Classificazione di immagini con GRASS

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Classificazione di immagini con GRASS"

Transcript

1 Classfcazone d mmagn con GRASS Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

2 Classfcazone d mmagn Scopo della classfcazone: rcavare da una mmagne nformazon sulla superfce. Foto nterpretazone sfrutta le conoscenze a pror dell operatore. Classfcazone automatca Applca algortm a valor d ntenstà su dverse bande: sono mportant rapport fra valor delle bande. Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

3 Classfcazone automatca 1. assegnazone d un pxel ad una classe Algortm automatc 2. assegnazone d una classe d pxel ad una copertura Informazon esterne Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

4 classfcazone Supervsed (supervsonata) ntervento a pror del operatore; Unsupervsed (non supervsonata) ntervento a posteror del operatore; Hybrd (brda). supervsed copertura classfcazone class operatore unsupervsed classfcazone class copertura Paolo Zatell operatore Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

5 Frma spettrale E la capactà d rflessone d un corpo n funzone della lunghezza d onda della radazone ncdente. Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

6 Bande Landsat-MSS banda 4 banda 5 banda 6 banda 7 Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

7 Calssfcazone supervsonata 1. stablre con qual class s vuole rappresentare la copertura; 2. sceglere aree campone (tranng area) per le class; 3. usare dat delle aree campone per stmare parametr del classfcatore scelto; 4. applcare l classfcatore per attrbure ogn pxel ad una classe; 5. produrre carte tematche o report per analzzare l rsultato della classfcazone. Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

8 Massma verosmglanza Date =1,, n class S defnsce la probabltà che un pxel appartenga ad ogn classe p x = 1,, n x = vettore che contene valor su ogn banda. S attrbusce l pxel alla classe se p x p x j j Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

9 Massma verosmglanza S devono stmare le p x = 1,, n Con dat delle aree campone è possble stmare la probabltà che un pxel della classe abba valor x p x Teorema d Bayes p x p x p p x Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

10 Massma verosmglanza Le p sono le probabltà a pror per la classe (% d pxel n quella classe) La formula d Bayes s può rscrvere come p xpx px p Qund l pxel appartene alla classe se p x p px p j j j Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

11 Massma verosmglanza S assume che le class abbano dstrbuzon del tpo (normale multvarata) p x 2 N 2 C 1 2 e 1 2 x ' C 1x m m Dove C è la matrce d varanza e covaranza e m la meda della classe. S pone g ' 1 x ln p( ) lnc x m C x m Qund l pxel appartene alla classe se g x g j x j Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

12 Massma verosmglanza Ovvero se lnc ' 1 ' 1 x m C x m lnc x m C x m j j j j I parametr da stmare sono C e m usando valor de pxel nelle aree campone Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

13 Sogle Il modello precedente classfca tutt pxel d una mmagne, anche quell con probabltà molto basse: Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

14 sogle Ponendo una sogla (probabltà mnma) non s classfcano pxel con prob. bassa sogla Paolo Zatell non classfcato Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

15 sogle S aggunge la condzone gx T coè ln p( ) 1 2 lnc 1 2 ' 1 x m C x m T coè ' 1 x m C x m 2T 2ln p( ) lnc Se x s assume dstrbuto normalmente, allora ' 1 x m C x m è dstrbuto come un 2 a N (n. bande) grad d lbertà. Dat C e w s può percò determnare T n modo che una certa % d pxel. sa nella classe. Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

16 Classfcator contestual Classfcano un pxel non solo n base a suo valor, ma n funzone de valor de pxel crcostant. Sfruttano la correlazone fra le categore d pxel vcn per rendere pccol alcun error (rumore, ecc.). S può realzzare con un preprocessamento: fltr passa basso (medana, ecc.); bande artfcal (texture, ecc.). Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

17 Label relaxaton Dopo avere classfcato l mmagne s utlzza una neghbourhood functon Qm modfcando la funzone d probabltà d appartenenza del pxel m alla classe p ' m p m Q p m Q m m normalzzazone Alla k-esma terazone Q k m k d p p n peso d vcnato n j mn j n Probabltà che l pxel m quando l pxel n j Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

