Metodi MonteCarlo. Sono metodi probabilistici utilizzati per ottenere stime di grandezze d interesse attraverso estrazioni di numeri casuali.

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Metodi MonteCarlo. Sono metodi probabilistici utilizzati per ottenere stime di grandezze d interesse attraverso estrazioni di numeri casuali."

Transcript

1 Metodi MonteCarlo Sono metodi probabilistici utilizzati per ottenere stime di grandezze d interesse attraverso estrazioni di numeri casuali Esempio: stima di Si estraggono coppie (a,b), dove a e b sono 2 numeri uniformemente distribuiti fra 0 e 1. Si calcola: 2 c = a + b 2 Al crescere del N lanci con c< 1 N totale lanci numero dei tende a : area settore circolare area quadrato π = 4 lanci, N estrazioni

2 I metodi probabilistici hanno una lunga storia, ma solo dopo il 1944 è iniziato un loro studio sistematico, che ha portato a notevoli sviluppi. Attualmente si valuta che quasi la metà delle applicazioni del calcolo scientifico ad alte prestazioni (basate sull utilizzo di macchine con architettura avanzata o su sistemi per il calcolo parallelo) utilizzi metodi Monte Carlo o qualche loro versione più recente (i cosiddetti metodi quasi-montecarlo ). Numeri casuali sono utilizzati per costruire simulazioni di natura probabilistica di fenomeni fisici (reattori nucleari, traffico stradale, aerodinamica), per risolvere eq.differenziali alle derivate parziali, in problemi decisionali e finanziari, in informatica (progettazione VLSI, rendering) o come semplice fonte di divertimento (videogiochi). Il successo riscosso da tali tecniche è legato fondamentalmente: - all estrema facilità d uso: non sono praticamente richiesti sviluppi matematici di nessun tipo; - alla possibilità di simulare con facilità il comportamento di sistemi estremamente complessi. Sui metodi MonteCarlo:

3 Generazione di numeri casuali Un problema strettamente collegato all uso di metodi probabilistici è quello della generazione di numeri casuali. L idea stessa di utilizzare un calcolatore (quindi un oggetto che -almeno in teoriaè puramente deterministico e di conseguenza prevedibile), per generare un numero casuale (quindi imprevedibile) sembra costituire una sfida impossibile. In effetti nessun calcolatore è in grado di generare numeri puramente casuali, ma solo numeri pseudo-casuali. Si tratta di numeri generati da algoritmi deterministici in grado di superare una serie di test statistici che conferiscono a tali numeri una apparente casualità. Metodo middle-square Suggerito da John von Neumann nei primi anni dell era dei computer (1946) per generare numeri pseudo-casuali distribuiti in modo uniforme. Il metodo middle-square richiede, come tutti i generatori di numeri casuali, un valore iniziale, detto seme, dal quale vengono generati i successivi valori. Ad esempio: Supponiamo di volere generare un numero casuale di 4 cifre, ossia un numero tra 0000 e A partire da 1234, elevando tale numero al quadrato si hanno le otto cifre , delle quali vengono tenute solo le quattro cifre di mezzo Da queste, ripetendo il procedimento, si ottiene e quindi 3215.

4 Si noti che ogni nuovo numero nella successione è determinato univocamente dal suo predecessore. La successione generata quindi non potrà essere casuale ma avrà solo il carattere di apparente casualità. In particolare, ogni successione di numeri generati da questo algoritmo inizierà a ripetersi prima o poi (appena torno a un n già estratto, da lì ripeto la sequenza; se finisco nell 1 o nello 0, la sequenza diventa costante). Il numero di valori che costituiscono la sequenza che si ripete è detto periodo della sequenza. La lunghezza di tale periodo può essere considerata una misura della bontà del generatore di numeri pseudo-casuali. Sfortunatamente il metodo middle-square può degenerare in sequenze con periodi molto brevi. Ad esempio, a partire dal valore 0 o dall 1 la sequenza ha sempre periodo 1, oppure partendo con 43 e numeri a 2 cifre otteniamo la sequenza 43, 84, 05, 02, 00, 00,...

5 Generatori lineari congruenziali (LGG, Lemer 1948) Il metodo LCG, analogamente al metodo middle-square, ha bisogno di un seme X 0 per inizializzare la successione numerica, che è così definita: x n+1 = (ax n + c) mod m dove a, c ed m sono opportuni numeri interi costanti. Ovviamente x n+1 assume valori interi tra 0, 1, 2,...,m 1. Un esempio: a = 13, c = 0, m = 31, x 0 = 1: , 1. Con tale terna (a,c,m), a prescindere dalla scelta di X 0, tutti i numeri da 1 a 30 (m-1) compaiono 1 e 1 sola volta, poi la sequenza si ripete all ( proprietà del massimo periodo ). La proprietà del massimo periodo non vale per tutte le terne (a, c, m). P.es., scegliendo a = 7, c = 7, m = 10, X 0 il periodo è 4 anziché 10 (per c 0 il massimo periodo è infatti pari a m anziché m-1): , ,. Tra le scelte ad alto m che rispettano la proprietà del massimo periodo, una delle più popolari è: a = 7 5, c = 0, m = (n primo). Questa scelta garantisce un periodo di = numeri pseudo-casuali!

