Il Metodo Monte Carlo è basato sulla generazione di una molteplicità di iterazioni per determinare
|
|
- Camillo Bartoli
- 6 anni fa
- Visualizzazioni
Transcript
1 LA SIMULAZIONE MONTE CARLO NEGLI STUDI ED ANALISI ECONOMICO-AMBIENTALI (Luigi Fanizzi ECOACQUE ) Premessa La simulazione numerica Monte Carlo è un potente metodo probabilistico (da cui il nome del famoso Casinò di giochi) che può essere molto utile in tutti quei problemi di difficile risoluzione analitica. L idea di utilizzare, in modo sistematico, simulazioni di tipo probabilistico, per risolvere un problema di natura fisica, è stata attribuita, formalmente, al matematico polacco Stanislaw Ulam, che fu uno dei personaggi chiave nel progetto americano Manhattan (Los Alamos, New Mexico), per la costruzione della bomba atomica, durante la seconda guerra mondiale (tra il 1943 ed il 1945), anche se, a detta di Emilio Segré, il primo a scoprirlo fu il fisico italiano Enrico Fermi, nei suoi studi romani sul moto dei neutroni, negli anni 30. Nella gestione di un progetto, il Metodo Monte Carlo, può risultare molto utile nel valutare i rischi, così come i tempi ed i costi di diverse impostazioni ad esso associate (S. M. Ross, 2004). Si tratta di una tecnica di analisi statistica che può essere applicata in tutte quelle situazioni in cui ci si trova in presenza di stime di progetto molto incerte, con l obiettivo di ridurne il livello di incertezza attraverso una serie di simulazioni. In tal senso, può essere applicata nell analisi dei tempi, dei costi, dei rischi associati ad un progetto e, quindi, nella valutazione di impatto ambientale (impatto min/max di determinati fattori antropici su una specifica componente naturale). Per ognuna di queste variabili, le simulazioni Monte Carlo non forniscono un unica stima ma un range di possibili stime con, associato a ciascuna stima, il livello di probabilità che quella stima sia accurata (cd livello di confidenza). Per esempio la tecnica può essere utilizzata per determinare il costo complessivo di un progetto attraverso una serie discreta di cicli di simulazione. Nella fase di pianificazione di un progetto vengono individuate le attività che compongono il progetto e viene stimato il costo associato a ciascuna attività. Una volta costruito il Reticolo Logico del Progetto, attraverso la tecnica del Critical Path Method o CPM (tecnica di pianificazione, creata nel 1950, che permette di identificare il sottoinsieme delle attività di progetto che risultano critiche), si può determinare il costo complessivo del progetto. Poiché, però, ci si basa su stime di costi, non si può essere sicuri che questo costo complessivo e, quindi, anche quelli di completamento, siano certi. Si può quindi svolgere un Analisi Monte Carlo. Svolgere una simulazione Monte Carlo richiede, sicuramente, delle conoscenze di base di analisi statistica (sul web è possibile reperire molte applicazioni commerciali e spreadsheet Microsoft Excel di Windows, già predisposti per casistiche specifiche). Alcuni prodotti software di project management evoluti contengono, al proprio interno, strumenti per sviluppare un analisi Monte Carlo di un progetto (Crystal Ball Oracle Overview, ver , GMSL srl; 2014). Nel seguito viene descritta l impostazione di base cui fanno riferimento molti fogli elettronici Excel, tra quelli disponibili in rete, in modo che ne risulti semplificato l utilizzo. Introduzione alla simulazione Monte Carlo Il Metodo Monte Carlo è basato sulla generazione di una molteplicità di iterazioni per determinare il valore atteso di una determinata variabile casuale. Questo può essere ottenuto in MS Excel di Windows, propagando una formula di base, tante volte quante sono quelle richieste dal metodo. UNITA MINIMO MASSIMO A B C D E F TOTALE
2 Ad esempio, si prenda in considerazione un progetto di un impianto di depurazione acque reflue urbane che abbia 6 (sei) stazioni di trattamento specifico (A-defangazione, B-omogeneizzazioneequalizzazione, C-predenitrificazione, D-nitrificazione, E-sedimentazione e F-disinfezione finale). In alcuni casi il costo di una stazione è certo ed è fisso (come, per esempio, il costo unico del trattamento B, espresso in euro, della tabella a fianco). Nella maggior parte dei casi, Invece, una stazione di trattamento ha un costo stimato che varia all interno di uno specifico intervallo (min/max). La distribuzione possibile del costo di ciascun trattamento, comunemente, può avere un andamento di tipo normale oppure uniforme, triangolare, lognormale ovvero discreta. In prima approssimazione, potrà