d grupp present;un ulterore lmte sta nel fatto che quest metod possono essere utlzzat solo con varabl msurate per lo meno al lvello degl ntervall, e solo con funzon d dstanza eucldee. 69
19 Ths document was created wth Wn2PDF avalable at The unregstered verson of Wn2PDF s for evaluaton or non-commercal use only.
Introduzione al Machine Learning
Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone
DettagliPROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne
Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che
Dettagli* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1
APAT Agenza per la Protezone dell Ambente e per Servz Tecnc Dpartmento Dfesa del Suolo / Servzo Geologco D Itala Servzo Tecnologe del sto e St Contamnat * * * Nota nerente l calcolo della concentrazone
DettagliRelazioni tra variabili: Correlazione e regressione lineare
Dott. Raffaele Casa - Dpartmento d Produzone Vegetale Modulo d Metodologa Spermentale Febbrao 003 Relazon tra varabl: Correlazone e regressone lneare Anals d relazon tra varabl 6 Produzone d granella (kg
DettagliMacchine. 5 Esercitazione 5
ESERCITAZIONE 5 Lavoro nterno d una turbomacchna. Il lavoro nterno massco d una turbomacchna può essere determnato not trangol d veloctà che s realzzano all'ngresso e all'uscta della macchna stessa. Infatt
DettagliStatistica e calcolo delle Probabilità. Allievi INF
Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:
DettagliRelazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione
1 La Regressone Lneare (Semplce) Relazone funzonale e statstca tra due varabl Modello d regressone lneare semplce Stma puntuale de coeffcent d regressone Decomposzone della varanza Coeffcente d determnazone
DettagliNOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA IL PROBLEMA Supponamo d voler studare l effetto d 4 dverse dete su un campone casuale d 4
DettagliLa verifica delle ipotesi
La verfca delle potes In molte crcostanze l rcercatore s trova a dover decdere quale, tra le dverse stuazon possbl rferbl alla popolazone, è quella meglo sostenuta dalle evdenze emprche. Ipotes statstca:
DettagliMinistero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA
Mnstero della Salute D.G. della programmazone santara --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA La valutazone del coeffcente d varabltà dell mpatto economco consente d ndvduare gl ACC e DRG
DettagliAnalisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:
Anals ammortzzata Anals ammortzzata S consdera l tempo rchesto per esegure, nel caso pessmo, una ntera sequenza d operazon. Se le operazon costose sono relatvamente meno frequent allora l costo rchesto
DettagliRicerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model
Rcerca Operatva e Logstca Dott. F.Carrabs e Dott.ssa M.Gentl Modell per la Logstca: Sngle Flow One Level Model Mult Flow Two Level Model Modell d localzzazone nel dscreto Modell a Prodotto Sngolo e a Un
DettagliSoluzione esercizio Mountbatten
Soluzone eserczo Mountbatten I dat fornt nel testo fanno desumere che la Mountbatten utlzz un sstema d Actvty Based Costng. 1. Calcolo del costo peno ndustrale de tre prodott Per calcolare l costo peno
DettagliLA COMPATIBILITA tra due misure:
LA COMPATIBILITA tra due msure: 0.4 Due msure, supposte affette da error casual, s dcono tra loro compatbl quando la loro dfferenza può essere rcondotta ad una pura fluttuazone statstca attorno al valore
DettagliIl modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti
Il modello marovano per la rappresentazone del Sstema Bonus Malus rof. Cercara Rocco Roberto Materale e Rferment. Lucd dstrbut n aula. Lemare 995 (pag.6- e pag. 74-78 3. Galatoto G. 4 (tt del VI Congresso
DettagliVariabili statistiche - Sommario
Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su
DettagliMACROECONOMIA A.A. 2014/2015
MACROECONOMIA A.A. 2014/2015 ESERCITAZIONE 2 MERCATO MONETARIO E MODELLO /LM ESERCIZIO 1 A) Un economa sta attraversando un perodo d profonda crs economca. Le banche decdono d aumentare la quota d depost
DettagliLezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse
Lezone 1. L equlbro del mercato fnanzaro: la struttura de tass d nteresse Ttol con scadenza dversa hanno prezz (e tass d nteresse) dfferent. Due ttol d durata dversa emess dallo stesso soggetto (stesso