6 Generatori più recenti I generatori di numeri casuali più recenti, come quello incluso nelle versioni di MATLAB successive alla 4^, non sono basati sul metodo LCG. Tali generatori sono una combinazione di operazioni di spostamento di registri e manipolazione sui bit che non richiedono nessuna operazione di moltiplicazione o divisione. Questo nuovo approccio risulta estremamente veloce ed inoltre garantisce periodi di sequenza incredibilmente lunghi. Nelle ultime versioni MATLAB, il periodo è , che ad un milione di numeri casuali al secondo richiederebbe anni (circa volte l età dell universo) prima di ripetersi! Data la coincidenza dell esponente con la data della scoperta dell America, questo generatore viene comunemente chiamato il generatore di Cristoforo Colombo. Sui generatori di numeri pseudo-casuali:

7 Utilizzo dei Metodi MonteCarlo per l analisi di sistemi complessi a N componenti Metodi di tipo Monte Carlo casuale Per ciascun componente, siano note le probabilità di presentazione di ognuno dei suoi stati possibili. Mediante l estrazione di una N-upla di numeri, si definisce direttamente lo stato degli N componenti del sistema (e quindi il suo assetto complessivo) nell istante sotto esame; su tale assetto si svolgono le analisi d interesse (per esempio, nel caso del sistema elettrico, si conteggia l eventuale energia non fornita nella configurazione esaminata). Dopo numerose estrazioni (N-uple), si hanno indicazioni del comportamento medio ed estremo del sistema nell istante analizzato. Ogni estrazione (N-upla) ignora i risultati dell estrazione precedente. Sono metodi adatti allo studio di sistemi senza storia (si analizza un solo istante; se anche si analizzano più istanti, lo si fa per ognuno di essi in maniera indipendente da quelli che cronologicamente lo anticipano). Permettono di valutare solo indici monoparametrici.

8 Metodi di tipo Monte Carlo sequenziale Si utilizzano per simulare, in base all esito di estrazioni casuali, il verificarsi di eventi tipici del funzionamento del sistema. In genere, si tratta delle transizioni di stato dei componenti; in particolare, i guasti e i rientri in servizio (*). Per ciascun componente, si suppone nota la mappa dei tassi di transizione tra stato e stato. Si definisce un orizzonte temporale in esame (es. 1 anno) e una discretizzazione (es. 1 ora). Si ipotizza noto lo stato di ogni componente nell ora 0. Ad ogni ora, mediante l estrazione di una N-upla di numeri, si annotano le eventuali transizioni di stato di ciascun componente rispetto allo stato assunto nell ora precedente (*). Lo stato assunto dal sistema in ogni ora dipende dunque anche da quello estratto nell ora precedente. Identificato l assetto del sistema nell ora in esame, si svolgono le analisi d interesse (per esempio, nel caso del sistema elettrico, si valuta lo scostamento del dispacciamento da quello previsionale e si conteggia l eventuale energia oraria non fornita). Giunti, di ora in ora, fino al termine dell orizzonte temporale, si ottiene una delle possibili evoluzioni annue del sistema, corrispondente a precisi valori degli indici di rischio. Iterando N volte l anno in esame a partire dallo stesso stato iniziale, i diversi esiti delle estrazioni differenziano le traiettorie annue del sistema e con esse i valori annui degli indici di rischio, fornendo così indicazioni sul comportamento medio ed estremo del sistema nell anno analizzato. Sono metodi adatti anche allo studio di sistemi con storia, ma i tempi di calcolo sono maggiori del Monte Carlo casuale (serve un campione più ampio per giungere a convergenza). Permettono di valutare anche indici biparametrici. (*) In più, si possono estrarre i valori assunti da variabili aleatorie come il carico effettivo, la velocità del vento, l apporto idrico,

9 Esempio di calcolo di un indice di rischio () con una tecnica Monte Carlo casuale (analisi dell ora di maggior carico presunto annuo). Modello sbarra. Si può calcolare anche E e R: E E R h = = = 8760 h= h h= 1 h ( C estrazioni con ENF N G) totale estrazioni E