18 Classfcazone unsupervsed 1. generazone de cluster S raggruppano pxel nello spazo multspettrale (bande) con una metrca d smltudne, d solto la dstanza eucldea: d ' x x x x x x x x x x 1, ottmzzazone (cancellazone/merge/dvsone) 2 1 S formano canddat cluster e s spostano pxel tra cluster per mnmzzare la quanttà C x C ' x m x m N Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

19 Insermento d mmagn RGB n GRASS 1. Importazone n GRASS delle mmagn (es. r.n.tff), l fle vene suddvso n tant raster quante sono le bande ad es. mm1.r, mm1.g e mm1.b; 2. Creazone d grupp e sottogrupp. È possble vsualzzare l mmagne orgnale con l comando d.rgb oppure.composte. Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

20 Classfcazone n GRASS.group creazone de grupp e sottogrupp (combnazon d bande) unsupervsed.cluster.maxlk supervsed.class.maxlk.gensg.maxlk.gensgset.smap Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

21 Classfcazone unsupervsed.cluster parametr Genera cluster (vettore meda e matrce d varanza e covaranza) con l algortmo mgratng means : 1. s scelgono punt random come centr de cluster; 2. ogn pxel vene attrbuto al cluster con centro pù vcno; 3. alcun cluster sono elmnat (poch pxel) oppure fus (centr troppo vcn). 1. numero d class da generare; 2. numero mnmo d pxel perchè una classe essta; 3. dstanza oltre la quale due class rmangono dvse; 4. percentuale d convergenza; 5. numero massmo d terazon; 6. ntervallo d camponamento. Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

22 Classfcazone unsupervsed.maxlk parametro Classfca l ntera mmagne con l classfcatore d massma verosmglanza, usando I vettor delle mede e le matrc d varanza e covaranza create da.cluster. Fle contenente le frme spettral. output 1. raster classfcato (valore d ogn pxel = numero della classe); 2. raster rappresentante la probabltà d rgetto d ogn pxel per la classe a cu è stato attrbuto. Le class non hanno ancora alcun sgnfcato d tpo d copertura, s deve etchettarle a posteror. Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

23 Classfcazone supervsed.class parametr Genera le frme spettral delle class, basandos su aree ndcate dall operatore. Solo nterattvo.maxlk Le class generate hanno sgnfcato d tp d copertura. Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

24 Classfcazone supervsed.gensg parametr Genera le frme spettral delle class, basandos su un raster gà parzalmente classfcata. 1. tranng map (nput); 2. group (nput); 3. subgroup (nput); 4. sgnature fle (output); La mappa d tranng deve essere preparata con v.dgt o r.dgt.maxlk Le class generate hanno sgnfcato d tp d copertura. Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

25 Classfcazone supervsed.gensgset parametr Genera le frme spettral delle class, basandos su un raster gà parzalmente classfcata, per l uso con.smap. 1. tranng map (nput); 2. group (nput); 3. subgroup (nput); 4. sgnature fle (output); La mappa d tranng deve essere preparata con v.dgt o r.dgt Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

26 Classfcazone supervsed.smap Classfcatore contestuale (sequental maxmum a posteror SMAP) Le class generate hanno sgnfcato d tp d copertura. parametr 1. group (nput); 2. subgroup (nput); 3. sgnature fle da.gensgset (nput); 4. raster classfcato (output). Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

27 Valutazone de rsultat È necessaro dsporre d una vertà a terra con cu confrontare la classfcazone. S effettuano rlev a terra per verfcare la rspondenza della mappa d copertura così realzzata. In alternatva s dovrebbe dsporre d una carta d uso del suolo aggornata all epoca delle foto ed affdable. Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

Apprendimento Automatico e IR: introduzione al Machine Learning

Apprendimento 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

Dettagli

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

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

Dettagli

STATISTICA DESCRITTIVA CON EXCEL

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

Dettagli

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

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

Dettagli

Introduzione al Machine Learning

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

Dettagli

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

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

Dettagli

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

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

Dettagli

Variabili statistiche - Sommario

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

Dettagli

Relazioni tra variabili: Correlazione e regressione lineare

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

Dettagli

Esercitazioni del corso di Relazioni tra variabili. Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca

Esercitazioni 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

Dettagli

DBMS 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 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:

Dettagli

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

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

Dettagli

Fondamenti di Visione Artificiale (Seconda Parte) Corso di Robotica Prof.ssa Giuseppina Gini Anno Acc.. 2006/2007

Fondamenti di Visione Artificiale (Seconda Parte) Corso di Robotica Prof.ssa Giuseppina Gini Anno Acc.. 2006/2007 Fondament d Vsone Artfcale (Seconda Parte PhD. Ing. Mchele Folgherater Corso d Robotca Prof.ssa Guseppna Gn Anno Acc.. 006/007 Caso Bdmensonale el caso bdmensonale, per ndvduare punt d contorno degl oggett

Dettagli

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

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

Dettagli

IMMAGINE RICONOSCIMENTO. 6.1 La densità di vegetazione: l indice NDVI DELLA VEGETAZIONE SULL I

IMMAGINE RICONOSCIMENTO. 6.1 La densità di vegetazione: l indice NDVI DELLA VEGETAZIONE SULL I CAPITOLO SESTO RICONOSCIMENTO DELLA VEGETAZIONE SULL I IMMAGINE QUICKBIRDIRD 6.1 La denstà d vegetazone: l ndce NDVI Allo scopo d caratterzzare la dstrbuzone della vegetazone sulle superfc d barena s è

Dettagli

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

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

Dettagli

Università degli Studi di Urbino Facoltà di Economia

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

Dettagli

Dati di tipo video. Indicizzazione e ricerca video

Dati 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

Dettagli

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

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

Dettagli

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

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

Dettagli

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII

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

Dettagli

B - ESERCIZI: IP e TCP:

B - ESERCIZI: IP e TCP: Unverstà d Bergamo Dpartmento d Ingegnera dell Informazone e Metod Matematc B - ESERCIZI: IP e TCP: F. Martgnon Archtetture e Protocoll per Internet Eserczo b. S consder l collegamento n fgura A C =8 kbt/s

Dettagli

Concetti principale della lezione precedente

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

Dettagli

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE

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

Dettagli

Adattamento di una relazione funzionale ai dati sperimentali

Adattamento di una relazione funzionale ai dati sperimentali Adattamento d una relazone 1 funzonale a dat spermental Sno ad ora abbamo vsto come può essere stmato, con un certo lvello d confdenza, l valore vero d una grandezza fsca (dretta o dervata) con l suo ntervallo

Dettagli

Valutazione delle opzioni col modello di Black e Scholes

Valutazione delle opzioni col modello di Black e Scholes Valutazone delle opzon col modello d Black e Scholes Rosa Mara Mnnn a.a. 2014-2015 1 Introduzone L applcazone del moto Brownano all economa é stata nnescata prncpalmente da due cause. Attorno agl ann 70,

Dettagli

Elementi di linear discriminant analysis per la classificazione e il posizionamento nelle ricerche di marketing

Elementi di linear discriminant analysis per la classificazione e il posizionamento nelle ricerche di marketing http://www.mauroennas.eu Element d lnear dscrmnant analyss per la classfcazone e l poszonamento nelle rcerche d maretng Mauro Ennas Lnear Dscrmnant Analyss http://www.mauroennas.eu ADL_fnale_confronto_Ecel.sav

Dettagli

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Struttura delle ret logstche Sstem produttv multstado Struttura logstca

Dettagli

LAVORO ESTIVO 4CO1 / 4 CO2

LAVORO ESTIVO 4CO1 / 4 CO2 LVORO ESTIVO CO / CO LE EQUZIONI ESPONENZILI 7 7 7 LE DISEQUZIONI ESPONENZILI 7 LE EQUZIONI LOGRITMICHE [ ] [ ] log log log log log log log log log ln ln ln ln ln ln log log log LE DISEQUZIONI LOGRITMICHE

Dettagli

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

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

Dettagli

Analisi statistica di dati biomedici Analysis of biologicalsignals

Analisi statistica di dati biomedici Analysis of biologicalsignals Anals statstca d dat bomedc Analyss of bologcalsgnals I Parte Inferenza statstca Agostno Accardo (accardo@unts.t) Master n Ingegnera Clnca LM Neuroscenze 2013-2014 e segg. Altman Practcal statstcs for

