Incertezza probabilità a priori probabilità a posteriori condizionata preferenze esiti utilità proposizione variabile aleatoria dominio
|
|
- Geronimo Castelli
- 8 anni fa
- Visualizzazioni
Transcript
1 Incertezza Quando un agente logico possiede tutte le informazioni necessarie sull'ambiente e sugli effetti delle sue azioni sul mondo, riesce a determinare la sequenza di azioni che lo portano al raggiungimento del suo obiettivo. Quando invece non tutte queste informazioni sono note, l'agente deve operare in condizioni di incertezza. Ad esempio, se l'agente vuole accompagnare una persona all'aeroporto, il partire 90 minuti prima della partenza del volo, A 90, non gli assicura il raggiungimento del suo obiettivo. In questi casi l'agente può calcolare che tale azione assicura una certa probabilità di successo. Si potrebbe pensare di anticipare ulteriormente la partenza, ad esempio A 120, ma in questo caso potrebbe aumentare l'attesa all'interno dell'aeroporto. Pertanto, la decisione dell'agente dipende dall'importanza dei diversi obiettivi e dalla probabilità di raggiungimento di ciascuno di essi. Le condizioni di incertezza in cui viene a trovarsi l'agente sono dovute a pigrizia nello specificare tutti i possibili eventi che possono influenzare una decisione (nel caso in cui venissero esplicitate si avrebbero comunque regole difficili da utilizzare), e all'ignoranza, intesa come conoscenza parziale del particolare dominio applicativo. Attraverso l'utilizzo della probabilità possiamo riassumere l'incertezza che deriva dalla pigrizia e dall'ignoranza, assegnando un grado di credenza numerico alle affermazioni, compreso tra 0 e 1, in base alle percezioni ricevute fino a quel momento. Tali percezioni costituiscono la prova su cui si impostano le probabilità. Prima dell'acquisizione della prova si parla di probabilità a priori; dopo si parla di probabilità a posteriori o condizionata. In conclusione, la probabilità consente di non esplicitare tutte le possibili cause che possono condizionare un fenomeno. Un agente che lavora in assenza di incertezze esegue il piano che gli garantisce il raggiungimento dell'obiettivo. Lavorando in condizioni di incertezza l'agente deve avere delle preferenze sui possibili esiti dei vari piani. Un esito è la descrizione completa di uno stato, che specifica fattori come l'arrivare in tempo per il volo e la durata dell'attesa in aeroporto. Le preferenze vengono realizzate assegnando ad ogni stato un valore di utilità. Pertanto, le decisioni dipenderanno sia dai valori di probabilità che da quelli di utilità degli stati. Il grado di credenza è applicato ad una proposizione, ossia un enunciato che afferma che qualcosa è verificato. Una proposizione viene espressa tramite una variabile aleatoria, una funzione definita sullo spazio campione, che associa ad ogni elemento di tale spazio un elemento del dominio. Il dominio di una v.a. è l'insieme dei valori che può assumere. Le v. a. possono essere distinte in booleane (il dominio ha due valori True e False), discrete (il dominio ha un numero discreto di elementi), continue (il dominio è l'insieme dei numeri reali o un sottoinsieme). Un evento è un sottoinsieme di elementi dello spazio campionario. Un evento atomico è un sottoinsieme contenente un solo elemento dello spazio campionario. Gli eventi atomici sono mutuamente esclusivi, ossia in ogni dato momento se ne può verificare solo uno; l'insieme degli eventi atomici è esaustivo, ossia uno di essi sarà sempre verificato. Per queste due proprietà, se denotiamo con e(a) l'insieme di eventi in cui la proposizione a e verificata, avremo che P(a)=ΣP(e i ), con e i e(a). La probabilità a priori associata ad una proposizione è il grado di credenza che le viene assegnato in assenza di ogni altra informazione. Ad esempio, P(Carie=true)=0,1 o anche P(carie)=0,1. Non appena riceviamo altri dati, si ragiona sulla probabilità condizionata. Anziché indicare singolarmente le probabilità dei possibili valori assumibili dalla v.a. è possibile ricorrere ad una funzione detta distribuzione di probabilità, P(CondizioniAtmosferiche)=<0,7, 0,2, 0,08, 0,02>. Una distribuzione di probabilità congiunta di due variabili aleatorie rappresenta le probabilità di tutte le possibili combinazioni di valori tra le v.a. Nel caso di CondizioniAtmosferiche e Carie è una matrice 4x2. La distribuzione di probabilità congiunta è completa se considera tutte le v.a. del mondo che si sta modellando. Tale distribuzione può essere usata per dare risposta ad ogni interrogazione probabilistica. Nel caso continuo, il numero di valori assumibili dalla v.a. è infinito, e la probabilità che la v.a. assuma un singolo valore è sempre 0. Allora si definisce una funzione densità di probabilità. In tal caso la P(X=c), ossia la probabilità che la v.a. X assuma il valore c, è definita come il rapporto tra la probabilità che X assuma un valore nell'intorno di c e l'ampiezza di tale intorno, quando tale ampiezza tende a zero, ossia P(X=c) = lim dx->0 P(c X c+dx) / dx. 1