essere assunto che ciascuna variabile casuale x segua, come andamento, una densità di probabilità Normale o Gaussiana, di media e varianza 2, senza compromettere il risultato, ossia (F. P. Borrazzo e P. Perchinunno, 2007): Inoltre, nell esempio, costituito dai 6 tipi di stazioni di trattamento specifico, riportate nella tabella, si assumerà, per semplicità, che il costo di ciascuna sia indipendente da quello delle altre. Pertanto anche il costo totale dell intero impianto costituisce una variabile il cui valore è compreso in un intervallo tra un minimo ed un massimo. Tale variabile sarà distribuita normalmente in quanto somma di variabili random. Per questo motivo non è molto importante definire con precisione il tipo di distribuzione del costo di ciascuna stazione di trattamento. Lo schema generale della simulazione Monte Carlo è il seguente: vengono generati valori random per il costo di ciascuna delle 6 unità di trattamento; questi valori vengono sommati per ciascuna iterazione in modo da arrivare al costo totale del progetto per ciascuna delle iterazioni; il costo atteso del progetto sarà pari alla media dei costi totali prodotti dalle varie iterazioni. Per ottenere questo è necessario calcolare alcuni parametri che consento di garantire l affidabilità del risultato. Tali parametri verranno descritti più avanti. Il primo passaggio è costituito dalla generazione di valori random relativi al costo di ciascuna stazione di trattamento specifico. Assumendo, come detto, una distribuzione normale, in MS Excel può essere utilizzata la funzione CASUALE() per generare valori casuali compresi tra 0 ed 1, che andranno moltiplicati per il Range (cd campo di variazione) di ciascuna variabile (differenza tra valore massimo e valore minimo). Il valore random del costo dell unità A è dato, pertanto, dalla seguente formula: CASUALE() * ( ) La formula genera, quindi, valori casuali distribuiti normalmente e compresi tra e Se viene creata una formula come questa, per ciascuna delle 6 unità, il costo totale del progetto, per ciascuna delle iterazioni, sarà pari alla somma dei valori relativi alle 6 summenzionate unità. Per ottenere il valore atteso del costo, pertanto, occorrerà propagare la formula per il numero di iterazioni necessarie, che verrà calcolato nel paragrafo successivo. La tabella sottoriportata mostra le iterazioni, riferite all esempio che si sta seguendo (righe 5, 6, 7, 8, 9, 10, eccetera). La riga 5 costituisce il modello base che viene propagato. La colonna H presenta il costo totale del progetto per ciascuna iterazione. 2
3 Calcolo del numero di iterazioni di una simulazione Monte Carlo Il metodo Monte Carlo fornisce una stima del valore atteso di una variabile ed è in grado di prevedere anche l errore associato alla stima che è proporzionale al numero di iterazioni (Teorema del limite centrale della legge dei grandi numeri o teorema di Bernoulli). Nella formula successiva è calcolato l errore massimo assoluto ( ) in funzione della deviazione standard ( ) e del numero (N) di iterazioni (A. Rotondi et Al., 2012): = ove: Z = costante (valore fisso), che corrisponde alla variabile casuale normale standardizzata (cd deviata normale standardizzata), che dipende dal livello di fiducia desiderato dalla stima (A. A. Arens et Al., 2006). Livello di significatività [%] Livello di fiducia [%] Deviata normale STD Z [n.p.] , , , , , , , , , , , , ,58 3
4 Pertanto occorre da un lato calcolare la deviazione standard ed ipotizzare una percentuale di errore ritenuta accettabile per ottenere il numero di iterazioni necessarie per rimanere dentro tale valore percentuale. Con riferimento alla tabella sopra riportata, la deviazione standard ( ), può essere calcolata utilizzando la funzione DEV.ST.POP.VALORI di MS Excel : = DEV.ST.POP.VALORI(H2:H3;MEDIA(H2:H3) = 9349 Se si assume un margine massimo di errore ( ), piccolo a piacere e pari al 5 %, il suo valore assoluto si ottiene dividendo per 20 (100/5) la MEDIA tra valore massimo (H3) e valore minimo (H2), del costo totale, attraverso la seguente formula: = [MEDIA(H2:H3)]/20 = 73750/20 = 3688 Pertanto, in questa simulazione Monte Carlo, il numero di iterazioni necessarie N (numerosità campionaria) ad ottenere un risultato, con un livello di fiducia, non inferiore al 95 % (grado di affidabilità della procedura), è pari a 25, come risulta dal seguente calcolo: N = = 25 4