Dettagli

TEORIA DELLA STIMA E DELLA DESCISIONE STATISTICA

TEORIA DELLA STIMA E DELLA DESCISIONE STATISTICA TEORIA DELLA STIMA E DELLA DESCISIOE STATISTICA STIMA A MASSIMA VEROSIMIGLIAZA Per determnare la stma a massma verosmglanza d un parametro θ, partendo da un campone d dat X, bsogna scrvere la denstà d

Dettagli

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

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

Dettagli

GURU. Facebook. Gli strumenti avanzati di Facebook ADS WEBLIME

GURU. Facebook. Gli strumenti avanzati di Facebook ADS WEBLIME Facebook GURU Gl strument avanzat d Facebook ADS Un corso tecnco-pratco d approfondmento sugl strument pù avanzat d Facebook ADS. Il Corso s rvolge esclusvamente a ch gà gestsce nserzon con Facebook. Ogg

Dettagli

3. Esercitazioni di Teoria delle code

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

Dettagli

Il campionamento casuale semplice

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

Dettagli

DATA MINING E CLUSTERING

DATA MINING E CLUSTERING 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

Dettagli

Corso di Architettura (Prof. Scarano) 25/03/2002

Corso di Architettura (Prof. Scarano) 25/03/2002 Corso d rchtettura (Prof. Scarano) // Un quadro della stuazone Lezone Logca Dgtale (): Crcut combnator Vttoro Scarano rchtettura Corso d Lauren Informatca Unverstà degl Stud d Salerno Input/Output Regstr

Dettagli

Definizione del problema

Definizione del problema Corso d Gestone ed Eserczo de Sstem d Trasporto www.unroma2.t/ddattca/gest t/dd tt /GEST Modell per l assegnazone della domanda alle ret d trasporto aereo Defnzone del problema Modell d domanda segmentazone

Dettagli

Parametri e protocolli di riferimento

Parametri e protocolli di riferimento Parametr e protocoll d rfermento P. Isoard - O. Rampado - R. Ropolo S.C. Fsca Santara A.S.O. San Govann Battsta d Torno Document d rfermento general Gudelnes for Acceptance Testng and Qualty Control, Techcal

Dettagli

Markov Random Field. Teoria e applicabilità nell elaborazione delle immagini. Giovanni Bianco. Febbraio 1998. 20 i

Markov Random Field. Teoria e applicabilità nell elaborazione delle immagini. Giovanni Bianco. Febbraio 1998. 20 i Markov Random Feld Teora e applcabltà nell elaborazone delle mmagn U ( f) = v [ 1 δ( )] 20 S N f f f * = arg mn f F { U( d f) + U( f) } Govann Banco Febbrao 1998 2 Manoscrtto depostato presso l Dp. d Ingegnera

Dettagli

LA CALIBRAZIONE NELL ANALISI STRUMENTALE

LA CALIBRAZIONE NELL ANALISI STRUMENTALE LA CALIBRAZIONE NELL ANALISI STRUMENTALE La maggor parte delle anals chmche sono ogg condotte medante metod strumental (spettrometra d assorbmento ed emssone a dverse λ, metod elettrochmc, spettrometra

Dettagli

Dispense dell insegnamento di Laboratorio di GIS per la pianificazione

Dispense dell insegnamento di Laboratorio di GIS per la pianificazione Facoltà d Archtettura e Socetà Facoltà d Ingegnera Cvle, Ambentale e Terrtorale Centro per lo Svluppo del Polo d Cremona, Poltecnco d Mlano Va Sesto 41 26100 Cremona Master unverstaro nterfacoltà d II

Dettagli

DALLA TEORIA DEGLI ERRORI AL TRATTAMENTO DEI DATI

DALLA TEORIA DEGLI ERRORI AL TRATTAMENTO DEI DATI Captolo - Dalla teora degl error al trattamento de dat DALLA TEORIA DEGLI ERRORI AL TRATTAMENTO DEI DATI LA MISURA DELLE GRANDEZZE Nel descrere fenomen, occorre da un lato elaborare de modell (coè delle