2 In generale la funzione densità non può mai essere negativa, e deve sempre risultare che l'integrale tra -inf e +inf di P(X)dx sia unitario. Quando si ottengono altre informazioni sul mondo, la probabilità a priori fa posto a quella condizionata. Date le proposizioni a e b si ha P(a b) significa la probabilità di a, dato il verificarsi di b. Le probabilità condizionate possono essere definite partendo da quelle a priori. Infatti, vale la regola del prodotto P(a b) = P(a b)p(b) In generale, la probabilità condizionata può essere applicata alle distribuzioni, in modo da ottenere distribuzioni condizionate. Infatti, P(X Y) = P(X=x i Y=y j ). La regola del prodotto diventa P(X,Y)=P(X Y)P(Y) In generale, date n variabili, vale la regola della catena, con la quale si può scrivere la distribuzione congiunta, Gli assiomi di Kolmogorov sono la base della teoria della probabilità: 1. Tutte le probabilità sono comprese tra 0 e 1, ossia per ogni proposizione a, si ha 0 P(a) 1 2. Gli eventi certi hanno probabilità 1 mentre quelli impossibili hanno probabilità nulla. 3. Date due proposizioni a e b, più in generale n, vale che P(a b) = P(a)+P(b)-P(a b). La validità di questi assiomi fu dimostrata dal matematico De Finetti. Egli considerò una coppia di agenti: il primo esprime dei gradi di credenza delle proposizioni e il secondo scommette a favore o contro tali proposizioni. De Finetti mostro che se Agente1 esprime un insieme di credenze che violano gli assiomi di Kolmogorov, allora ci sarà una combinazione di puntate dell'agente2 che garantisce che Agente1 perderà denaro ogni volta. Sappiamo che quando è disponibile la distribuzione congiunta completa per un certo mondo, è possibile calcolare la probabilità degli eventi semplicemente sommando le probabilità degli eventi atomici. Partiamo dalla distribuzione congiunta in tabella. La probabilità che il paziente abbia una carie è P(cavity)= =0.2 Questo valore di probabilità è detto probabilità marginale e il processo con cui si ottiene è detto marginalizzazione, poiché le altre v.a. non compaiono nella somma. In generale, date le v.a. Y e Z, si può scrivere P(Y) = Σ z P(Y,z). Ovviamente, e possibile ricorre alle probabilità condizionate e sostituire nella formula P(Y,z) con P(Y z)p(z). In tal caso non si parla di marginalizzazione ma di condizionamento. Spesso saremo interessati a calcolare la probabilità condizionata di una variabile data la prova rappresentata da un'altra v.a. Ad esempio, volendo calcolare la probabilità di una carie data la presenza del mal di denti, si ha che P(carie maldidenti)=p(carie maldidenti)/p(maldidenti) = 0,6 Volendo calcolare la probabilità che non ci sia una carie dato il mal di denti, allora P( carie maldidenti)=p( carie maldidenti)/p(maldidenti)=0,4. In questi due calcoli, il termine 1/P(maldidenti) rimane costante, indipendentemente dal valore assunto da Carie. Tale termine può essere visto come una costante di normalizzazione α della distribuzione P(Carie maldidenti), che assicura che la sua somma valga 1. Da questo esempio possiamo ricavare una procedura di inferenza generale. 2
3 Sia X la v.a. dell'interrogazione (nell'esempio Carie), E l'insieme delle v.a. che costituiscono una prova (nell'esempio Maldidenti) ed e i valori osservati per esse. Siano Y (nell'esempio Prende) le restanti v.a. non osservate. Allora, l'interrogazione P(X e) può essere valutata come L'utilizzo della distribuzione congiunta completa in forma tabellare non è uno strumento utilizzabile nella pratica per costruire sistemi di ragionamento, a causa di limiti computazionali temporali e spaziali. Due v.a. X,Y si dicono indipendenti se P(X Y)=P(X) oppure P(Y X)=P(Y) oppure P(X,Y)=P(X)P(Y). All'interno del nostro mondo, la v.a. CondizioniAtmosferiche risulta indipendente dalle altre tre. L'indipendenza tra v.a. è utile perché consente di costruire distribuzioni congiunte più piccole. Pertanto, la distribuzione congiunta completa potrà essere fattorizzata in distribuzioni congiunte parziali. Normalmente, per identificare variabili indipendenti basta avere una conoscenza di base del dominio. Sfortunatamente non è molto frequente avere a che fare con v.a. indipendenti. Dalla regola del prodotto sappiamo che P(a b) = P(a b)p(b)=p(b a)p(a) Considerando l'ultima uguaglianza e dividendo ambo i membri per P(a) si ottiene la regola di Bayes: P(b a)=p(a b)p(b)/p(a) [Regola di Bayes] Nella forma distribuzionale