DettagliTITOLO: L INCERTEZZA DI TARATURA DELLE MACCHINE PROVA MATERIALI (MPM)
Identfcazone: SIT/Tec-012/05 Revsone: 0 Data 2005-06-06 Pagna 1 d 7 Annotazon: Il presente documento fornsce comment e lnee guda sull applcazone della ISO 7500-1 COPIA CONTROLLATA N CONSEGNATA A: COPIA
DettagliCAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI
Cenn sulle macchne seuenzal CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI 4.) La macchna seuenzale. Una macchna seuenzale o macchna a stat fnt M e' un automatsmo deale a n ngress e m uscte defnto da: )
DettagliRETI TELEMATICHE Lucidi delle Lezioni Capitolo VII
Prof. Guseppe F. Ross E-mal: guseppe.ross@unpv.t Homepage: http://www.unpv.t/retcal/home.html UNIVERSITA' DEGLI STUDI DI PAVIA Facoltà d Ingegnera A.A. 2011/12 - I Semestre - Sede PV RETI TELEMATICHE Lucd
DettagliCircuiti di ingresso differenziali
rcut d ngresso dfferenzal - rcut d ngresso dfferenzal - Il rfermento per potenzal Gl stad sngle-ended e dfferenzal I segnal elettrc prodott da trasduttor, oppure preleat da un crcuto o da un apparato elettrco,
DettagliPrincipi di ingegneria elettrica. Lezione 6 a. Analisi delle reti resistive
Prncp d ngegnera elettrca Lezone 6 a Anals delle ret resste Anals delle ret resste L anals d una rete elettrca (rsoluzone della rete) consste nel determnare tutte le corrent ncognte ne ram e tutt potenzal
DettagliLA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE
Lezone 6 - La statstca: obettv; raccolta dat; le frequenze (EXCEL) assolute e relatve 1 LA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE GRUPPO MAT06 Dp. Matematca, Unverstà
DettagliRisoluzione quesiti I esonero 2011
Rsoluzone quest I esonero 011 1) Compto 1 Q3 Un azenda a a dsposzone due progett d nvestmento tra d loro alternatv. Il prmo prevede l pagamento d un mporto par a 100 all epoca 0 e fluss par a 60 all epoca
DettagliCorso di Statistica (canale P-Z) A.A. 2009/10 Prof.ssa P. Vicard
Corso d Statstca (canale P-Z) A.A. 2009/0 Prof.ssa P. Vcard VALORI MEDI Introduzone Con le dstrbuzon e le rappresentazon grafche abbamo effettuato le prme sntes de dat. E propro osservando degl stogramm
DettagliTest delle ipotesi Parte 2
Test delle potes arte Test delle potes sulla dstrbuzone: Introduzone Test χ sulla dstrbuzone b Test χ sulla dstrbuzone: Eserczo Test delle potes sulla dstrbuzone Molte concluson tratte nell nferenza parametrca
DettagliHansard OnLine. Unit Fund Centre Guida
Hansard OnLne Unt Fund Centre Guda Sommaro Pagna Introduzone al Unt Fund Centre (UFC) 3 Uso de fltr per la selezone de fond 4-5 Lavorare con rsultat del fltro 6 Lavorare con rsultat del fltro - Prezz 7
Dettagli3 CAMPIONAMENTO DI BERNOULLI E DI POISSON
3 CAMPIOAMETO DI ROULLI E DI POISSO 3. ITRODUZIOE In questo captolo esamneremo due schem d camponamento che dversamente dal camponamento casuale semplce non producono campon d dmensone fssa ma varable.
DettagliLa retroazione negli amplificatori
La retroazone negl amplfcator P etroazonare un amplfcatore () sgnfca sottrarre (o sommare) al segnale d ngresso (S ) l segnale d retroazone (S r ) ottenuto dal segnale d uscta (S u ) medante un quadrpolo
DettagliSTATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE
Matematca e statstca: da dat a modell alle scelte www.dma.unge/pls_statstca Responsabl scentfc M.P. Rogantn e E. Sasso (Dpartmento d Matematca Unverstà d Genova) STATISTICA DESCRITTIVA - SCHEDA N. REGRESSIONE
DettagliLa contabilità analitica nelle aziende agrarie
2 La contabltà analtca nelle azende agrare Estmo rurale ed element d contabltà (analtca) S. Menghn Corso d Laurea n Scenze e tecnologe agrare Percorso Economa ed Estmo Contabltà generale e cont. ndustrale
DettagliNorma UNI CEI ENV 13005: Guida all'espressione dell'incertezza di misura
orma UI CEI EV 3005: Guda all'espressone dell'ncertezza d msura L obettvo d una msurazone è quello d determnare l valore del msurando, n altre parole della grandezza da msurare. In generale, però, l rsultato
DettagliNewsletter "Lean Production" Autore: Dott. Silvio Marzo
Il concetto d "Produzone Snella" (Lean Producton) s sta rapdamente mponendo come uno degl strument pù modern ed effcac per garantre alle azende la flessbltà e la compettvtà che l moderno mercato rchede.
DettagliDipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2012-2013 Esercitazione: 4 aprile 2013
Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2012-2013 Eserctazone: 4 aprle 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/41? Aula "Ranzan B" 255 post 1 2 3 4 5 6 7 8 9
DettagliStrutture deformabili torsionalmente: analisi in FaTA-E
Strutture deformabl torsonalmente: anals n FaTA-E Il comportamento dsspatvo deale è negatvamente nfluenzato nel caso d strutture deformabl torsonalmente. Nelle Norme Tecnche cò vene consderato rducendo
DettagliTrigger di Schmitt. e +V t
CORSO DI LABORATORIO DI OTTICA ED ELETTRONICA Scopo dell esperenza è valutare l ampezza dell steres d un trgger d Schmtt al varare della frequenza e dell ampezza del segnale d ngresso e confrontarla con
DettagliConcetti principale della lezione precedente
Corso d Statstca medca e applcata 6 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone precedente I concett prncpal che sono stat presentat sono: I fenomen probablstc RR OR ROC-curve Varabl
DettagliNOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI METODI PER LO STUDIO DEL LEGAME TRA VARIABILI IN UN RAPPORTO DI CAUSA ED EFFETTO I MODELLI DI REGRESSIONE Prof.ssa G. Sero, Prof. P. Trerotol, Cattedra
DettagliUniversità degli Studi di Urbino Facoltà di Economia
Unverstà degl Stud d Urbno Facoltà d Economa Lezon d Statstca Descrttva svolte durante la prma parte del corso d corso d Statstca / Statstca I A.A. 004/05 a cura d: F. Bartolucc Lez. 8/0/04 Statstca descrttva
Dettagli* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *
* PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che
Dettagli3. Esercitazioni di Teoria delle code
3. Eserctazon d Teora delle code Poltecnco d Torno Pagna d 33 Prevsone degl effett d una decsone S ndvduano due tpologe d problem: statc: l problema non vara nel breve perodo dnamc: l problema vara Come
DettagliMatematica Computazionale(6cfu) Ottimizzazione(8cfu)
Docente: Marco Gavano (e-mal:gavano@unca.t) Corso d Laurea n Infomatca Corso d Laurea n Matematca Matematca Computazonale(6cfu) Ottmzzazone(8cfu) (a.a. 205-6, lez.8) Matematca Computazonale, Ottmzzazone,
DettagliDBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2
DBMS multmedal A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2 DBMS multmedal Def: Sono DBMS che consentono d memorzzare e recuperare dat d natura multmedale:
DettagliIl patrimonio informativo aziendale come supporto alle attività di marketing
Unverstà degl Stud d RomaTre - Facoltà d Economa Corso d Rcerche d Marketng Il patrmono nformatvo azendale come supporto alle attvtà d marketng ng. Stefano Cazzella stefano.cazzella@datamat.t Agenda La
DettagliCIRCOLARE N. 9. CIRCOLARI DELL ENTE MODIFICATE/SOSTITUITE: nessuna. Firmato: ing. Carlo Cannafoglia
PROT. N 53897 ENTE EMITTENTE: OGGETTO: DESTINATARI: DATA DECORRENZA: CIRCOLARE N. 9 DC Cartografa, Catasto e Pubblctà Immoblare, d ntesa con l Uffco del Consglere Scentfco e la DC Osservatoro del Mercato
DettagliSTATISTICA DESCRITTIVA CON EXCEL
STATISTICA DESCRITTIVA CON EXCEL Corso d CPS - II parte: Statstca Laurea n Informatca Sstem e Ret 2004-2005 1 Obettv della lezone Introduzone all uso d EXCEL Statstca descrttva Utlzzo dello strumento:
DettagliLa regressione. La Regressione. La Regressione. min. min. Var X. X Variabile indipendente (data) Y Variabile dipendente
Unverstà d Macerata Facoltà d Scenze Poltche - Anno accademco - La Regressone Varable ndpendente (data) Varable dpendente Dpendenza funzonale (o determnstca): f ; Da un punto d vsta analtco, valor della
DettagliA. AUMENTO DELLA SPESA PUBBLICA FINANZIATO ESCLUSIVAMENTE TRAMITE INDEBITAMENTO
4. SCHMI ALTRNATIVI DI FINANZIAMNTO DLLA SPSA PUBBLICA. Se l Governo decde d aumentare la Spesa Pubblca G (o Trasferment TR), allora deve anche reperre fond necessar per fnanzare questa sua maggore spesa.