Dettagli

Definizione classica di probabilità

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

Dettagli

lxmi.mi.infn.it/~camera/silsis/laboratorio-1/2-statistica.ppt http://www2.dm.unito.it/paginepersonali/zucca/index.htm Misura:

lxmi.mi.infn.it/~camera/silsis/laboratorio-1/2-statistica.ppt http://www2.dm.unito.it/paginepersonali/zucca/index.htm Misura: Elaborazone de dat geochmc e cenn d statstca lm.m.nfn.t/~camera/slss/laboratoro-1/-statstca.ppt http://www.dm.unto.t/pagnepersonal/zucca/nde.htm Msura: Espressone quanttatva del rapporto fra una grandezza

Dettagli

Dipartimento di Elettronica Informatica e Sistemistica Università di Bologna. Sistemi radiomobili cellulari

Dipartimento di Elettronica Informatica e Sistemistica Università di Bologna. Sistemi radiomobili cellulari Dpartmento d Elettronca Unverstà d Bologna Sstem radomobl cellular Le comuncazon radomobl Satellte Zona 4: Globale Zona 3: Suburbana Zona 2: Urbana Zona 1: In-Buldng Macro-Cell Mcro-Cell Pco-Cell Telefono

Dettagli

Ottimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO

Ottimizzazione 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

Dettagli

Geometria molecolare con distanze Euclidee

Geometria molecolare con distanze Euclidee Laboratoro Complement d Rcerca Operatva Prof. E. Amald Geometra molecolare con dstanze Eucldee Un mportante problema legato alla conformazone molecolare è quello del Molecular Dstance Geometry Problem

Dettagli

Ettore Limoli. Lezioni di Matematica Prof. Ettore Limoli. Sommario. Calcoli di regressione

Ettore Limoli. Lezioni di Matematica Prof. Ettore Limoli. Sommario. Calcoli di regressione Sto Personale d Ettore Lmol Lezon d Matematca Prof. Ettore Lmol Sommaro Calcol d regressone... 1 Retta d regressone con Ecel... Uso della funzone d calcolo della tendenza... 4 Uso della funzone d regressone

Dettagli

Clustering. Clustering. Misure di similarità. Misure di distanza o dissimilarità. Leggere la sezione 6.6 di Witten e Frank = 1 = =

Clustering. Clustering. Misure di similarità. Misure di distanza o dissimilarità. Leggere la sezione 6.6 di Witten e Frank = 1 = = Clusterng Clusterng Raggruare le stanze d un domno n gru tal che gl oggett nello stesso gruo mostrno un alto grado d smlartà e gl oggett n gru dvers un alto grado d dssmlartà Leggere la sezone 6.6 d Wtten

Dettagli

Modelli descrittivi, statistica e simulazione

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

Dettagli

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

Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE. Prof. Dario Amodio d.amodio@univpm.it. Ing. Gianluca Chiappini g.chiappini@univpm. Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE Prof. Daro Amodo d.amodo@unvpm.t Ing. Ganluca Chappn g.chappn@unvpm.t http://www.dpmec.unvpm.t/costruzone/home.htm (Ddattca/Dspense) Testo d rfermento: Stefano

Dettagli

GLI ERRORI SPERIMENTALI NELLE MISURE DI LABORATORIO

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

Dettagli

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

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

Dettagli

Appunti di statistica descrittiva Versione provvisoria

Appunti di statistica descrittiva Versione provvisoria Alessandro Benedett UnCAM-SSIS-FIM.04/3 Appunt d statstca descrttva Versone provvsora (v. allegato foglo Excel LDS4_Correlazone.xls) Correlazone e Regressone lneare La teora della correlazone s propone

Dettagli

Propagazione degli errori statistici. Test del χ 2 per la bontà di adattamento. Metodo dei minimi quadrati.