può essere riscritta come : P(Y X)=P(X Y)P(Y)/P(X) Possiamo anche considerare tale forma condizionata ad una prova e, ossia P(Y X,e)=P(X Y,e)P(Y e)/p(x e). La regola di Bayes può essere molto utile se le due v.a. vengono viste come variabili di causa ed effetto, ossia P(Causa Effetto)=P(Effetto Causa)P(Causa)/P(Effetto), molto utile in campo diagnostico. Cosa succede invece quando si hanno più prove a disposizione? Consideriamo di voler calcolare la probabilità che ci sia una carie dato il mal di denti e lo strumento che prende. Se conoscessimo la distribuzione congiunta completa potremmo andare a leggere direttamente i valori. In tal caso avremmo l'equazione: con α=0,124. Poiché tale tipo di approccio non è scalabile, esprimiamo il problema utilizzando la regola di Bayes, ossia: Per poter risolvere tale equazione dovremmo conoscere tutti i valori della congiunzione maldidenti prende per tutti i valori di Carie. Sebbene nel caso di due variabili di prova il calcolo sia fattibile, se tale numero cresce questo approccio fallisce. A questo punto interviene un altro concetto, quello di indipendenza condizionale. Date le v.a. X,Y,Z, si dice che X,Y sono indipendenti dato Z, se P(X,Y Z)=P(X Z)P(Y Z). Nel nostro caso le v.a. Maldidenti e Prende non sono indipendenti in senso assoluto perché se lo strumento si incastra nel dente, è probabile che sia perché quest'ultimo ha una carie che a sua volta sarà causa del dolore. Notiamo però che nè Maldidenti nè Prende hanno un effetto diretto sull'altra. Se eliminiamo la v.a. che le lega indirettamente notiamo l'indipendenza condizionale: infatti il dolore dipende dallo stato dei nervi all'interno del dente, mentre l'accuratezza dello strumento dipende dalla bravura del dentista, che non ha alcun rapporto con il mal di denti (almeno ché non sia il dentista stesso ad avere il mal di denti). Quindi il problema diventa L'indipendenza condizionale quindi ci consente di riportarci alla stessa complessità del caso in cui compariva un'unica variabile di prova. Concettualmente, Carie separa Maldidenti e Prende. Con senso più generale, quando si hanno più effetti, tutti condizionalmente indipendenti data la causa, la distribuzione congiunta completa può essere riscritta come: 3
4 Una tale distribuzione di probabilità prende il nome di modello di Bayes ingenuo: la sua ingenuità è dovuta al fatto che viene spesso usata anche in casi in cui le variabili indicate come effetti non sono condizionalmente indipendenti data la causa. Reti Bayesiane La distribuzione di probabilità congiunta completa può rispondere a qualsiasi domanda riguardante il dominio, ma diventa intrattabilmente grande al crescere del numero di variabili. Le relazioni di indipendenza assoluta e condizionale tra le variabili possono ridurre drasticamente il numero di probabilità che devono essere specificate per definire la distribuzione congiunta completa. Una rete bayesiana è una notazione grafica che consente di rappresentare sia la distribuzione congiunta completa di probabilità che le condizioni di indipendenza tra le v.a. Essenzialmente, è un grafo orientato aciclico DAG in cui ogni nodo è un v.a. e gli archi collegano coppie di nodi, ad indicare relazioni di parentela padre-figlio. Ogni nodo X i ha una distribuzione di probabilità condizionata P(X i Genitori(X i )) che quantifica gli effetti dei genitori. La topologia della rete deve essere espressa da un esperto di dominio. In figura abbiamo una rete bayesiana per l'esempio della carie. Notiamo come venga evidenziata l indipendenza assoluta di CondizioniAtmosferiche dalle altre tre v.a. e l'indipendenza condizionale di Maldidenti e Prende data Carie. Una volta definita la topologia della rete rimane da specificare la distribuzione di probabilità condizionata di ogni variabile dati i suoi genitori. Consideriamo un nuovo esempio. Abbiamo un antifurto in casa abbastanza affidabile, ma che occasionalmente risponde anche a piccoli terremoti. Abbiamo due vicini, John e Mary, che hanno promesso di telefonarci quando sentono suonare l'allarme. John quando sente l'allarme chiama sempre, ma qualche volta si confonde e scambia lo squillo del telefono in casa nostra per l'allarme. Mary ama ascoltare musica ad alto volume e può capitare che non senta suonare l'allarme. Prendendo come prove le telefonate degli amici, vorremmo stimare la probabilità di intrusione. Notiamo che i furti e i terremoti influenzano direttamente la probabilità che scatti l'allarme, e le telefonate di John e Mary dipendono esclusivamente da quest'ultimo. Ogni distribuzione condizionata viene rappresentata mediante una tabella delle probabilità condizionate o CPT (usata per v.a. discrete). Un nodo senza genitori ha la CPT con