DettagliAritmetica e architetture
Unverstà degl stud d Parma Dpartmento d Ingegnera dell Informazone Poltecnco d Mlano Artmetca e archtetture Sommator Rpple Carry e CLA Bozza da completare del 7 nov 03 La rappresentazone de numer Rappresentazone
DettagliEconomie di scala, concorrenza imperfetta e commercio internazionale
Sanna-Randacco Lezone n. 14 Econome d scala, concorrenza mperfetta e commerco nternazonale Non v è vantaggo comparato (e qund non v è commerco nter-ndustrale). S vuole dmostrare che la struttura d mercato
DettagliStabilità dei Sistemi Dinamici. Stabilità Semplice. Stabilità Asintotica. Stabilità: concetto intuitivo che può essere formalizzato in molti modi
Gustavo Belforte Stabltà de Sstem Dnamc Gustavo Belforte Stabltà de Sstem Dnamc Stabltà de Sstem Dnamc Il Pendolo Stabltà: concetto ntutvo che può essere formalzzato n molt mod Intutvamente: Un oggetto
DettagliDipartimento di Statistica Università di Bologna. Matematica finanziaria aa 2012-2013 lezione 13: 24 aprile 2013
Dpartmento d Statstca Unverstà d Bologna Matematca fnanzara aa 2012-2013 lezone 13: 24 aprle 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/23? reammortamento uò accadere che, dopo l erogazone
DettagliRegressione Multipla e Regressione Logistica: concetti introduttivi ed esempi
Regressone Multpla e Regressone Logstca: concett ntroduttv ed esemp I Edzone ottobre 014 Vncenzo Paolo Senese vncenzopaolo.senese@unna.t Indce Note prelmnar alla I edzone 1 Regressone semplce e multpla
DettagliLezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo
UNIVERSITA DEGLI STUDI DI BASILICATA FACOLTA DI ECONOMIA Corso d laurea n Economa Azendale Lezon d Statstca (25 marzo 2013) Docente: Massmo Crstallo QUARTILI Dvdono la dstrbuzone n quattro part d uguale
Dettagli{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo
Element d teora de goch Govann D Bartolomeo Unverstà degl Stud d Teramo 1. Descrzone d un goco Un generco goco, Γ, che s svolge n un unco perodo, può essere descrtto da una Γ= NSP,,. Ess sono: trpla d
DettagliMODELLISTICA DI SISTEMI DINAMICI
CONTROLLI AUTOMATICI Ingegnera Gestonale http://www.automazone.ngre.unmore.t/pages/cors/controllautomatcgestonale.htm MODELLISTICA DI SISTEMI DINAMICI Ing. Federca Gross Tel. 059 2056333 e-mal: federca.gross@unmore.t
DettagliREGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari
REGRESSIONE LINEARE Ha un obettvo mportante: nvestgare sulle relazon emprche tra varabl allo scopo d analzzare le cause che possono spegare un determnato fenomeno È caratterzzata da semplctà: modell utlzzat
DettagliPARENTELA e CONSANGUINEITÀ di Dario Ravarro
Introduzone PARENTELA e CONSANGUINEITÀ d Daro Ravarro 1 gennao 2010 Lo studo della genealoga d un ndvduo è necessaro al fne d valutare la consangunetà dell ndvduo stesso e la sua parentela con altr ndvdu
DettagliCapitolo 3 Covarianza, correlazione, bestfit lineari e non lineari
Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure
DettagliMATERIALE PER IL CORSO DI INDAGINI E STATISTICHE PER IL TURISMO NON DIFFONDERE DA PERCORSI DI RICERCA SOCIALE (a cura di L.