Propagazione degli errori statistici. Test del χ 2 per la bontà di adattamento. Metodo dei minimi quadrati. Propagazone degl error statstc. Test del χ per la bontà d adattamento. Metodo de mnm quadrat. Eserctazone 14 gennao 004 1 Propagazone degl error casual Sano B 1,..., B delle varabl casual con valor attes

Dettagli

Calcolo delle Probabilità

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

Dettagli

IL MAGNETISMO IL CAMPO MAGNETICO E ALTRI FENOMENI GSCATULLO

IL MAGNETISMO IL CAMPO MAGNETICO E ALTRI FENOMENI GSCATULLO IL MAGNETISMO IL CAMPO MAGNETICO E ALTRI FENOMENI GSCATULLO ( Il Magnetsmo La forze magnetca La forza Gà a temp d Talete (VI secolo a.c.), nell Antca Greca, era noto un mnerale d ferro n grado d attrare

Dettagli

Grafico di una serie di dati sperimentali in EXCEL

Grafico di una serie di dati sperimentali in EXCEL Grafco d una sere d dat spermental n EXCEL 1. Inseramo sulla prma rga l ttolo che defnsce l contenuto del foglo. Po nseramo su un altra rga valor spermental della x e su quella successva valor della y.

Dettagli

Ottica geometrica. Capitolo. 1. Come si riflette la luce? Cosa è la luce? Come possiamo classificare le sorgenti luminose?

Ottica geometrica. Capitolo. 1. Come si riflette la luce? Cosa è la luce? Come possiamo classificare le sorgenti luminose? Captolo 8 Ottca geometrca 1. Come s rflette la luce? Cosa è la luce? Spacente: per l momento non rsponderemo a questa domanda. Invece d dre cosa la luce sa, ne analzzeremo dapprma l comportamento, utlzzando

Dettagli

ADATTAMENTO DEI SISTEMI E DEI SERVIZI IDROPOTABILI A SCENARI DI CARENZA IDRICA

ADATTAMENTO DEI SISTEMI E DEI SERVIZI IDROPOTABILI A SCENARI DI CARENZA IDRICA La rcerca scentfca talana nel campo dell draulca: presentazone de rsultat de progett PIN 2008 Ferrara, 24-25 gennao 2013 ADATTAMENTO DEI SISTEMI E DEI SEVIZI IDOPOTABILI A SCENAI DI CAENZA IDICA Coordnatore:

Dettagli

INDICI STATISTICI MEDIA, MODA, MEDIANA, VARIANZA

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

Dettagli

CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI

CAPITOLO 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: )

Dettagli

Tutti gli strumenti vanno tarati

Tutti gli strumenti vanno tarati L'INCERTEZZA DI MISURA Anta Calcatell I.N.RI.M S eseguono e producono msure per prendere delle decson sulla base del rsultato ottenuto, come per esempo se bloccare l traffco n funzone d msure d lvello

Dettagli

Fotogrammetria. O centro di presa. fig.1 Geometria della presa fotogrammetrica

Fotogrammetria. O centro di presa. fig.1 Geometria della presa fotogrammetrica Fotogrammetra Scopo della fotogrammetra è la determnazone delle poszon d punt nello spazo fsco a partre dalla msura delle poszon de punt corrspondent su un mmagne fotografca. Ovvamente, affnché questo

Dettagli

{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo

{ 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

Dettagli

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

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

Dettagli

Strutture deformabili torsionalmente: analisi in FaTA-E

Strutture 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

Dettagli

Scelta dell Ubicazione. di un Impianto Industriale. Corso di Progettazione Impianti Industriali Prof. Sergio Cavalieri

Scelta 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

Dettagli

UNA RASSEGNA SUI METODI DI STIMA DEL VALUE

UNA RASSEGNA SUI METODI DI STIMA DEL VALUE UNA RASSEGNA SUI METODI DI STIMA DEL VALUE at RISK (VaR) Chara Pederzol - Costanza Torrcell Dpartmento d Economa Poltca - Unverstà degl Stud d Modena e Reggo Emla Marzo 999 INDICE Introduzone. Il concetto

Dettagli

Controllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Controllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Controllo e schedulng delle operazon Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Organzzazone della produzone PRODOTTO che cosa ch ORGANIZZAZIONE PROCESSO come FLUSSO DI PRODUZIONE