una sola riga, che riporta le probabilità a priori di ogni possibile valore (se booleana basta un solo valore). La distribuzione congiunta completa può essere rappresentata come produttoria di probabilità condizionate dei singoli nodi, attraverso la formula in figura (semantica globale). Così, ogni elemento della congiunta è rappresentato dal prodotto degli elementi appropriati nelle CPT. Quindi le CPT sono una rappresentazione suddivisa della distribuzione congiunta. Poiché una rete bayesiana è una rappresentazione della congiunta completa, può essere usata per rispondere a qualsiasi query. In realtà nella produttoria non dovrebbe essere presente la probabilità condizionata ai soli genitori di X i ma, per la regola della catena, quella condizionata a tutti i nodi che precedono i, ossia da 1 a i-1. Questa rappresentazione però va bene purchè il nodo X i sia condizionalmente indipendente dai suoi predecessori (i nodi da 1 a i-1 escluso i genitori) dati i suoi genitori. Infatti: P(MaryTelefona JohnTelefona,Allarme,Terremoto,In trusione) = P(MaryTelefona Allarme) Le reti bayesiane hanno una proprietà di compattezza tipica dei sistemi localmente strutturati. In tali sistemi, ogni elemento interagisce solo con pochi altri 4
5 componenti, indipendentemente dal loro numero totale. La strutturazione locale fa si che la crescita della complessità del sistema sia lineare anziché esponenziale. Supponiamo che ogni v.a. sia influenzata direttamente da altre k v.a. su un totale di n v.a. booleane. Per specificare ogni CPT occorrono 2 k valori, mentre per la rete completa n2 k. Se n=30, k=5 la rete bayesiana richiede 960 valori, mentre la congiunta completa oltre un miliardo. Un altro aspetto importante è l'ordine con cui aggiungere nodi alla rete. Quello corretto prevede di partire dalle cause radici del dominio, passando poi alle variabili da esse influenzate, e cosi via fino a raggiungere le foglie, che non hanno alcuna influenza causale diretta su alcuna altra variabile. Questo procedimento consente di specificare meno valori, che spesso sono più facili da determinare rispetto al caso in cui si utilizzano ordinamenti non causali. Utilizzando ordinamenti non causali si ottengono sempre rappresentazioni della stessa congiunta completa senza però sfruttare le relazioni di indipendenza condizionale, le quali semplificano notevolmente la struttura. Abbiamo visto che la congiunta completa può essere espressa come produttoria di probabilità condizionate, dei singoli nodi, ai propri genitori. Questa affermazione può essere espressa in forma topologica, dicendo che un nodo è condizionalmente indipendente dai suoi non-discendenti, dati i suoi genitori. Ad esempio, JohnTelefona è indipendente da Intrusione e Terremoto, dato il valore di Allarme. Si parla in questo caso di semantica locale. Una forma equivalente della semantica locale è: un nodo è condizionalmente indipendente da tutti gli altri nodi nella rete, dati i suoi genitori, i suoi figli e tutti i genitori dei figli: ovvero, data la sua coperta di Markov. Ad esempio, Intrusione è condizionalmente indipendente da JohnTelefona e MaryTelefona dati Allarme e Terremoto. Sebbene le reti bayesiane sfruttino la strutturazione locale, riempire le CPT anche per valori piccoli di k può richiedere molti valori. Un modo per compattare ulteriormente le distribuzioni congiunte è quello di ricorrere alle rappresentazioni tramite distribuzioni canoniche, le quali richiedono pochi parametri da configurare. Questo può essere un modo per compattare le distribuzioni condizionate. Un altro metodo per ridurre il numero di parametri da specificare nelle CPT di una rete bayesiana, in modo da renderli lineari con il numero di genitori, è il modello della OR-rumorosa. Tale modello fa ricorso all'assunzione di indipendenza causale tra le varie cause (genitori) e l'effetto comune (figlio); ossia si ipotizza che le varie cause non interagiscano tra loro. Il termine rumorosa riflette il fatto che l'interazione tra le cause e l'effetto non è deterministica, e quindi è ammessa la presenza dell'effetto in assenza di qualsiasi causa modellata. Nella pratica infatti è spesso impossibile modellare tutte le possibili cause di un effetto. Per ovviare a questo problema Max Henrion suggerì un'estensione di questo modello che facesse ricorso al concetto di leak, da considerare come una delle cause dell'effetto. Quindi, tale modello esteso, considerate le possibili cause X 1,X 2,...,X N, di un effetto Y, assume che ogni causa X i ha una certa probabilità di produrre l'effetto in assenza di tutte le altre cause e ogni causa è sufficientemente indipendente dalla presenza delle altre cause, ossia: È stato dimostrato che la probabilità dell'effetto