MATERIALE PER IL CORSO DI INDAGINI E STATISTICHE PER IL TURISMO NON DIFFONDERE DA PERCORSI DI RICERCA SOCIALE (a cura d L.Bernard) 3.3. Dsegn d camponamento d Lorenzo Bernard 3.3.1. Una defnzone per ntrodurre
DettagliCondensatori e resistenze
Condensator e resstenze Lucano attaa Versone del 22 febbrao 2007 Indce In questa nota presento uno schema replogatvo relatvo a condensator e alle resstenze, con partcolare rguardo a collegament n sere
DettagliCalibrazione. Lo strumento idealizzato
Calbrazone Come possamo fdarc d uno strumento? Abbamo bsogno d dentfcare l suo funzonamento n condzon controllate. L dentfcazone deve essere razonalmente organzzata e condvsa n termn procedural: s tratta
DettagliCalcolo delle Probabilità
alcolo delle Probabltà Quanto è possble un esto? La verosmglanza d un esto è quantfcata da un numero compreso tra 0 e. n partcolare, 0 ndca che l esto non s verfca e ndca che l esto s verfca senza dubbo.
DettagliSoluzioni per lo scarico dati da tachigrafo innovativi e facili da usare. http://dtco.it
Soluzon per lo scarco dat da tachgrafo nnovatv e facl da usare http://dtco.t Downloadkey II Moble Card Reader Card Reader Downloadtermnal DLD Short Range and DLD Wde Range Qual soluzon ho a dsposzone per
DettagliIl procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria.
SCELTA OTTIMALE DEL PROCEDIMENTO PER PESARE Il procedmento può essere pensato come una rcerca n un nseme ordnato, l peso ncognto può essere cercato con l metodo della rcerca bnara. PESI CAMPIONE IN BASE
DettagliLEZIONE 2 e 3. La teoria della selezione di portafoglio di Markowitz
LEZIONE e 3 La teora della selezone d portafoglo d Markowtz Unverstà degl Stud d Bergamo Premessa Unverstà degl Stud d Bergamo Premessa () È puttosto frequente osservare come gl nvesttor tendano a non
DettagliEsercitazioni del corso: STATISTICA
A. A. 0-0 Eserctazon del corso: STATISTICA Sommaro Eserctazone : Moda Medana Meda Artmetca Varabltà: Varanza, Devazone Standard, Coefcente d Varazone ESERCIZIO : UNIVERSITÀ DEGLI STUDI DI MILANO BICOCCA
DettagliLeggere i dati da file
Esempo %soluzon d una equazone d secondo grado dsp('soluzon d a^+b+c') anput('damm l coeffcente a '); bnput('damm l coeffcente b '); cnput('damm l coeffcente c '); deltab^-4*a*c; f delta0 dsp('soluzon
DettagliEsame di Statistica Corso di Laurea in Economia
Esame d Statstca Corso d Laurea n Economa 9 Gennao 0 Cognome Nome atr. Teora S dmostr la propretà d lneartà della meda artmetca. Eserczo Una casa edtrce è nteressata a valutare se tra lettor d lbr esste
DettagliEsercitazioni del corso di Relazioni tra variabili. Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca
Eserctazon del corso d Relazon tra varabl Gancarlo Manz Facoltà d Socologa Unverstà degl Stud d Mlano-Bcocca e-mal: gancarlo.manz@statstca.unmb.t Terza eserctazone Mlano, 8 febbrao 7 SOMMARIO TERZA ESERCITAZIONE
DettagliStudio grafico-analitico di una funzioni reale in una variabile reale
Studo grafco-analtco d una funzon reale n una varable reale f : R R a = f ( ) n Sequenza de pass In pratca 1 Stablre l tpo d funzone da studare es. f ( ) Determnare l domno D (o campo d esstenza) della
DettagliVA TIR - TA - TAEG Introduzione
VA TIR - TA - TAEG Introduzone La presente trattazone s pone come obettvo d analzzare due prncpal crter d scelta degl nvestment e fnanzament per valutare la convenenza tra due o pù operazon fnanzare. S
DettagliAVVISO PUBBLICO Costituzione di short list: Servizio di pulizie presso l Istituto di Ricerca Biogem s.c.ar.l. Via Camporeale, Ariano Irpino (AV)
AVVISO PUBBLICO Costtuzone d short lst: Servzo d pulze presso l Isttuto d Rcerca Camporeale, Arano Irpno (AV) In esecuzone della Determna Presdenzale n. 15/103 del 10/09/2015, la Bogem Scarl ntende procedere
DettagliApprendimento Automatico: Apprendimento Non Supervisionato
Apprendmento Automatco: Apprendmento Non Supervsonato 1 Supervsone nell Apprendmento (aranco, rotondo, classe= ) (gallo, lungo, classe= ) (gallo, rotondo, classe= ) colore forma (gallo, lungo, classe=
DettagliContenuti: o Specificazione del modello. o Ipotesi del modello classico. o Stima dei parametri. Regressione semplice Roberta Siciliano 2
Corso d STATISTICA Prof. Roberta Sclano Ordnaro d Statstca, Unverstà d Napol Federco II Professore supplente, Unverstà della Baslcata a.a. 0/0 Contenut: o Specfcazone del modello o Ipotes del modello classco
DettagliTECNICHE DI ANALISI DEI DATI MODELLI LINEARI
TECNICHE DI ANALISI DEI DATI AA 16/17 PROF. V.P. SENESE Quest materal sono dsponbl per tutt gl student al seguente ndrzzo: https://goo.gl/rwabbd Seconda Unverstà d Napol (SUN) Dpartmento d Pscologa TECNICHE
DettagliIndicatori di rendimento per i titoli obbligazionari
Indcator d rendmento per ttol obblgazonar LA VALUTAZIONE DEGLI INVESTIMENTI A TASSO FISSO Per valutare la convenenza d uno strumento fnanzaro è necessaro precsare: /4 Le specfche esgenze d un nvesttore
DettagliMcGraw-Hill. Tutti i diritti riservati. Caso 11
Caso Copyrght 2005 The Companes srl Stma d un area fabbrcable n zona ndustrale nella cttà d Ferrara. La stma è effettuata con crter della comparazone e quello del valore d trasformazone. Indce Confermento
DettagliL ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella
L AALISI MOOVARIATA: Varabltà e mutabltà Prof. Mara Carella Varabltà Le msure d tendenza centrale non sono suffcent alla comprensone de fenomen. Una sntes approprata deve tener conto del modo n cu s dstrbuscono
DettagliLa taratura degli strumenti di misura
La taratura degl strument d msura L mportanza dell operazone d taratura nasce dall esgenza d rendere l rsultato d una msura rferble a campon nazonal od nternazonal del msurando n questone affnché pù msure
DettagliCalcolo della caduta di tensione con il metodo vettoriale
Calcolo della caduta d tensone con l metodo vettorale Esempo d rete squlbrata ed effett del neutro nel calcolo. In Ampère le cadute d tensone sono calcolate vettoralmente. Per ogn utenza s calcola la caduta
DettagliSintesi della policy di valutazione e pricing delle obbligazioni emesse da Banca Emilveneta S.p.A.