5 Il calcolo di stima, che porta ad assegnare al costo totale, il valore più probabile di (diverso dal valor medio, di 73750, fra massimo e minimo costo), mostra come il metodo AMC porti ad un risultato che evidenzia come sia meno probabile che si verifichino i valori vicini al minimo ed al massimo che quelli vicino al valore più probabile. 5
6 Analizzando, infine, gli indici di forma della distribuzione (D. Morale, 2010), questi indicano che la stessa, rispetto a quella normale ipotizzata (Asimmetria = 0 e Curtosi = 3), ha coda spostata verso destra (Asimmetria > 0) ed è leggermente platicurtica ossia più piatta (Curtosi < 3). 6
7 Vantaggi e svantaggi dell AMC Questa metodologia di simulazione ha alcuni pregi notevoli: 1) è facile da implementare direttamente su calcolatore utilizzando opportuni software; 2) permette di simulare andamenti storici casuali, indipendentemente dalla natura del modello; 3) permette di comprendere meglio i possibili risultati in base alle caratteristiche base di un qualsiasi strumento di gestione economica; 4) toglie l effetto cosiddetto ad hoc quando si fanno dei back test. Per contro le simulazioni Monte Carlo non tengono conto di alcuni effetti che in realtà esistono e ne determinano le caratteristiche strutturali: 1) Gli svantaggi principali sono dovuti al fatto che i generatori di numeri non sono puramente casuali (pseudo-random, generati da opportuni algoritmi, tipo quelli di Marsiglia). Significando, con ciò, che la distribuzione di una sequenza generata, non sarà perfettamente uniforme. 2) Un altro problema è legato alla non ripetibilità della simulazione. La sequenza di numeri casuali generata, infatti, proprio per la casualità del generatore, dovrebbe essere non ripetibile. 7
8 RIFERIMENTI BIBLIOGRAFICI [1] S. M. Ross (2004): Probabilità e statistica, II Edizione, Ed. Maggioli, Rimini; [2] A. A. Arens, R. J. Elder, M. S. Beasley e G. Rusticali (2006): Auditing e servizi di assurance. Un approccio integrato, Ed. Pearson Education, Milano; [3] F. Borrazzo e P. Perchinunno (2007): Analisi statistiche con Excel, Ed. Pearson Education, Milano; [4] D. Morale (2010): Introduzione all utilizzo di Excel per la statistica, Dispensa, Dipartimento di Matematica, Ed. Università degli Studi, Milano; [5] A. Rotondi, P. Pedroni e A. Pievatolo (2012): Probabilità, statistica e simulazione, III, Edizione, Ed. Springer-Verleg, Milano; 8
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## (##
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)
BLAND-ALTMAN PLOT. + X 2i 2 la differenza ( d ) tra le due misure per ognuno degli n campioni; d i. X i. = X 1i. X 2i
BLAND-ALTMAN PLOT Il metodo di J. M. Bland e D. G. Altman è finalizzato alla verifica se due tecniche di misura sono comparabili. Resta da comprendere cosa si intenda con il termine metodi comparabili
Ulteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
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
Capitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
LEZIONI DI STATISTICA MEDICA
LEZIONI DI STATISTICA MEDICA Lezione n.11 - Principi dell inferenza statistica - Campionamento - Distribuzione campionaria di una media e di una proporzione - Intervallo di confidenza di una media e di
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
λ è detto intensità e rappresenta il numero di eventi che si
ESERCITAZIONE N 1 STUDIO DI UN SISTEMA DI CODA M/M/1 1. Introduzione Per poter studiare un sistema di coda occorre necessariamente simulare gli arrivi, le partenze e i tempi di ingresso nel sistema e di
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
PROBABILITÀ ELEMENTARE
Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti
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
STATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
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.
Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
Distribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
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
Laboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
Il modello lineare e l analisi della varianza con
Il modello lineare e l analisi della varianza con Rocco Micciolo Università di Trento http://hostingwin.unitn.it/micciolo/ ANOVA a 1 via La scomposizione della devianza ANOVA a 1 via e modello lineare
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
DISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
Capitolo 6 La distribuzione normale
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
Analisi della varianza
Analisi della varianza Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona ANALISI DELLA VARIANZA - 1 Abbiamo k gruppi, con un numero variabile di unità statistiche.