10 o Montecarlo casuale Le tipologie di analisi di affidabilità qui elencate sono tipiche di sistemi verticalm. integrati, dove un unico operatore pianifica (cioè dimensiona e ottimizza) ed esercisce il sistema. Come vedremo, in un contesto liberalizzato, analisi simili sono svolte dall ISO: come verifica di adeguatezza del parco e della rete per definire i quantitativi dei servizi ausiliari di sistema (es. riserva operativa) da acquistare sui rispettivi mercati per la definizione della capacità di transito in sicurezza (TTC) di una certa sezione di rete per la simulazione dell impatto di nuove regole di mercato

11 Utilizzo degli indici di rischio per la pianificazione del sistema o la verifica della sua adeguatezza Criterio del rischio accettabile (detto anche dell affidabilità richiesta) Si definisce, sulla base dell esperienza passata o per confronto con sistemi analoghi, un livello di rischio accettabile,da non superare né in sede di progetto né di verifica. Per esempio: ENF=1 p.p.m. del carico annuo. Criterio del minimo costo totale Si punta alla minimizzazione di una funzione di costo totale. Per esempio, in un sistema verticalmente integrato in cui un unico operatore assume su di sé tutti i costi e li ribalta sulla collettività: C tot = C install + C O&M + C eserc + C rischio In un ottica liberalizzata, un regolatore posto a garanzia dei clienti finali tenderà a introdurre regole di mercato che inducano alla minimizzazione di una funzione di costo del tipo: C tot = P energia *E + P ris *Q ris + C rischio ENF*c ENF dove c ENF è il valore unitario associato all energia non fornita

12 Quale valore economico unitario c ENF assegnare all energia non fornita? 1^ metodo: Valutazioni macroeconomiche PIL Ricchezza annua prodotta dal Paese Carico annuo 300 TWh = kwh c ENF 5 /kwh Per molte realtà industriali è una stima per difetto, perché l assenza di energia elettrica comporta non solo una mancata produzione, ma spesso anche ingenti danni. 2^ metodo: Costo implicito del rischio E un calcolo a posteriori basato su sistemi già esistenti. Dall analisi dell attuale configurazione del sistema, si risale al costo implicitamente assegnato al rischio durante lo sviluppo passato del sistema, nell ipotesi che questo sia dimensionato al meglio. Si suppone nota la dipendenza, dalla riserva r% installata, sia dell ENF che del costo annuo C install +C O&M +C eserc. Si parametrizzano varie curve C rischio =f(r%) per diversi valori di tentativo di c ENF. Si trova quel valore di c ENF per cui il C tot è minimo proprio in corrispondenza dell attuale riserva effettivamente installata.

13 6 /kwh 3 /kwh * Se la riserva effettiva del sistema è il 19% e la curva di C tot che trova il proprio minimo in r=19% è quella con c ENF =6 /kwh, allora tale valore è il costo implicito del rischio Curve tracciate a partire dal punto (r*;ci*+cm*+cf*) storico, variando in aumento e in diminuzione la r% Varie curve c E *ENF tracciate in base a ENF(r%) e assegnando diversi valori di tentativo a c E

Numeri pseudocasuali. Olga Scotti

Numeri pseudocasuali. Olga Scotti Numeri pseudocasuali Generatori di numeri casuali Sono detti numeri pseudo-casuali (in inglese pseudo-random numbers) i numeri generati da un algoritmo deterministico che produce una sequenza con, approssimativamente,

Dettagli

Numeri casuali. Lorenzo Pareschi.

Numeri casuali. Lorenzo Pareschi. Numeri casuali Lorenzo Pareschi http://utenti.unife.it/lorenzo.pareschi/ Dipartimento di Matematica & Centro di Modellistica Calcolo e Statistica (CMCS) Universitá di Ferrara The true logic of this world

Dettagli

Numeri, casualità e simulazioni

Numeri, casualità e simulazioni Numeri, casualità e simulazioni Senza addentrarci troppo in discussioni filosofiche sul significato di casualità, accenneremo ad alcune tra le molteplici applicazioni nelle quali intervengono i cosiddetti

Dettagli

Laboratorio di Calcolo B 67

Laboratorio di Calcolo B 67 Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però

Dettagli

Laboratorio di Calcolo I. Applicazioni : Metodo Monte Carlo

Laboratorio di Calcolo I. Applicazioni : Metodo Monte Carlo Laboratorio di Calcolo I Applicazioni : Metodo Monte Carlo 1 Monte Carlo Il metodo di Monte Carlo è un metodo per la risoluzione numerica di problemi matematici che utilizza numeri casuali. Si applica

Dettagli

Laboratorio di Calcolo B 68

Laboratorio di Calcolo B 68 Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però

Dettagli

Dio non gioca a dadi : Un introduzione al metodo Monte Carlo Orazio Muscato

Dio non gioca a dadi : Un introduzione al metodo Monte Carlo Orazio Muscato Università degli Studi di Catania Dipartimento di Matematica e Informatica Dio non gioca a dadi : Un introduzione al metodo Monte Carlo Orazio Muscato La meccanica quantistica è degna di ogni rispetto,