Sntes della polcy d valutazone e prcng delle obblgazon emesse da Banca Emlveneta S.p.A. INDICE 1. PREMESSA...1 2. METODOLOGIA DI PRICING...1 2.1 PRICING...3 1. PREMESSA Il presente documento ha lo scopo
DettagliCAPITOLO 3 Incertezza di misura Pagina 26
CAPITOLO 3 Incertezza d msura Pagna 6 CAPITOLO 3 INCERTEZZA DI MISURA Le operazon d msurazone sono tutte nevtablmente affette da ncertezza e coè da un grado d ndetermnazone con l quale l processo d msurazone
DettagliDati di tipo video. Indicizzazione e ricerca video
Corso d Laurea n Informatca Applcata Unverstà d Urbno Dat d tpo vdeo I dat vdeo sono generalmente rcch dal punto d vsta nformatvo. Sottottol (testo) Colonna sonora (audo parlato e/o musca) Frame (mmagn
DettagliGli impatti dei cambiamenti climatici sull atmosfera e sul mare: il ruolo dei Climate Services
Gl mpatt de cambament clmatc sull atmosfera e sul mare: l ruolo de Clmate Servces Maurzo Mauger Dpartmento d Fsca Va Celora 16 I20133 MILANO maurzo.mauger@unm.t Indce Descrzone dell UdR UnM Un esempo d
DettagliTECNICHE DI ANALISI DEI DATI MODELLI LINEARI
TECNICHE DI ANALISI DEI DATI AA 017/018 PROF. V.P. SENESE Quest materal sono dsponbl per tutt gl student al seguente ndrzzo: https://goo.gl/hxl9zg Unverstà della Campana Lug Vanvtell Dpartmento d Pscologa
DettagliProva di verifica n.0 Elettronica I (26/2/2015)
Proa d erfca n.0 lettronca I (26/2/2015) OUT he hfe + L OUT - Fgura 1 Con rfermento alla rete elettrca d Fg.1, determnare: OUT / OUT / la resstenza sta dal generatore ( V ) la resstenza sta dall uscta
DettagliCorso di. Dott.ssa Donatella Cocca
Corso d Statstca medca e applcata 3 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone I concett prncpal che sono stat presentat sono: Mede forme o analtche (Meda artmetca semplce, Meda artmetca
DettagliAnalisi di mercurio in matrici solide mediante spettrometria di assorbimento atomico a vapori freddi
ESEMPIO N. Anals d mercuro n matrc solde medante spettrometra d assorbmento atomco a vapor fredd 0 Introduzone La determnazone del mercuro n matrc solde è effettuata medante trattamento termco del campone
DettagliApprendimento Automatico e IR: introduzione al Machine Learning
Apprendmento Automatco e IR: ntroduzone al Machne Learnng MGRI a.a. 2007/8 A. Moschtt, R. Basl Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: {moschtt,basl}@nfo.unroma2.t 1
DettagliScelta dell Ubicazione. di un Impianto Industriale. Corso di Progettazione Impianti Industriali Prof. Sergio Cavalieri
Scelta dell Ubcazone d un Impanto Industrale Corso d Progettazone Impant Industral Prof. Sergo Cavaler I fattor ubcazonal Cost d Caratterstche del Mercato Costruzone Energe Manodopera Trasport Matere Prme
DettagliPOR FESR Sardegna 2007-2013 Asse VI Competitività BANDO PUBBLICO. Voucher Startup Incentivi per la competitività delle Startup innovative
POR FESR Sardegna 2007-2013 Asse VI Compettvtà BANDO PUBBLICO Voucher Startup Incentv per la compettvtà delle Startup nnovatve ALLEGATO 3 PIANO DI UTILIZZO DEL VOUCHER STARTUP INNOVATIVE 2014 3. Pano d
DettagliLezione n La concentrazione
1 La concentrazone Corso d Laurea: Economa Azendale Nello studo de fenomen economc e socal descrtt attraverso caratter quanttatv d tpo trasferble può essere nteressante analzzare la cosddetta concentrazone
DettagliFORMAZIONE ALPHAITALIA
ALPHAITALIA PAG. 1 DI 13 FORMAZIONE ALPHAITALIA IL SISTEMA DI GESTIONE PER LA QUALITA Quadro ntroduttvo ALPHAITALIA PAG. 2 DI 13 1. DEFINIZIONI QUALITA Grado n cu un nseme d caratterstche ntrnseche soddsfa
DettagliNUMERI GRANDI DI FIBONACCI come trovare velocemente i loro esatti valori numerici Cristiano Teodoro
NUMERI GRANDI DI FIBONACCI come trovare velocemente loro esatt valor numerc Crstano Teodoro crstanoteodoro@vrglo.t Sommaro: n questo artcolo vene proposto, n alternatva al metodo classco per l calcolo
DettagliOttimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO
Ottmzzazone nella gtone de progett Captolo 6 Project Schedulng con vncol sulle rsorse CARLO MANNINO Unverstà d Roma La Sapenza Dpartmento d Informatca e Sstemstca 1 Rsorse Ogn attvtà rchede rsorse per
DettagliIL MODELLO DI MACK. Materiale didattico a cura di Domenico Giorgio Attuario Danni di Gruppo Società Cattolica di Assicurazioni
IL MODELLO DI MACK Materale ddattco a cura d Domenco Gorgo Attuaro Dann d Gruppo Socetà Cattolca d Asscurazon CHAIN-LADDE CLASSICO Metodo pù utlzzato per la stma della rserva snstr. Semplctà. Dstrbuton-ree
Dettagli