Dettagli

Il Ministro delle Infrastrutture e dei Trasporti

Il Ministro delle Infrastrutture e dei Trasporti Il Mnstro delle Infrastrutture e de Trasport VISTO l decreto legslatvo 30 aprle 1992, n. 285, come da ultmo modfcato dal decreto legslatvo 18 aprle 2011, n. 59, recante Attuazone delle drettve 2006/126/CE

Dettagli

Esercitazioni del corso: STATISTICA

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

Dettagli

Regressione Multipla e Regressione Logistica: concetti introduttivi ed esempi

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

Dettagli

Questo è il secondo di una serie di articoli, di

Questo è il secondo di una serie di articoli, di DENTRO LA SCATOLA Rubrca a cura d Fabo A. Schreber Il Consglo Scentfco della rvsta ha pensato d attuare un nzatva culturalmente utle presentando n ogn numero d Mondo Dgtale un argomento fondante per l

Dettagli

Corso di laurea in Economia marittima e dei trasporti

Corso di laurea in Economia marittima e dei trasporti Unverstà degl stud d Genova Corso d laurea n Economa marttma e de trasport Il problema del cammno mnmo n ret multobettvo Relatrce: Anna Scomachen Canddato: Slvo Vlla Dedcato a: Coloro che n me Hanno sempre

Dettagli

Errori nel Posizionamento Satellitare

Errori nel Posizionamento Satellitare Error nel Poszonamento Satelltare Tpologe Casual Sstematc o d Modello D Osservazone L accuratezza è stmata come l 1% della lunghezza d onda (Regola Emprca). Codce C/A: ±3 m; Codce P: ±0,3 m; Portant L1,

Dettagli

PARTE II LA CIRCOLAZIONE IDRICA

PARTE II LA CIRCOLAZIONE IDRICA PARTE II LA CIRCOLAZIONE IDRICA La acque d precptazone atmosferca che gungono al suolo scorrono n superfce o penetrano n profondtà dando orgne alla crcolazone, la quale subsce l nfluenza d molt fattor

Dettagli

Introduzione alla Programmazione e Applicazioni per la Finanza M2 (Prodotti Derivati) Lezione 12

Introduzione alla Programmazione e Applicazioni per la Finanza M2 (Prodotti Derivati) Lezione 12 Introduzone alla Programmazone e Applcazon per la Fnanza M2 (Prodott Dervat) Lezone 12 Anno accademco 2006-07 Ttolare corso: Prof. Costanza Torrcell Docente: Dott.ssa Maranna Brunett In partcolare mplementeremo:

Dettagli

La verifica delle ipotesi

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

Dettagli

Laboratorio di Strumentazione e Misura. Cesare Bini

Laboratorio di Strumentazione e Misura. Cesare Bini Laboratoro d Strumentazone e Msura Cesare Bn Corso d laurea n Fsca Anno Accademco 006-007 Quest appunt sono basat sulle lezon del modulo d Laboratoro d Strumentazone e Msura del prmo anno delle lauree

Dettagli

Dai circuiti ai grafi

Dai circuiti ai grafi Da crcut a graf Il grafo è una schematzzazone grafca semplfcata che rappresenta le propretà d nterconnessone del crcuto ad esso assocato Il grafo è costtuto da un nseme d nod e d lat Se lat sono orentat

Dettagli

Lorenzo Di Silvestro.

Lorenzo Di Silvestro. Lorenzo D Slvestro dslvestro@dm.unct.t www.dm.unct.t/~dslvestro Termnologa Text Categorzaton Text Classfcaton Topc Spottng Nasce negl ann 60, ma solo 30 ann dopo dventa un campo dell nformatca, graze a

Dettagli

I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE

I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE Facoltà d Economa Valutazone de prodott e dell mpresa d asscurazone I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE Clauda Colucc Letza Monno Gordano Caporal Martna Ragg I Modell Multstato sono un

Dettagli

Trigger di Schmitt. e +V t

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

Dettagli

Statistica e calcolo delle Probabilità. Allievi INF

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

Dettagli

Aritmetica e architetture

Aritmetica 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

Dettagli

Sviluppo e Applicazioni di Tecniche di Automazione in Fotogrammetria dei Vicini

Sviluppo e Applicazioni di Tecniche di Automazione in Fotogrammetria dei Vicini Unverstà degl Stud d Parma Facoltà d Ingegnera Dottorato d Rcerca n Ingegnera Cvle - XVIII Cclo Currculum: opografa e Cartografa (ICAR/6) Rccardo Roncella Svluppo e Applcazon d ecnche d Automazone n Fotogrammetra

Dettagli

Metastability, Nonextensivity and Glassy Dynamics in a Class of Long Range Hamiltonian Models

Metastability, Nonextensivity and Glassy Dynamics in a Class of Long Range Hamiltonian Models Alessandro Pluchno Metastablty, Nonextensvty and Glassy Dynamcs n a Class of Long Range Hamltonan Models Dscussone Tes per l consegumento del ttolo Febbrao 2005 Tutor: Prof.A.Rapsarda E-mal: alessandro.pluchno@ct.nfn.t

Dettagli

Rilevatore di fumo radio fumonic 3 radio net. Infomazioni per locatari e proprietari

Rilevatore di fumo radio fumonic 3 radio net. Infomazioni per locatari e proprietari Rlevatore d fumo rado fumonc 3 rado net Infomazon per locatar e propretar Congratulazon! Nella vostra abtazone sono stat nstallat rlevator d fumo ntellgent fumonc 3 rado net. In questo modo l locatore

Dettagli

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

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

Dettagli

Lezione 4 - Probabilità totale, Bayes -Alberi LABORATORIO : LANCIO 1 O DUE DADI

Lezione 4 - Probabilità totale, Bayes -Alberi LABORATORIO : LANCIO 1 O DUE DADI 1 LABORATORIO : LANCIO 1 O DUE DADI 2 Fle: dad_guda.xls 3 Fle: dad_guda.xls 4 Fle: dad_guda.xls 5 Fle: dad100.xls 6 Fle: dad100.xls 7 Fle: dad100.xls Tabella d dstrbuzone delle frequenze: CONTROLLI 1/2

Dettagli

Moduli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013

Moduli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013 Modul su un domno a deal prncpal Maurzo Cornalba versone 15/5/2013 Sa A un anello commutatvo con 1. Indchamo con A k l modulo somma dretta d k cope d A. Un A-modulo fntamente generato M s dce lbero se

Dettagli

La regressione. La Regressione. La Regressione. min. min. Var X. X Variabile indipendente (data) Y Variabile dipendente

La 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

Dettagli

Economie di scala, concorrenza imperfetta e commercio internazionale

Economie 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

Dettagli

LE CARTE DI CONTROLLO

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

Dettagli

low-rank smoothing splines su domini con forma inusuale: approssimazioni nonparametriche per estuari e reti di fiumi

low-rank smoothing splines su domini con forma inusuale: approssimazioni nonparametriche per estuari e reti di fiumi eruga 13 gennao 2006 low-rank smoothng splnes su domn con forma nusuale: approssmazon nonparametrche per estuar e ret d fum M. Govanna Ranall Dpartmento d Economa, Fnanza e Statstca, Unverstà degl Stud

Dettagli

I prestiti inglesi vs non-inglesi nell italiano contemporaneo in base alla stampa popolare

I prestiti inglesi vs non-inglesi nell italiano contemporaneo in base alla stampa popolare Katarzyna Śwęcka Unverstà d Varsava Numer 3 (4)/2011 I prestt ngles vs non-ngles nell talano contemporaneo n base alla stampa popolare Sfoglando centnaa d settmanal o mensl cosddett femmnl, ogn lettore

Dettagli

Trasformatore monofase. Le norme definiscono il rendimento convenzionale di un trasformatore come: = + Perdite

Trasformatore monofase. Le norme definiscono il rendimento convenzionale di un trasformatore come: = + Perdite Rendmento l rendmento effettvo d un trasformatore vene defnto come: otenza erogata al carco η otenza assorbta dalla rete 1 1 1 1 Le norme defnscono l rendmento convenzonale d un trasformatore come: η otenza

Dettagli