Dettagli

Generatori di sequenze pseudocasuali. Manuela Aprile Maria Chiara Fumi

Generatori di sequenze pseudocasuali. Manuela Aprile Maria Chiara Fumi Generatori di sequenze pseudocasuali Manuela Aprile Maria Chiara Fumi Indice Concetti base e terminologia Random bit generator Pseudorandom bit generator Cenni di statistica Test Statistici Concetti base

Dettagli

Tecniche di simulazione

Tecniche di simulazione SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di simulazione 8/3/2006 Metodo di Monte Carlo Risoluzione di problemi numerici determinazione parametro F di una popolazione

Dettagli

RICHIAMI DI CALCOLO DELLE PROBABILITÀ

RICHIAMI DI CALCOLO DELLE PROBABILITÀ UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due

Dettagli

CALCOLO NUMERICO. Prof. Di Capua Giuseppe. Appunti di Informatica - Prof. Di Capua 1

CALCOLO NUMERICO. Prof. Di Capua Giuseppe. Appunti di Informatica - Prof. Di Capua 1 CALCOLO NUMERICO Prof. Di Capua Giuseppe Appunti di Informatica - Prof. Di Capua 1 INTRODUZIONE Quando algoritmi algebrici non determinano la soluzione di un problema o il loro «costo» è molto alto, allora

Dettagli

Metodi di Monte Carlo: un'applicazione

Metodi di Monte Carlo: un'applicazione Metodi di Monte Carlo: un'applicazione Metodi di Monte Carlo: definizione Brevi richiami sui concetti base utilizzati Variabile casuale Valore di aspettazione Varianza Densità di probabilità Funzione cumulativa

Dettagli

2.3.1 Generazione di numeri pseudocasuali con distribuzione uniforme

2.3.1 Generazione di numeri pseudocasuali con distribuzione uniforme GENERAZIONE DI OSSERVAZIONI CASUALI 145 2.3 GENERAZIONE DI OSSERVAZIONI CASUALI Una volta determinate le distribuzioni di input, la simulazione dovrà generare durante ogni esecuzione osservazioni casuali

Dettagli

Affidabilità di un generico sistema. L analisi e la sintesi di un qualsiasi sistema complesso possono essere svolte seguendo un approccio di tipo:

Affidabilità di un generico sistema. L analisi e la sintesi di un qualsiasi sistema complesso possono essere svolte seguendo un approccio di tipo: Affidabilità di un generico sistema L analisi e la sintesi di un qualsiasi sistema complesso possono essere svolte seguendo un approccio di tipo: deterministico probabilistico I dati necessari al dimensionamento

Dettagli

Generazione di numeri random. Distribuzioni uniformi

Generazione di numeri random. Distribuzioni uniformi Generazione di numeri random Distribuzioni uniformi I numeri random Per numero random (o numero casuale) si intende una variabile aleatoria distribuita in modo uniforme tra 0 e 1. Le proprietà statistiche

Dettagli

Lezione VIII: Montecarlo

Lezione VIII: Montecarlo Lezione VIII: Montecarlo Laboratorio di Fisica Computazionale 2 (216/217) November 16, 216 Fabrizio Parodi Lezione VIII: Montecarlo November 16, 216 1 / 26 Metodo di Monte Carlo Metodo di Monte Carlo Il

Dettagli

APPUNTI DI STATISTICA INFERENZIALE. Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO

APPUNTI DI STATISTICA INFERENZIALE. Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO APPUNTI DI STATISTICA INFERENZIALE Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO PREREQUISITI VARIABILE ALEATORIA (QUANTITATIVA): è una funzione che associa un numero reale ad ogni

Dettagli

Il metodo Monte Carlo. Numeri (pseudo)casuali. Esempio di transizione al caos. Analisi dati in Fisica Subnucleare. Introduzione al metodo Monte Carlo

Il metodo Monte Carlo. Numeri (pseudo)casuali. Esempio di transizione al caos. Analisi dati in Fisica Subnucleare. Introduzione al metodo Monte Carlo Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa

Dettagli

GENERAZIONE DI NUMERI PSEUDOCASUALI

GENERAZIONE DI NUMERI PSEUDOCASUALI GENERAZIONE DI NUMERI PSEUDOCASUALI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) GENERAZIONE

Dettagli

Teoria dei Fenomeni Aleatori AA 2012/13

Teoria dei Fenomeni Aleatori AA 2012/13 Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri

Dettagli

NUMERI CASUALI E SIMULAZIONE

NUMERI CASUALI E SIMULAZIONE NUMERI CASUALI E SIMULAZIONE NUMERI CASUALI Usati in: statistica programmi di simulazione... Strumenti: - tabelle di numeri casuali - generatori hardware - generatori software DESCRIZIONE DEL PROBLEMA

Dettagli

Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini e Leonardo Bertini. Lezione 6:

Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini e Leonardo Bertini. Lezione 6: Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini e Leonardo Bertini Lezione 6: Combinazioni di variabili aleatorie Algebra delle variabili aleatorie 1/2 Date

Dettagli

5. Analisi dei dati di input

5. Analisi dei dati di input Anno accademico 2007/08 Analisi e scelta dei dati di input Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà

Dettagli

DI IDROLOGIA TECNICA PARTE III

DI IDROLOGIA TECNICA PARTE III FACOLTA DI INGEGNERIA Laurea Specialistica in Ingegneria Civile N.O. Giuseppe T. Aronica CORSO DI IDROLOGIA TECNICA PARTE III Idrologia delle piene Lezione XIX: I metodi indiretti per la valutazione delle

Dettagli

Probabilità e Statistica

Probabilità e Statistica Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando

Dettagli

Scuola di Calcolo Scientifico con MATLAB (SCSM) 2017

Scuola di Calcolo Scientifico con MATLAB (SCSM) 2017 Scuola di Calcolo Scientifico con MATLAB (SCSM) 2017 Palermo 24-28 Luglio 2017 www.u4learn.it Arianna Pipitone Introduzione alla probabilità MATLAB mette a disposizione degli utenti una serie di funzioni

Dettagli

Analisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)

Analisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico

Dettagli

Simulazione. D.E.I.S. Università di Bologna DEISNet

Simulazione. D.E.I.S. Università di Bologna DEISNet Simulazione D.E.I.S. Università di Bologna DEISNet http://deisnet.deis.unibo.it/ Introduzione Per valutare le prestazioni di un sistema esistono due approcci sostanzialmente differenti Analisi si basa

Dettagli

Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 6: Combinazioni di variabili aleatorie

Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 6: Combinazioni di variabili aleatorie Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini ezione 6: Combinazioni di variabili aleatorie Combinazioni di più variabili aleatorie continue Distribuzione

Dettagli

Metodo di Monte Carlo

Metodo di Monte Carlo Il termine metodo di si riferisce a qualsiasi metodo numerico che faccia uso di numeri (random) per risolvere probabilisticamente un problema. Metodi di sono normalmente utilizzati in ambito scientifico

Dettagli

Il metodo Monte Carlo. Esempio di transizione al caos. Numeri (pseudo)casuali. λ 1. Analisi dati in Fisica Subnucleare

Il metodo Monte Carlo. Esempio di transizione al caos. Numeri (pseudo)casuali. λ 1. Analisi dati in Fisica Subnucleare Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa

Dettagli

Probabilità e Statistica

Probabilità e Statistica Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando

Dettagli

Teoria dei Fenomeni Aleatori AA 2012/13

Teoria dei Fenomeni Aleatori AA 2012/13 Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri

Dettagli

Generatori di numeri pseudocasuali

Generatori di numeri pseudocasuali Generatori di numeri pseudocasuali Davide Buffelli, Marco Tramarin, Federico Turrin Università degli Studi di Padova Dipartimento di Ingegneria dell Informazione Algoritmica Avanzata 8 giugno 2017 1 /

Dettagli

Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3

Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows. Immettere Nome utente b## (##

Dettagli

f è una combinazione convessa f con w 1

f è una combinazione convessa f con w 1 SIMULAZIONE Che cosa serve: - un sistema dinamico completamente definito - un orizzonte di simulazione (intervallo di tempo per il quale sono noti gli ingressi) - funzioni di ingresso definite per tutto

Dettagli

Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari"

Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in Scienze e Tecnologie Alimentari Levine, Krehbiel, Berenson Statistica Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari" Unità Integrata Organizzativa

Dettagli

Cenni di teoria dell informazione

Cenni di teoria dell informazione Cenni di teoria dell informazione Gregorio D Agostino 12 Maggio 2017 Cifrario perfetto Un cifrario si dice perfetto se l informazione mutua tra crittogramma e messaggio è nulla: I(M C) = 0 = H(M) H(M

Dettagli

https://www.comune.roma.it/web/it/processi-partecipativi.page Processo partecipativo / Focus Group Progetto di riqualificazione del territorio nel Municipio VIII Disegno di estrazione Nel caso in cui

Dettagli

Variabili aleatorie. Variabili aleatorie e variabili statistiche

Variabili aleatorie. Variabili aleatorie e variabili statistiche Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa

Dettagli

Informazione, Entropia e Probabilità

Informazione, Entropia e Probabilità Informazione, Entropia e Probabilità Alessandro Lenci Università di Pisa, Dipartimento di Linguistica Via Santa Maria, 36, 56100 Pisa, Italy alessandro.lenci@ilc.cnr.it Linguaggio e comunicazione - LO042

Dettagli

Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 3: Variabili aleatorie discrete notevoli

Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 3: Variabili aleatorie discrete notevoli Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 3: Variabili aleatorie discrete notevoli Esperimenti binari ripetuti o esperimenti bernoulliani (Bernoulli

Dettagli

I modelli probabilistici

I modelli probabilistici e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:

Dettagli

Politecnico di Milano Dipartimento di Elettronica e Informazione. - 1 - Introduzione. Laboratorio di Reti di Telecomunicazione

Politecnico di Milano Dipartimento di Elettronica e Informazione. - 1 - Introduzione. Laboratorio di Reti di Telecomunicazione Politecnico di Milano Dipartimento di Elettronica e Informazione - 1 - Introduzione Laboratorio di Reti di Telecomunicazione Programma Introduzione al concetto di simulazione Simulazionediretiditelecomunicazioni

Dettagli

Se la funzione è analiticamente invertibile, estratto q, si può ricavare x = x(q).

Se la funzione è analiticamente invertibile, estratto q, si può ricavare x = x(q). La tecnica Monte Carlo Il metodo Monte Carlo è basato sulla scelta di eventi fisici con una probabilità di accadimento nota a priori. sia p(x) la distribuzione di probabilità con la quale si manifesta

Dettagli

Crittografia Moderna. Segretezza Perfetta: nozioni

Crittografia Moderna. Segretezza Perfetta: nozioni Crittografia Moderna Segretezza Perfetta: nozioni Segretezza perfetta Ci occuperemo di schemi di cifratura perfettamente sicuri Avversari di potere computazionale illimitato confidenzialità / riservatezza

Dettagli

Project Scheduling: PERT. Il PERT ha potenzialità superiori rispetto a quelle di un semplice mezzo per la pianificazione ed il controllo.

Project Scheduling: PERT. Il PERT ha potenzialità superiori rispetto a quelle di un semplice mezzo per la pianificazione ed il controllo. 1. Introduzione Project Scheduling: PERT Il PERT è una tecnica introdotta per la pianificazione ed il controllo di progetti in cui le durate t ij delle singole attività sono delle variabili aleatorie.

Dettagli

Note introduttive alla probabilitá e alla statistica

Note introduttive alla probabilitá e alla statistica Note introduttive alla probabilitá e alla statistica 1 marzo 2017 Presentiamo sinteticamente alcuni concetti introduttivi alla probabilitá e statistica 1 Probabilità e statistica Probabilità: Un modello

Dettagli

Elaborazione statistica di dati

Elaborazione statistica di dati Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:

Dettagli

Analisi degli Errori di Misura. 08/04/2009 G.Sirri

Analisi degli Errori di Misura. 08/04/2009 G.Sirri Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia

Dettagli

Introduzione alla probabilità. Renato Mainetti

Introduzione alla probabilità. Renato Mainetti Introduzione alla probabilità Renato Mainetti Esperimenti sulla probabilità: Vedremo come utilizzare semplici funzioni di matlab per avvicinarci al mondo della probabilità, iniziando così ad introdurre

Dettagli

Modelli probabilistici variabili casuali

Modelli probabilistici variabili casuali Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi

Dettagli

Tipi di variabili. Indici di tendenza centrale e di dispersione

Tipi di variabili. Indici di tendenza centrale e di dispersione Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)

Dettagli

Teoria dei Fenomeni Aleatori AA 2012/13

Teoria dei Fenomeni Aleatori AA 2012/13 Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono

Dettagli

PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE

PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE 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 -

Dettagli

PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE

PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE (da un idea di M. Impedovo Variabili aleatorie continue e simulazione Progetto Alice n. 15, ) 1. La simulazione Nelle schede precedenti

Dettagli

Esercizi di Calcolo delle Probabilità

Esercizi di Calcolo delle Probabilità Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato

Dettagli

LE DISTRIBUZIONI CAMPIONARIE

LE DISTRIBUZIONI CAMPIONARIE LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria

Dettagli

ANALISI DI SERIE TEMPORALI CAOTICHE (1)

ANALISI DI SERIE TEMPORALI CAOTICHE (1) ANALISI DI SERIE TEMPORALI CAOTICHE (1) Problematiche Ricostruzione dello stato Dimensione di embedding C. Piccardi e F. Dercole Politecnico di Milano ver. 28/12/2009 1/15 Per studiare e comprendere appieno

Dettagli

Corso di Statistica. Distribuzioni di probabilità per variabili casuali discrete. Prof.ssa T. Laureti a.a

Corso di Statistica. Distribuzioni di probabilità per variabili casuali discrete. Prof.ssa T. Laureti a.a Corso di Statistica Distribuzioni di probabilità per variabili casuali discrete Prof.ssa T. Laureti a.a. 2013-2014 1 Variabili casuale di Bernoulli La v.c. di Bernoulli trae origine da una prova nella

Dettagli

Il Corso di Fisica per Scienze Biologiche

Il Corso di Fisica per Scienze Biologiche Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 75-585 278 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/

Dettagli

Processi random in natura

Processi random in natura Processi random in natura Esistono in natura processi naturalmente random decadimento radiativo agitazione termica moto di particelle in sospensione Per descrivere questi fenomeni bisogna spesso ricorrere

Dettagli

PASCAL: IL CALCOLO NUMERICO TRATTO DA CAMAGNI-NIKOLASSY, CORSO DI INFORMATICA, VOL. 3, HOEPLI. Informatica

PASCAL: IL CALCOLO NUMERICO TRATTO DA CAMAGNI-NIKOLASSY, CORSO DI INFORMATICA, VOL. 3, HOEPLI. Informatica PASCAL: IL CALCOLO NUMERICO TRATTO DA CAMAGNI-NIKOLASSY, CORSO DI INFORMATICA, VOL. 3, HOEPLI Informatica Il Calcolo Numerico Metodo di Calcolo Numerico Per risolvere problemi del mondo reale con metodi

Dettagli

MODELLISTICA DI IMPIANTI E SISTEMI Syllabus e Testi di Riferimento Prof. Giuseppe Iazeolla

MODELLISTICA DI IMPIANTI E SISTEMI Syllabus e Testi di Riferimento Prof. Giuseppe Iazeolla Syllabus e Testi di Riferimento MIS 1 di 7 MODELLISTICA DI IMPIANTI E SISTEMI Syllabus e Testi di Riferimento Prof. Giuseppe Iazeolla Syllabus da testo 1 (la numerazione fa riferimento ai capitoli del

Dettagli

STATISTICA ESERCITAZIONE 10. Dott. Giuseppe Pandolfo. 26 gennaio 2015

STATISTICA ESERCITAZIONE 10. Dott. Giuseppe Pandolfo. 26 gennaio 2015 STATISTICA ESERCITAZIONE 10 Dott. Giuseppe Pandolfo 26 gennaio 2015 Esercizio 1 Presso uno sportello bancomat persone su 5 fanno operazione di versamento. Si supponga di estrarre (con riposizione) in maniera

Dettagli

Esempi. nel testo di Barone et al.:

Esempi. nel testo di Barone et al.: Applicazioni Esempi nel testo di Barone et al.: Ricerca degli 0 di una funzione mediante il metodo di bisezione e mediante il metodo di Newton (4.3.2) Ricerca dei numeri primi (4.3.3) Problemi di arrotondamento

Dettagli

Metodi Computazionali della Fisica Secondo Modulo: C++

Metodi Computazionali della Fisica Secondo Modulo: C++ Metodi Computazionali della Fisica Secondo Modulo: C++ Seconda Lezione Andrea Piccione () Metodi Comptazionali della Fisica - Secondo Modulo: C++ Milano, 09/1/08 1 / 9 La lezione di oggi Obiettivo: implementare

Dettagli

Matematica e Statistica per Scienze Ambientali

Matematica e Statistica per Scienze Ambientali per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.

Dettagli

IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA

IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale

Dettagli

RENDITE. Ricerca del tasso di una rendita

RENDITE. Ricerca del tasso di una rendita RENDITE Ricerca del tasso di una rendita Un problema che si presenta spesso nelle applicazioni è quello di calcolare il tasso di interesse associato a una rendita quando siano note le altre grandezze 1

Dettagli

L indagine campionaria Lezione 3

L indagine campionaria Lezione 3 Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato

Dettagli

1 Schemi alle differenze finite per funzioni di una variabile

1 Schemi alle differenze finite per funzioni di una variabile Introduzione In questa dispensa vengono forniti alcuni elementi di base per la soluzione di equazioni alle derivate parziali che governano problemi al contorno. A questo scopo si introducono, in forma

Dettagli

Informatica/ Ing. Meccanica/ Edile/ Prof. Verdicchio/ 30/06/2016/ Foglio delle domande / VERSIONE 1

Informatica/ Ing. Meccanica/ Edile/ Prof. Verdicchio/ 30/06/2016/ Foglio delle domande / VERSIONE 1 Informatica/ Ing. Meccanica/ Edile/ Prof. Verdicchio/ 30/06/2016/ Foglio delle domande/ VERSIONE 1 1) In Python, se scrivo v = [ ] in un programma, vuol dire che a) v è un quadrato b) v è un insieme vuoto

Dettagli

L Aritmetica del Calcolatore

L Aritmetica del Calcolatore L Aritmetica del Calcolatore Luca Gemignani luca.gemignani@unipi.it 23 febbraio 2018 Indice Lezione 1: Rappresentazione in Base e Numeri di Macchina. 1 Lezione 2: Aritmetica di Macchina. 3 Lezione 1: Rappresentazione

Dettagli

Lezione 1. 1 Probabilità e statistica. 2 Definizioni di probabilità. Statistica e analisi dei dati Data: 22 Febbraio 2016

Lezione 1. 1 Probabilità e statistica. 2 Definizioni di probabilità. Statistica e analisi dei dati Data: 22 Febbraio 2016 Statistica e analisi dei dati Data: 22 Febbraio 2016 Lezione 1 Docente: Prof. Giuseppe Boccignone Scriba: Nicolò Pisaroni 1 Probabilità e statistica Probabilità: Un modello probabilistico é una descrizione

Dettagli

Cenno sui metodi Monte Carlo

Cenno sui metodi Monte Carlo Cenno sui metodi Monte Carlo I metodi probabilistici hanno una lunga storia ma solo dopo il 1944 è iniziato un loro studio sistematico che ha portato a notevoli sviluppi. Attualmente è stato valutato che

Dettagli

Sperimentazioni di Fisica I mod. A Statistica - Lezione 3

Sperimentazioni di Fisica I mod. A Statistica - Lezione 3 Sperimentazioni di Fisica I mod. A Statistica - Lezione 3 A Garfagnini, M Mazzocco, C Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Teoria della Probabilità L ineliminabile

Dettagli

Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion

Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni

Dettagli

o Si sceglie il modello che meglio si adatta alla realtà osservata, cioè quello per il quale risulta più probabile la realtà osservata.

o Si sceglie il modello che meglio si adatta alla realtà osservata, cioè quello per il quale risulta più probabile la realtà osservata. Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono

Dettagli

Statistica Applicata all edilizia: Stime e stimatori

Statistica Applicata all edilizia: Stime e stimatori Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica

Dettagli

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D) ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Calibrazione intrinseca Spesso risulta utile calibrare la sola componente intrinseca di un sistema di visione (matrice K), e non si dispone di oggetti di forma

Dettagli

Questi appunti costituiscono soltanto una traccia sintetica del Corso di Laboratorio di Fisica, a prescindere dalle opportune spiegazioni e dai

Questi appunti costituiscono soltanto una traccia sintetica del Corso di Laboratorio di Fisica, a prescindere dalle opportune spiegazioni e dai Questi appunti costituiscono soltanto una traccia sintetica del Corso di Laboratorio di Fisica, a prescindere dalle opportune spiegazioni e dai necessari chiarimenti forniti a lezione. 1 MISURA DI UNA

Dettagli

Verifica delle ipotesi

Verifica delle ipotesi Statistica inferenziale Stima dei parametri Verifica delle ipotesi Concetti fondamentali POPOLAZIONE o UNIVERSO Insieme degli elementi cui si rivolge il ricercatore per la sua indagine CAMPIONE Un sottoinsieme

Dettagli

Elaborazione statistica di dati

Elaborazione statistica di dati Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,

Dettagli

Studio dell aleatorietà: : proprietà di indipendenza ed uniformità. Daniela Picin

Studio dell aleatorietà: : proprietà di indipendenza ed uniformità. Daniela Picin Studio dell aleatorietà: : proprietà di indipendenza ed uniformità Daniela Picin TEST TEORICI: studio della media, della varianza e della correlazione del primo ordine, studio della struttura reticolare.

Dettagli

Teoria e tecniche dei test

Teoria e tecniche dei test Teoria e tecniche dei test Lezione 9 LA STANDARDIZZAZIONE DEI TEST. IL PROCESSO DI TARATURA: IL CAMPIONAMENTO. Costruire delle norme di riferimento per un test comporta delle ipotesi di fondo che è necessario

Dettagli

Introduzione. Corso di Tecniche di Simulazione, a.a. 2005/2006. Francesca Mazzia. Dipartimento di Matematica Università di Bari.

Introduzione. Corso di Tecniche di Simulazione, a.a. 2005/2006. Francesca Mazzia. Dipartimento di Matematica Università di Bari. Introduzione Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 6 Marzo 2006 Francesca Mazzia (Univ. Bari) Introduzione 6/03/2006 1 / 23 Introduzione

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2017-2018 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

Modelli descrittivi, statistica e simulazione

Modelli descrittivi, statistica e simulazione Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 25 febbraio 2016 (9.00/13.00)

Dettagli

Teorema del limite centrale TCL

Teorema del limite centrale TCL Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni

Dettagli

Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva

Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Fondamenti di Informatica Ester Zumpano Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Lezione 5 Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di

Dettagli

Laboratorio d'analisi Numerica

Laboratorio d'analisi Numerica Laboratorio d'analisi Numerica Introduzione L analisi numerica è quel ramo della matematica che s'interessa a creare, formulare e sviluppare metodi che permettono, a partire da certi dati, di ottenerne

Dettagli