Distribuzioni campionarie. Antonello Maruotti
Distribuzioni campionarie Antonello Maruotti Outline 1 Introduzione 2 Concetti base Si riprendano le considerazioni fatte nella parte di statistica descrittiva. Si vuole studiare una popolazione con riferimento
tabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
Valutazione dell incertezza di categoria A e B
Valutazione dell incertezza di categoria A e B Il metodo per stimare l incertezza associata ad una misurazione è sancito dalla normativa UNI CEI ENV 13005 Guida all espressione dell incertezza di misura.
Il campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
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
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
Note sulla probabilità
Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15
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
Variabile Casuale Normale
Variabile Casuale Normale Variabile Casuale Normale o Gaussiana E una variabile casuale continua che assume tutti i numeri reali, è definita dalla seguente funzione di densità: 1 f( x) = e σ 2 π ( x µ
Presentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
Distribuzione Gaussiana
Nella maggioranza dei casi (ma non in tutti) facendo un istogramma delle misure acquisite si ottiene una curva a campana detta normale o Gaussiana. G,, G,, d 1 e 2 1 Distribuzione Gaussiana 1 2 = Valor
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
Attività Precedenze Tempo (gg) A - 5 B - 10 C A 3 D B 2 E B 4 F C, D 6 G F, E 3
Partiamo da un Esempio per il calcolo CPM Si parte da una tabella dove si riporta l elenco di tutte le attività da svolgere e vi si esplicitano le relazioni di precedenza tra di esse e i tempi per il loro
Le variabili casuali o aleatorie
Le variabili casuali o aleatorie Intuitivamente un numero casuale o aleatorio è un numero sul cui valore non siamo certi per carenza di informazioni - ad esempio la durata di un macchinario, il valore
Segnalazioni alle prefetture
Segnalazioni alle prefetture Segnalazioni alle prefetture SEGNALAZIONI ALLE PREFETTURE Le segnalazioni alle Prefetture (ai sensi degli art. 75 e 121 del DPR 309/90), per utilizzo o possesso di sostanze
Esercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
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
Statistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
Lezione 12. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 12. A. Iodice.
discrete uniforme Bernoulli Poisson Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 56 Outline discrete uniforme Bernoulli Poisson 1 2 discrete 3
x ;x Soluzione Gli intervalli di confidenza possono essere ottenuti a partire dalla seguente identità: da cui si ricava: IC x ;x = +
ESERCIZIO 6.1 Si considerino i 0 campioni di ampiezza n = estratti da una popolazione X di N = 5 elementi distribuiti normalmente, con media µ = 13,6 e σ = 8,33. A partire dalle 0 determinazioni della
Strumenti di indagine per la valutazione psicologica
Strumenti di indagine per la valutazione psicologica.3 - La distribuzione normale Tempi di reazione Registrati i tempi di reazione (in millisecondi) a uno stimolo (n = 30). Classe Freq Freq relative Densità
Campionamento La statistica media campionaria e la sua distribuzione. Paola Giacomello Dip. Scienze Sociali ed Economiche Uniroma1
Campionamento La statistica media campionaria e la sua distribuzione 1 Definisco il problema da studiare: es. tempo di percorrenza tra abitazione e università Carattere: tempo ossia v.s. continua Popolazione:
Simulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
Capitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
Quanti soggetti devono essere selezionati?
Quanti soggetti devono essere selezionati? Determinare una appropriata numerosità campionaria già in fase di disegno dello studio molto importante è molto Studi basati su campioni troppo piccoli non hanno
Distribuzione Gaussiana - Facciamo un riassunto -
Distribuzione Gaussiana - Facciamo un riassunto - Nell ipotesi che i dati si distribuiscano seguendo una curva Gaussiana è possibile dare un carattere predittivo alla deviazione standard La prossima misura
Il calcolo del VAR operativo mediante la metodologia stocastica parametrica. Simona Cosma
Il calcolo del VAR operativo mediante la metodologia stocastica parametrica Simona Cosma Contenuti Il VAR operativo: inquadramento concettuale La metodologia attuariale EVT (Extreme Value Theory) Il VAR
UNIVERSITÀ DEGLI STUDI DI PERUGIA
SIGI, Statistica II, esercitazione n. 3 1 UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀ DI ECONOMIA CORSO DI LAUREA S.I.G.I. STATISTICA II Esercitazione n. 3 Esercizio 1 Una v.c. X si dice v.c. esponenziale
La variabilità. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione [1/2] Gli indici di variabilità consentono di riassumere le principali caratteristiche di una distribuzione (assieme alle medie) Le
Calcolo delle probabilità e statistica
Grazia Vicario Raffaello Levi Calcolo delle probabilità e statistica per 1ngegner1 - GO... PROGenO 00 LeoNARDO BOLOGNA r r, ) - Universi!a' IU~V Venezia DEPCIA w 1852 BIBLIOTECA G.ASTENGO G. Vicario~ R.