Y sia verificato, dato un sottoinsieme di cause X p, è: Pertanto, per poter calcolare tutti i valori delle CPT basta calcolare tutte le p i, che sono in numero lineari con il numero di genitori. Infine si definisce la probabilità leak p 0 come Spesso nei problemi che si affrontano si ha a che fare non solo con variabili discrete ma anche con quelle continue. Un modo per gestirle è quello di trasformarle in discrete tramite un processo di discretizzazione, che consiste in possibili valori assumibili in un insieme di intervalli a cui far corrispondere un unico valore. Ciò comunque porta ad una perdita di informazione e alla creazione di CPT molto grandi. Un'altra soluzione è quella di definire le CPT tramite distribuzioni canoniche, che richiedono un numero limitato di parametri da settare. Una rete che contiene sia variabili discrete che continue viene detta ibrida. Le situazioni nuove da gestire sono quelle che prevedono una variabile continua con genitori discreti o continui e variabili discrete dati genitori continui. Consideriamo il caso in cui un cliente acquista della frutta a seconda del suo costo, che a 5
6 sua volta dipende dalle dimensioni del raccolto e dal fatto che siano disponibili o meno i sussidi governativi. La variabile Costo è continua e ha genitore continuo (Raccolto) e discreto (Sussidio). La variabile Acquista è discreta e ha un genitore continuo. Pertanto, per la variabile Costo andrà specificata la distribuzione condizionata ai due genitori. Il genitore discreto è gestito tramite enumerazione, e quindi vengono generate due distribuzioni P(Costo Raccolto,sussidio) e P(Costo Raccolto,~ sussidio). Per esplicitare queste due distribuzioni ricorriamo ad una distribuzione canonica, quella gaussiana lineare; attraverso cui esplicitiamo la dipendenza del costo c dal valore del Raccolto h. Notiamo che il prezzo diminuisce all'aumentare del raccolto. Ad un certo punto diventerà negativo, a causa della linearità del modello. La validità del modello però è verificata solo se le dimensioni del raccolto variano in un intervallo ragionevolmente piccolo. Nella figura c è presente la media calcolata sui due possibili valori di Sussidio. Se una rete presenta solo variabili con distribuzioni gaussiane lineari, allora la distribuzione congiunta completa è una gaussiana multivariata. Consideriamo il caso di una variabile discreta con genitore continuo. Consideriamo il nodo Acquista. Il cliente acquisterà se il costo è basso e non lo farà se è alto. Per avere un comportamento morbido, si utilizza come distribuzione condizionata l'integrale della normale standard (gaussiana a media nulla e varianza unitaria): Utilizzando questa distribuzione la probabilità di acquisto è P(acquista Costo=c)=Φ((-c+μ)/σ). Quindi la soglia che determina l'acquisto o meno del prodotto si trova in un intorno della media μ di ampiezza σ. Questa distribuzione prende il nome probit e la soglia può essere vista come un valore ben definito soggetto ad un rumore gaussiano casuale. Un'alternativa alla distribuzione probit è quella logit, definita per mezzo della funzione sigmoidale, ossia: Graficamente gli andamenti delle due distribuzioni sono molto simili, ma quella logit presenta code molto più lunghe. Sia la probit che la logit possono essere generalizzate per gestire più genitori continui, prendendo una combinazione lineare dei loro valori. In figura esempi di funzione probit e logit per μ=6,0 e σ=1,0. 6
Dimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
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. 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
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
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
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
DettagliAPPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI
APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
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:
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
DettagliCalcolatori: Algebra Booleana e Reti Logiche
Calcolatori: Algebra Booleana e Reti Logiche 1 Algebra Booleana e Variabili Logiche I fondamenti dell Algebra Booleana (o Algebra di Boole) furono delineati dal matematico George Boole, in un lavoro pubblicato
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
DettagliPROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado)
L esito della prossima estrazione del lotto L esito del lancio di una moneta o di un dado Il sesso di un nascituro, così come il suo peso alla nascita o la sua altezza.. Il tempo di attesa ad uno sportello
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
DettagliSommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi.
Algoritmi 1 Sommario Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. 2 Informatica Nome Informatica=informazione+automatica. Definizione Scienza che si occupa dell
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
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
DettagliCome visto precedentemente l equazione integro differenziale rappresentativa dell equilibrio elettrico di un circuito RLC è la seguente: 1 = (1)
Transitori Analisi nel dominio del tempo Ricordiamo che si definisce transitorio il periodo di tempo che intercorre nel passaggio, di un sistema, da uno stato energetico ad un altro, non è comunque sempre
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
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:
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
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:
DettagliEQUAZIONI DIFFERENZIALI. 1. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x 2 log t (d) x = e t x log x (e) y = y2 5y+6
EQUAZIONI DIFFERENZIALI.. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x log t (d) x = e t x log x (e) y = y 5y+6 (f) y = ty +t t +y (g) y = y (h) xy = y (i) y y y = 0 (j) x = x (k)
DettagliAppunti di informatica. Lezione 2 anno accademico 2015-2016 Mario Verdicchio
Appunti di informatica Lezione 2 anno accademico 2015-2016 Mario Verdicchio Sistema binario e logica C è un legame tra i numeri binari (0,1) e la logica, ossia la disciplina che si occupa del ragionamento
DettagliMatematica generale CTF
Equazioni differenziali 9 dicembre 2015 Si chiamano equazioni differenziali quelle equazioni le cui incognite non sono variabili reali ma funzioni di una o più variabili. Le equazioni differenziali possono
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
DettagliFunzioni funzione dominio codominio legge argomento variabile indipendente variabile dipendente
Funzioni In matematica, una funzione f da X in Y consiste in: 1. un insieme X detto dominio di f 2. un insieme Y detto codominio di f 3. una legge che ad ogni elemento x in X associa uno ed un solo elemento
DettagliLuigi Piroddi piroddi@elet.polimi.it
Automazione industriale dispense del corso 10. Reti di Petri: analisi strutturale Luigi Piroddi piroddi@elet.polimi.it Analisi strutturale Un alternativa all analisi esaustiva basata sul grafo di raggiungibilità,
DettagliCapitolo 4 Probabilità
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 4 Probabilità Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.
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 -
Dettagli4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI
119 4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI Indice degli Argomenti: TEMA N. 1 : INSIEMI NUMERICI E CALCOLO
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
DettagliPer lo svolgimento del corso risulta particolarmente utile considerare l insieme
1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R
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
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
Dettaglix u v(p(x, fx) q(u, v)), e poi
0.1. Skolemizzazione. Ogni enunciato F (o insieme di enunciati Γ) è equisoddisfacibile ad un enunciato universale (o insieme di enunciati universali) in un linguaggio estensione del linguaggio di F (di
DettagliAlgebra Booleana 1 ALGEBRA BOOLEANA: VARIABILI E FUNZIONI LOGICHE
Algebra Booleana 1 ALGEBRA BOOLEANA: VARIABILI E FUNZIONI LOGICHE Andrea Bobbio Anno Accademico 2000-2001 Algebra Booleana 2 Calcolatore come rete logica Il calcolatore può essere visto come una rete logica
DettagliCalcolo del Valore Attuale Netto (VAN)
Calcolo del Valore Attuale Netto (VAN) Il calcolo del valore attuale netto (VAN) serve per determinare la redditività di un investimento. Si tratta di utilizzare un procedimento che può consentirci di
DettagliUNIVERSITÀ DEGLI STUDI DI TERAMO
UNIVERSITÀ DEGLI STUDI DI TERAMO CORSO DI LAUREA IN ECONOMIA BANCARIA FINANZIARIA ED ASSICURATIVA (Classe 7) Corso di Matematica per l Economia (Prof. F. Eugeni) TEST DI INGRESSO Teramo, ottobre 00 SEZIONE
DettagliMATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni.
MATEMATICA. Sistemi lineari in due equazioni due incognite. Date due equazioni lineari nelle due incognite x, y come ad esempio { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un
DettagliFondamenti e didattica di Matematica Finanziaria
Fondamenti e didattica di Matematica Finanziaria Silvana Stefani Piazza dell Ateneo Nuovo 1-20126 MILANO U6-368 silvana.stefani@unimib.it 1 Unità 9 Contenuti della lezione Operazioni finanziarie, criterio
Dettagli( x) ( x) 0. Equazioni irrazionali
Equazioni irrazionali Definizione: si definisce equazione irrazionale un equazione in cui compaiono uno o più radicali contenenti l incognita. Esempio 7 Ricordiamo quanto visto sulle condizioni di esistenza
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
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
DettagliPROBABILITA CONDIZIONALE
Riferendoci al lancio di un dado, indichiamo con A l evento esce un punteggio inferiore a 4 A ={1, 2, 3} B l evento esce un punteggio dispari B = {1, 3, 5} Non avendo motivo per ritenere il dado truccato,
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
DettagliOttimizzazione Multi Obiettivo
Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali
DettagliMetodi e Modelli Matematici di Probabilità per la Gestione
Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta del 30/1/06 Esercizio 1 Una banca ha N correntisti. Indichiamo con N n il numero di correntisti esistenti il giorno n-esimo. Descriviamo
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
DettagliLEZIONE 31. B i : R n R. R m,n, x = (x 1,..., x n ). Allora sappiamo che è definita. j=1. a i,j x j.
LEZIONE 31 31.1. Domini di funzioni di più variabili. Sia ora U R n e consideriamo una funzione f: U R m. Una tale funzione associa a x = (x 1,..., x n ) U un elemento f(x 1,..., x n ) R m : tale elemento
DettagliTransitori del primo ordine
Università di Ferrara Corso di Elettrotecnica Transitori del primo ordine Si consideri il circuito in figura, composto da un generatore ideale di tensione, una resistenza ed una capacità. I tre bipoli
DettagliOSSERVAZIONI TEORICHE Lezione n. 4
OSSERVAZIONI TEORICHE Lezione n. 4 Finalità: Sistematizzare concetti e definizioni. Verificare l apprendimento. Metodo: Lettura delle OSSERVAZIONI e risoluzione della scheda di verifica delle conoscenze
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
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
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)
DettagliMacchine a stati finiti G. MARSELLA UNIVERSITÀ DEL SALENTO
Macchine a stati finiti 1 G. MARSELLA UNIVERSITÀ DEL SALENTO Introduzione Al più alto livello di astrazione il progetto logico impiega un modello, la cosiddetta macchina a stati finiti, per descrivere
DettagliProof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme
G Pareschi Principio di induzione Il Principio di Induzione (che dovreste anche avere incontrato nel Corso di Analisi I) consente di dimostrare Proposizioni il cui enunciato è in funzione di un numero
DettagliAlgoritmi e strutture dati. Codici di Huffman
Algoritmi e strutture dati Codici di Huffman Memorizzazione dei dati Quando un file viene memorizzato, esso va memorizzato in qualche formato binario Modo più semplice: memorizzare il codice ASCII per
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
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
DettagliSISTEMI DI NUMERAZIONE E CODICI
SISTEMI DI NUMERAZIONE E CODICI Il Sistema di Numerazione Decimale Il sistema decimale o sistema di numerazione a base dieci usa dieci cifre, dette cifre decimali, da O a 9. Il sistema decimale è un sistema
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.
DettagliAnalisi e diagramma di Pareto
Analisi e diagramma di Pareto L'analisi di Pareto è una metodologia statistica utilizzata per individuare i problemi più rilevanti nella situazione in esame e quindi le priorità di intervento. L'obiettivo
DettagliEsponenziali elogaritmi
Esponenziali elogaritmi Potenze ad esponente reale Ricordiamo che per un qualsiasi numero razionale m n prendere n>0) si pone a m n = n a m (in cui si può sempre a patto che a sia un numero reale positivo.
Dettagli1 Applicazioni Lineari tra Spazi Vettoriali
1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!
DettagliLA RETTA. Retta per l'origine, rette orizzontali e verticali
Retta per l'origine, rette orizzontali e verticali LA RETTA Abbiamo visto che l'equazione generica di una retta è del tipo Y = mx + q, dove m ne rappresenta la pendenza e q il punto in cui la retta incrocia
Dettagliu 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k
Capitolo 4 Serie numeriche 4. Serie convergenti, divergenti, indeterminate Data una successione di numeri reali si chiama serie ad essa relativa il simbolo u +... + u +... u, u 2,..., u,..., (4.) oppure
DettagliLA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ
LA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ In questa Appendice mostreremo come trovare la tariffa in due parti che massimizza i profitti di Clearvoice,
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
DettagliTeoria delle code. Sistemi stazionari: M/M/1 M/M/1/K M/M/S
Teoria delle code Sistemi stazionari: M/M/1 M/M/1/K M/M/S Fabio Giammarinaro 04/03/2008 Sommario INTRODUZIONE... 3 Formule generali di e... 3 Leggi di Little... 3 Cosa cerchiamo... 3 Legame tra N e le
DettagliProbabilità discreta
Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che
DettagliLEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010
LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno
DettagliRichiami di teoria della probabilitá e Modelli Grafici
Modelli di computazione affettiva e comportamentale Data: 23 Aprile 2010 Richiami di teoria della probabilitá e Modelli Grafici Docente: Prof. Giuseppe Boccignone Scriba: Matteo Battistini 1 Richiami di
DettagliIniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:
Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione
DettagliPer studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R
Studio di funzione Per studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R : allo scopo di determinarne le caratteristiche principali.
DettagliESERCIZI DI ALGEBRA LINEARE E GEOMETRIA
ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai
DettagliPROBABILITA CONDIZIONALE
Riferendoci al lancio di un dado, indichiamo con A l evento esce un punteggio inferiore a 4 A ={1, 2, 3} B l evento esce un punteggio dispari B = {1, 3, 5} Non avendo motivo per ritenere il dado truccato,
DettagliMacroeconomia, Esercitazione 2. 1 Esercizi. 1.1 Moneta/1. 1.2 Moneta/2. 1.3 Moneta/3. A cura di Giuseppe Gori (giuseppe.gori@unibo.
acroeconomia, Esercitazione 2. A cura di Giuseppe Gori (giuseppe.gori@unibo.it) 1 Esercizi. 1.1 oneta/1 Sapendo che il PIL reale nel 2008 è pari a 50.000 euro e nel 2009 a 60.000 euro, che dal 2008 al
DettagliParte 2. Determinante e matrice inversa
Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice
DettagliParte 6. Applicazioni lineari
Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R
DettagliIntorni Fissato un punto sull' asse reale, si definisce intorno del punto, un intervallo aperto contenente e tutto contenuto in
Intorni Fissato un punto sull' asse reale, si definisce intorno del punto, un intervallo aperto contenente e tutto contenuto in Solitamente si fa riferimento ad intorni simmetrici =, + + Definizione: dato
DettagliSOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag.
SOMMARIO CAPITOLO : I RADICALI. I radicali pag.. I radicali aritmetici pag.. Moltiplicazione e divisione fra radicali aritmetici pag.. Potenza di un radicale aritmetico pag.. Trasporto di un fattore esterno
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliG. Pareschi ALGEBRE DI BOOLE. 1. Algebre di Boole
G. Pareschi ALGEBRE DI BOOLE 1. Algebre di Boole Nel file precedente abbiamo incontrato la definizione di algebra di Boole come reticolo: un algebra di Boole e un reticolo limitato, complementato e distributivo.
Dettagli1 Giochi a due, con informazione perfetta e somma zero
1 Giochi a due, con informazione perfetta e somma zero Nel gioco del Nim, se semplificato all estremo, ci sono due giocatori I, II e una pila di 6 pedine identiche In ogni turno di gioco I rimuove una
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
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 3.1 Introduzione all inferenza statistica Prima Parte Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
DettagliInsiemi di livello e limiti in più variabili
Insiemi di livello e iti in più variabili Insiemi di livello Si consideri una funzione f : A R, con A R n. Un modo per poter studiare il comportamento di una funzione in più variabili potrebbe essere quello
DettagliMatematica 1 - Corso di Laurea in Ingegneria Meccanica
Matematica 1 - Corso di Laurea in Ingegneria Meccanica Esercitazione su massimi e minimi vincolati 9 dicembre 005 Esercizio 1. Considerare l insieme C = {(x,y) R : (x + y ) = x } e dire se è una curva
DettagliCAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI
CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI Abbiamo studiato successioni e serie numeriche, ora vogliamo studiare successioni e serie di funzioni. Dato un insieme A R, chiamiamo successione di funzioni
DettagliEconomia Applicata ai sistemi produttivi. 06.05.05 Lezione II Maria Luisa Venuta 1
Economia Applicata ai sistemi produttivi 06.05.05 Lezione II Maria Luisa Venuta 1 Schema della lezione di oggi Argomento della lezione: il comportamento del consumatore. Gli economisti assumono che il
DettagliL espressione torna invece sempre vera (quindi la soluzione originale) se cambiamo contemporaneamente il verso: 1 < 0.
EQUAZIONI E DISEQUAZIONI Le uguaglianze fra espressioni numeriche si chiamano equazioni. Cercare le soluzioni dell equazione vuol dire cercare quelle combinazioni delle lettere che vi compaiono che la
DettagliCorso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile
Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione
DettagliLe funzioni continue. A. Pisani Liceo Classico Dante Alighieri A.S. 2002-03. A. Pisani, appunti di Matematica 1
Le funzioni continue A. Pisani Liceo Classico Dante Alighieri A.S. -3 A. Pisani, appunti di Matematica 1 Nota bene Questi appunti sono da intendere come guida allo studio e come riassunto di quanto illustrato
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
DettagliLaboratorio di Pedagogia Sperimentale. Indice
INSEGNAMENTO DI LABORATORIO DI PEDAGOGIA SPERIMENTALE LEZIONE III INTRODUZIONE ALLA RICERCA SPERIMENTALE (PARTE III) PROF. VINCENZO BONAZZA Indice 1 L ipotesi -----------------------------------------------------------
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
Dettagli