Vedi: Probabilità e cenni di statistica
Vedi: http://www.df.unipi.it/~andreozz/labcia.html Probabilità e cenni di statistica Funzione di distribuzione discreta Istogrammi e normalizzazione Distribuzioni continue Nel caso continuo la probabilità
N.B. Per la risoluzione dei seguenti esercizi, si fa riferimento alle Tabelle riportate alla fine del documento.
N.B. Per la risoluzione dei seguenti esercizi, si fa riferimento alle abelle riportate alla fine del documento. Esercizio 1 La concentrazione media di sostanze inquinanti osservata nelle acque di un fiume
Approssimazione normale alla distribuzione binomiale
Approssimazione normale alla distribuzione binomiale P b (X r) costoso P b (X r) P(X r) per N grande Teorema: Se la variabile casuale X ha una distribuzione binomiale con parametri N e p, allora, per N
Variabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
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
Programma svolto di Matematica Classe: 5^A MM
Docente: Minardi Andrea ISTITUTO DI ISTRUZIONE SUPERIORE G.Cigna G.Baruffi - F. Garelli - MONDOVI ANNO SCOLASTICO 2015/2016 Programma svolto di Matematica Classe: 5^A MM Testo: M.Bergamini-G.Barozzi, Matematica.verde
Ulteriori applicazioni del test del Chi-quadrato (χ 2 )
Ulteriori applicazioni del test del Chi-quadrato (χ 2 ) Finora abbiamo confrontato con il χ 2 le numerosità osservate in diverse categorie in un campione con le numerosità previste da un certo modello
Principali strumenti per lo sviluppo di algoritmi in pascal-like. concetti universali presenti in tutti i linguaggi di programmazione
LABORATORIO DI PROGRAMMAZIONE Corso di laurea in matematica 12 LA COMPLESSITA COMPUTAZIONALE Marco Lapegna Dipartimento di Matematica e Applicazioni Universita degli Studi di Napoli Federico II wpage.unina.it/lapegna
Distribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
Corso di Psicometria Progredito
Corso di Psicometria Progredito 8.3 Introduzione ai test psicologici Punteggi grezzi e Punteggi standardizzati Rif. bibliografico: Boncori, L. (2006). I test in psicologia. Capitolo 3 Gianmarco Altoè Dipartimento
Modellazione di sistemi ingegneristici (parte 2 di 2)
Corso di Teoria dei Sistemi Modellazione di sistemi ingegneristici (parte 2 di 2) Prof. Ing. Daniele Testi DESTeC, Dipartimento di Ingegneria dell Energia, dei Sistemi, del Territorio e delle Costruzioni
Test di ipotesi. Test
Test di ipotesi Test E una metodologia statistica che consente di prendere una decisione. Esempio: Un supermercato riceve dal proprio fornitore l assicurazione che non più del 5% delle mele di tipo A dell
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
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
Dispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
distribuzione normale
distribuzione normale Si tratta della più importante distribuzione di variabili continue, in quanto: 1. si può assumere come comportamento di molti fenomeni casuali, tra cui gli errori accidentali; 2.
STATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 7 11.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Test di indipendenza tra mutabili In un indagine vengono rilevate le informazioni su settore produttivo (Y) e genere (X)
Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota)
STATISTICA (2) ESERCITAZIONE 5 26.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota) Il responsabile del controllo qualità di un azienda che
TEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE
TEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE Errore di misura è la differenza fra l indicazione fornita dallo strumento e la dimensione vera della grandezza. Supponendo che la grandezza vera
Esercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 23/5/2017
Esercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 3/5/017 Contents 1 Intervalli di confidenza 1 Intervalli su un campione 1.1 Intervallo di confidenza per la media................................
TOPOGRAFIA 2013/2014. Prof. Francesco-Gaspare Caputo
TOPOGRAFIA 2013/2014 L operazione di misura di una grandezza produce un numero reale che esprime il rapporto della grandezza stessa rispetto a un altra, a essa omogenea, assunta come unità di misura. L
UNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
le scale di misura scala nominale scala ordinale DIAGNOSTICA PSICOLOGICA lezione si basano su tre elementi:
DIAGNOSTICA PSICOLOGICA lezione! Paola Magnano paola.magnano@unikore.it si basano su tre elementi: le scale di misura sistema empirico: un insieme di entità non numeriche (es. insieme di persone; insieme
LE MISURE. attendibilità = x i - X
LE MISURE COCETTI PRELIMIARI: MISURA, ATTEDIBILITÀ, PRECISIOE, ACCURATEZZA Il modo corretto di fornire il risultato di una qualunque misura è quello di dare la migliore stima della quantità in questione
problemi di assegnazione
problemi di assegnazione I problemi di assegnazione fanno parte dei problemi lineari. I problemi di assegnazione (o problemi di assegnamento) sono quei problemi di ricerca operativa in cui bisogna assegnare
Gli errori nella verifica delle ipotesi
Gli errori nella verifica delle ipotesi Nella statistica inferenziale si cerca di dire qualcosa di valido in generale, per la popolazione o le popolazioni, attraverso l analisi di uno o più campioni E
Elementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 04-Grafici delle distribuzioni vers. 1.0 (17 ottobre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA La distribuzione di probabilità e un modello matematico, uno schema di riferimento, che ha caratteristiche note e che può essere utilizzato per rispondere a delle domande derivate
LA DISTRIBUZIONE NORMALE
LA DISTRIBUZIONE NORMALE Italo Nofroni Statistica medica - Facoltà di Medicina Sapienza - Roma La più nota ed importante distribuzione di probabilità è, senza alcun dubbio, la Distribuzione normale, anche
Intervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
PROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
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
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
Modelli e Metodi per la Simulazione (MMS)
Modelli e Metodi per la Simulazione (MMS) adacher@dia.uniroma3.it Programma La simulazione ad eventi discreti, è una metodologia fondamentale per la valutazione delle prestazioni di sistemi complessi (di
Distribuzione normale
Distribuzione normale istogramma delle frequenze di un insieme di misure relative a una grandezza che varia con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
Statistica. Esercitazione 10. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice. V.C.
uniforme Bernoulli binomiale di Esercitazione 10 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 55 Outline uniforme Bernoulli binomiale di 1 uniforme 2 Bernoulli 3 4
Teoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
Sommario. 2 I grafici Il sistema di coordinate cartesiane Gli istogrammi I diagrammi a torta...51
Sommario 1 I dati...15 1.1 Classificazione delle rilevazioni...17 1.1.1 Esperimenti ripetibili (controllabili)...17 1.1.2 Rilevazioni su fenomeni non ripetibili...18 1.1.3 Censimenti...19 1.1.4 Campioni...19
Statistica Metodologica Avanzato Test 1: Concetti base di inferenza
Test 1: Concetti base di inferenza 1. Se uno stimatore T n è non distorto per il parametro θ, allora A T n è anche consistente B lim Var[T n] = 0 n C E[T n ] = θ, per ogni θ 2. Se T n è uno stimatore con
Grafici e tabelle permettono di fare valutazioni qualitative, non quantitative. E necessario poter sintetizzare i dati attraverso due importanti
Grafici e tabelle permettono di fare valutazioni qualitative, non quantitative. E necessario poter sintetizzare i dati attraverso due importanti indici : Indici di posizione Indici di variazione Indici
Autorità per le Garanzie nelle Comunicazioni
Autorità per le Garanzie nelle Comunicazioni METODO PER IL RENDERING DEI DIAGRAMMI DI IRRADIAZIONE VERTICALI BASATO SUI DATI PREVISTI DALLE SPECIFICHE DI FORMATO DEL CATASTO AGCOM 1. Premessa Per calcolare
DISTRIBUZIONI DI CAMPIONAMENTO
DISTRIBUZIONI DI CAMPIONAMENTO 12 DISTRIBUZIONE DI CAMPIONAMENTO DELLA MEDIA Situazione reale Della popolazione di tutti i laureati in odontoiatria negli ultimi 10 anni, in tutte le Università d Italia,
Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura
INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI
Campionamento di variabili aleatorie. Andrea Marin Università Ca' Foscari Venezia Corso di Probabilità e Statistica a.a. 2009/2010
Campionamento di variabili aleatorie Andrea Marin Università Ca' Foscari Venezia Corso di Probabilità e Statistica a.a. 2009/2010 Premessa Soluzione della prima esercitazione: l'analisi teorica Richiami: