COORDINAMENTO E GESTIONE DI PROGETTI COMPLESSI

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "COORDINAMENTO E GESTIONE DI PROGETTI COMPLESSI"

Transcript

1 COORDINAMENTO E GESTIONE DI PROGETTI COMPLESSI 1. - Formulazione del problema Supponiamo di dover organizzare e gestire un progetto complesso, quale puó essere la costruzione di un edificio, oppure la progettazione, produzione e lancio sul mercato di un nuovo prodotto, la realizzazione di un nuovo servizio, di un nuovo farmaco o di una nuova arma. La realizzazione del progetto puó essere scomposta nella esecuzione di un numero finito di attivitá relativamente indipendenti, nel senso che la responsabilitá della loro esecuzione puó essere affidata ad una unitá decisionale autonoma all interno dell organizzazione, o addirittura data in subappalto ad un impresa esterna all organizzazione, e l esecuzione stessa viene affidata a maestranze specializzate in quella particolare attivitá. Tra le diverse attivitá esistono delle relazioni di precedenza, nel senso che una qualunque di esse puó iniziare solo dopo che sono state terminate altre attivitá che la precedono. Ad esempio, se vogliamo costruire un edificio, non possiamo realizzare l impianto elettrico se non sono state scavate le fondamenta, non é stato realizzato il rustico, non sono stati costruiti i muri divisori interni, ecc. Inoltre supponiamo che di ogni attivitá si possa conoscere o si possa stimare la durata, cioé il tempo necessario per la sua esecuzione. Se il progetto é stato sufficientemente sperimentato in passato, la durata delle attivitá puó essere conosciuta con sufficiente attendibilitá, al punto da essere considerata certa. Se invece il progetto viene sperimentato per la prima volta o é stato sperimentato poche volte, allora la durata delle attivitá é una variabile aleatoria di cui si puó solo immaginare una distribuzione di probabilitá. Consideriamo dapprima il caso in cui tali tempi sono certi; vedremo piú avanti come trattare il caso in cui le durate sono aleatorie. Ci si pone allora i seguenti problemi. (1 Organizzare e coordinare le diverse attivitá in modo che, (nel rispetto dei vincoli di precedenza tra le diverse attivitá e dei vincoli sulla loro durata, l intero progetto venga completato nel minimo tempo possibile. (2 Schedulare le attivitá del progetto, cioé determinare per ogni attivitá il minimo inizio, (cioé l istante prima del quale l attivitá non puó iniziare senza violare qualche vincolo di precedenza o qualche vincolo sulla durata delle attivitá precedenti, e il massimo inizio, cioé l istante dopo il quale l attivitá non puó iniziare se vogliamo che il progetto si concluda nel tempo minimo. (3 Individuare i colli di bottiglia, cioé le attivitá in cui il minimo ritardo comporta un ritardo a cascata in tutte le attivitá successive, e quindi un ritardo nella conclusione del progetto. Queste attivitá sono dette le attivitá critiche del progetto; le altre attivitá sono invece dette non critiche, poiché, entro certi margini, un ritardo nella loro conclusione non comporta un ritardo nella conclusione del progetto. Evidentemente, conoscere le attivitá critiche e non critiche é estremamente importante, perché é possibile eventualmente distogliere risorse (umane, di capitali, macchine, ecc. dalle attivitá non critiche alle attivitá critiche, in modo da essere sicuri che non si verifichino ritardi nelle attivitá critiche. (4 Individuare un cammino critico, cioé una sequenza ordinata di attivitá critiche consecutive, ciascuna delle quali inizia non appena é terminata quella precedente, sicché la somma delle loro durate rappresenta la durata minima dell intero progetto. Per affrontare i suddetti problemi si utilizza una metodologia detta CPM, (che é un acronimo per Critical Path Method, consistente nel rappresentare il progetto come un grafo. Solitamente le attivitá rappresentano gli archi del grafo, le durate delle attivitá sono le lunghezze degli archi, e i nodi sono gli istanti in cui sono terminate tutte le attivitá precedenti e possono iniziare quelle successive. Negli ultimi anni ha preso piede un approccio alternativo, in cui le attivitá sono rappresentate dai nodi del grafo, le durate delle attivitá sono i pesi dei nodi e gli archi sono le relazioni di precedenza tra le attivitá. Seguiremo questo secondo approccio detto AON, (Activities On Nodes, piuttosto che il tradizionale approccio AOA, (Activities On Arcs. 1

2 2 n Il Critical Path Method Consideriamo dunque un progetto complesso e alle attivitá proprie del progetto aggiungiamo due attivitá fittizie, che diremo inizio del progetto e conclusione del progetto; alle relazioni di precedenza tra le attivitá effettive del progetto, aggiungiamo le relazioni: - l inizio del progetto precede tutte le attivitá senza predecessori, - la conclusione del progetto segue tutte le attivitá senza successori. Siano dunque a 0, a 1, a 2,..., a n le attivitá del progetto e supponiamo di averle numerate in modo che - a 0 é l attivitá fittizia inizio del progetto, a n é l attivitá fittizia conclusione del progetto, - se l attivitá a i precede l attivitá a j, allora risulta i < j. Consideriamo il grafo G = (N, A, dove l insieme dei nodi é N = {a 0, a 1, a 2,..., a n } e l insieme degli archi é A = {(a i, a j N N a i precede a j }. Per ogni i = 1, 2,... n 1 sia T (i la durata dell attivitá a i ; l attivitá fittizie a 0 ed a n avranno ovviamente durata 0, e dunque T (0 = T (n = 0. Evidentemente G é un grafo orientato pesato, con pesi sui nodi; il grafo é senza cicli, ed in esso a 0 é l unica sorgente ed a n é l unica destinazione. Per ogni i = 0, 1, 2,..., n poniamo: F B(i = minimo inizio dell attivitá a i, F E(i = minima fine dell attivitá a i, LB(i = massimo inizio dell attivitá a i senza pregiudicare la conclusione del progetto nel tempo minimo, LE(i = massima fine dell attivitá a i senza pregiudicare la conclusione del progetto nel tempo minimo. La durata minima del progetto é dunque F E(n e ad essa si giunge facilmente attraverso un procedimento ricorsivo. Infatti, dal momento che nessuna attivitá puó iniziare prima che siano terminate tutte le attivitá precedenti, per ogni j = 1, 2,... n deve aversi (1 F B(j = max{f E(i : a i precede a j }, F E(j = F B(j + T (j. Ebbene, avendo supposto che i < j se a i precede a j, é evidente che ponendo F B(0 = LE(0 = 0 ed applicando la (1 in maniera ricorsiva si ricavano nell ordine: F B(1 ed F E(1, F B(2 ed F E(2,......, F B(n = F E(n = durata minima del progetto. D altra parte, nessuna attivitá puó finire dopo l inizio di quelle successive; perció, se vogliamo che la conclusione del progetto non venga ritardata, allora, per ogni i = 0, 1, 2,... n 1, deve aversi (2 LE(i = min{lb(j : a i precede a j }, LB(i = LE(i T (i. Ebbene, se vogliamo che il progetto non sia ritardato, occorre che sia LB(n = LE(n = F B(n = F E(n; di qui, applicando la (2 in maniera ricorsiva retrograda, si calcolano LE(n 1 ed LB(n 1, LE(n 2 ed LB(n 2, LE(0 ed LB(0. A questo punto, si puó calcolare, per ogni i = 0, 1,... n, lo scorrimento dell attivitá a i : SCORR(i = LB(i F B(i = LE(i LB(i, cioé il massimo ritardo che si puó avere nell inizio dell attivitá a i senza che la conclusione del progetto venga ritardata. Le attivitá che hanno uno scorrimento nullo sono attivitá critiche, perché devono necessariamente iniziare nell istante F B(i, altrimenti il progetto verrebbe ritardato. Le attivitá che hanno uno scorrimento maggiore di 0 sono non critiche, perché potrebbero iniziare in un qualunque istante compreso tra F B(i e LB(i senza che l intero progetto venga ritardato.

3 Per trovare un cammino critico, cioé una sequenza ordinata di attivitá critiche consecutive, ciascuna delle quali inizia non appena é terminata quella precedente, per ogni j = 1, 2,..., n sia h j l indice di un attivitá immediatamente precedente l attivitá a j, cioé tale che 3 F E(h j = max{f E(i : a i precede a j } = F B(j. Ebbene, se l attivitá a j é critica, anche l attivitá a hj é critica. Infatti, in caso contrario, si avrebbe LB(h j > F B(h j e quindi LE(h j > F E(h j = F B(j; ne seguirebbe che l attivitá a j potrebbe iniziare all istante LE(h j > F B(j senza ritardare la conclusione del progetto, e quindi sarebbe non critica. Pertanto se, nella fase in cui si calcola iterativamente il minimo inizio e la minima fine di ogni attivitá, si memorizza anche in un vettore P RED l attivitá a hj che precede la generica attivitá a j, allora da tale vettore potremo alla fine ricavare il cammino critico. Infatti, ovviamente l attivitá a n é un attivitá critica, e quindi é l ultima attivitá del cammino critico; ne segue che P RED(n sará la penultima attivitá del cammino critico, e il suo predecessore sará la terzultima attivitá del cammino critico, e cosí via fino a giungere all attivitá a 0 che sará la prima attivitá del cammino critico. Possiamo formalizzare quanto detto sotto forma di algoritmo: Algoritmo CPM (0 (Inizializzazione - Si memorizzano le attivitá a 0, a 1,..., a n ordinate in modo che i < j se a i precede a j. Si memorizzano le relazioni di precedenza mediante la matrice P tale che : { 1 se ai precede a j P (i, j = 0 altrimenti per ogni i, j. Si memorizzano le durate delle attivitá attraverso un vettore T IME tale che T IME(i = durata dell attivitá a i per ogni i = 0, 1,..., n. Si pone F B(i = 0, F E(i = 0, P RED(i = 0 per ogni i = 0, 1,..., n. (1 (Fase dell avanzamento - Si pone j = 0 e si esegue il ciclo: finché j < n si pone j = j + 1 e si esegue il ciclo: per i = 0, 1,..., j 1 si esegue: se P (i, j = 1 ed F E(i > F B(j, allora si pone F B(j = F E(i, P RED(j = i; alla fine del ciclo si pone F E(j = F B(j + T IME(j. (2 (Fase dell arretramento - Si pone LB(n = F B(n, LE(n == F E(n, SCORR(n = 0, i = n e si esegue il ciclo: finché i > 0 si pone i = i 1 e si esegue il ciclo: per j = i + 1, i + 2,..., n si esegue: se P (i, j = 1 ed LB(j < LE(i, allora si pone LE(i = LB(j; alla fine del ciclo si pone LB(i = LE(i T IME(i, SCORR(i = LB(i F B(i. (3 (Ricerca del cammino critico - Per ogni i = 0, 1, 2,..., n si pone LABEL(i = 0. Si pone LAST = n, LABEL(LAST = 1 e si esegue il ciclo: finché LAST 0 si pone LAST = P RED(LAST, LABEL(LAST = 1. Alla fine dell esecuzione dell algoritmo, tutti i dati raccolti possono essere organizzati in una tabella; la prima colonna contiene le diverse attivitá, le altre colonne sono nell ordine i vettori T IM E, F B, F E, P RED, LB, LE, SCORR, LABEL.

4 4 Da essa si ricava per ogni attivitá a i : (1 il minimo inizio e la minima fine; (2 massimo inizio e la massima fine compatibile con la conclusione del progetto in tempo minimo, (3 se l attivitá é critica o meno, (a seconda che risulti SCORR(i = 0 oppure SCORR(i > 0, (4 se fa parte del cammino critico o meno, (a seconda che risulti LABEL(i = 1 oppure LABEL(i = 0. Se il precedente algoritmo viene modificato ponendo F B(0 = F E(0 = data (o istante di inizio effettivo del progetto, (invece che F B(0 = F E(0 = 0, allora l algoritmo fornirá di ogni attivitá a i le date (o gli istanti F B(i e F E(i prima del quale l attivitá non puó iniziare e finire, e le date (o gli istanti LB(i e LE(i entro cui l attivitá deve iniziare e terminare, altrimenti l intero progetto verrebbe ritardato. In questo caso la durata minima del progetto sará data da F B(n F B(0. Questi dati possono anche essere rappresentati graficamente mediante i cosidetti diagrammi di Gantt. Tali diagrammi si ottengono fissando un riferimento cartesiano su una retta, su cui si rappresenta il tempo. Su tale retta si rappresenta il cammino critico, mediante una sequenza di segmenti adiacenti, aventi per estremi i punti di ascissa uguale all inizio e alla fine di ciascuna attivitá del cammino critico. Tale retta viene replicata piú volte per rappresentarvi le altre attivitá che si svolgono contemporaneamente a quelle del cammino critico. Le attivitá critiche vengono rappresentate da segmenti aventi per estremi i punti di ascissa uguale all inizio e alla fine dell attivitá. Invece un attivitá non critica a i viene rappresentata da un segmento di lunghezza T IME(i che puó scorrere tra i punti di ascissa F B(i e LE(i e questo viene ottenuto segnando con tratto continuo il segmento i cui estremi hanno ascissa F B(i e F E(i e con tratto discontinuo il segmento i cui estremi hanno ascissa F E(i e LE(i Il PERT Consideriamo ora il caso in cui il progetto non é sufficientemente sperimentato, sicché non si puó conoscere con sufficiente attendibilitá la durata di ciascuna attivitá; tale durata é pertanto una variabile aleatoria, poiché le cause dei ritardi nella sua esecuzione sono non prevedibili e quindi casuali. In questo caso l incertezza viene controllata nel modo seguente: (1 per ogni attivitá a i si chiede al responsabile di quell attivitá (o a un team di esperti di indicare: un tempo ottimistico T O(i che rappresenta la durata prevista se tutto va per il verso giusto, un tempo pessimistico T P (i che rappresenta la durata prevista se tutto va storto, un tempo piú probabile T M(i che rappresenta la durata giudicata piú probabile; (2 sulla base di questi dati si assume che la durata T (i dell attivitá a i sia una variabile aleatoria il cui valore atteso sia T O(i + T P (i + 4T M(i E(T (i = = 1 ( T O(i + T P (i T M(i, (il che significa che alla stima del tempo piú probabile si dá peso doppio rispetto alla media aritmetica tra tempo ottimistico e tempo pessimistico, e la cui varianza sia ( T P (i T O(i 2. σ 2 (T (i = 6 Si calcola dunque il valore atteso e la varianza delle durate di tutte le attivitá del progetto, dopo di che ci si comporta come se, per ogni attivitá a i, la durata attesa dell attivitá a i fosse una durata certa. Di conseguenza, con il procedimento descritto nell algoritmo CPM, si calcolano, di ogni attivitá a i, - il minimo inizio atteso F B(i e la minima fine attesa F E(i, - il massimo inizio atteso LB(i e la massima fine attesa LE(i compatibilmente con la conclusione del progetto in tempo minimo, - lo scorrimento atteso SCORR(i = LE(i F E(i.

5 5 Si trovano cosí le attivitá che molto probabilmente saranno attivitá critiche o non critiche e dunque le attivitá a i1, a i2,..., a ik che molto probabilmente faranno parte del cammino critico. Ció fatto, si osserva che il progetto sará terminato solo quando sono state completate tutte le attivitá del cammino critico; ne segue che la variabile aleatoria T = durata minima del progetto sará data da T = T (i 1 + T (i T (i k = somma delle durate delle attivitá critiche. A questo punto si suppone che le durate delle varie attivitá siano variabili aleatorie statisticamente indipendenti, cioé si suppone che le cause di possibili ritardi nella conclusione di un attivitá siano indipendenti da quelle che possono ritardare la conclusione delle altre attivitá. Se ne deduce che il valore atteso e la varianza della variabile aleatoria T coincide con la somma dei valori attesi e delle varianze delle durate delle attivitá del cammino critico: E(T = E(T (i 1 + E(T (i E(T (i k, σ 2 (T = σ 2 (T (i 1 + σ 2 (T (i σ 2 (T (i k. Si ottiene cosí il valore atteso e la varianza della variabile aleatoria T =durata minima del progetto. Infine si fa ricorso al teorema del limite centrale per approssimare la variabile aleatoria T = T (i 1 + T (i T (i k con una variabile aleatoria con distribuzione normale. Naturalmente l errore dell approssimazione é tanto piú piccolo quanto piú grande é il numero k degli addendi, e quindi quanto piú grande é il numero totale n delle attivitá del progetto, cioé quanto piú complesso é il progetto. La conclusione é dunque che la durata del progetto é approssimativamente la variabile aleatoria con distribuzione normale, di valore atteso E(T e varianza σ 2 (T. Dalle tavole della distribuzione normale standardizzata Z, (cioé con valore atteso 0 e varianza 1, si puó allora ottenere una stima della probabilitá che il progetto sia concluso entro un tempo τ > 0: ( T E(T P (T τ = P τ E(T ( = P Z τ E(T, o nell intervallo temporale [τ 1, τ 2 ]: ( τ1 E(T P (τ 1 T τ 2 = P T E(T τ 2 E(T ( τ1 E(T = P Z τ 2 E(T. Naturalmente se il cammino critico non é unico, allora la lunghezza attesa dei cammini critici é la stessa, perché coincide in ogni caso con F B(n = F E(n. Peró, due diversi cammini critici possono avere diversa varianza; in tal caso, (per motivi di prudenza, si deve prendere in considerazione il cammino critico che presenta la massima varianza complessiva, cioé la massima incertezza.

IL PROBLEMA DELLO SHORTEST SPANNING TREE

IL PROBLEMA DELLO SHORTEST SPANNING TREE IL PROBLEMA DELLO SHORTEST SPANNING TREE n. 1 - Formulazione del problema Consideriamo il seguente problema: Abbiamo un certo numero di città a cui deve essere fornito un servizio, quale può essere l energia

Dettagli

Esercizi di Programmazione del progetto

Esercizi di Programmazione del progetto Esercizi di Programmazione del progetto 1. Un progetto è costituito da tre attività tra loro non legate da vincoli di precedenza. Rappresentarlo con un reticolo americano ed europeo. L attività a dura

Dettagli

CPM - PERT CPM - PERT. Rappresentazione di un progetto. Gestione di un progetto. Critical Path Method Project Evaluation and Review Technique

CPM - PERT CPM - PERT. Rappresentazione di un progetto. Gestione di un progetto. Critical Path Method Project Evaluation and Review Technique CPM - PERT CPM - PERT CPM e PERT sono metodologie per la gestione di progetti composti da più attività in cui esistano relazioni di precedenza. Critical Path Method Project Evaluation and Review Technique

Dettagli

APPUNTI SUI METODI PERT-C.P.M.

APPUNTI SUI METODI PERT-C.P.M. APPUNTI SUI METODI PERT-C.P.M. (corso di ricerca operativa) A cura di: Antonio Scalera 1 PERT/C.P.M. I metodi Pert e C.P.M. studiano lo sviluppo di un progetto attraverso la programmazione delle attività

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

Appunti sulla Macchina di Turing. Macchina di Turing

Appunti sulla Macchina di Turing. Macchina di Turing Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso

Dettagli

Le tecniche di scheduling (1)

Le tecniche di scheduling (1) Le tecniche di scheduling (1) Sono la base di tutto il processo di pianificazione, e fornisco al management gli elementi per decidere come utilizzare le risorse per raggiungere gli obiettivi di costo e

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

Dettagli

Schedulazione delle attività di un progetto in presenza di multi-calendari e di vincoli sulle risorse

Schedulazione delle attività di un progetto in presenza di multi-calendari e di vincoli sulle risorse Schedulazione delle attività di un progetto in presenza di multi-calendari e di vincoli sulle risorse Maria Silvia Pini Resp. accademico: Prof.ssa Francesca Rossi Università di Padova Attività FSE DGR

Dettagli

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0 Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice

Dettagli

Schedulazione delle attività di un progetto in presenza di multi-calendari

Schedulazione delle attività di un progetto in presenza di multi-calendari Schedulazione delle attività di un progetto in presenza di multi-calendari Maria Silvia Pini Resp. accademico: Prof.ssa Francesca Rossi Università di Padova Attività FSE DGR 1102/2010 La gestione dell

Dettagli

Sequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione

Sequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione Sequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione presentato in questo file trova la seq. a costo minimo per

Dettagli

Relazioni statistiche: regressione e correlazione

Relazioni statistiche: regressione e correlazione Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica

Dettagli

PERT e CPM Cenni storici

PERT e CPM Cenni storici CPM e PERT PERT e CPM Le tecniche CPM (Critical Path Method) e PERT (Program Evaluation and Review Technique) consentono lo sviluppo del programma di un progetto attraverso la programmazione delle attività

Dettagli

Statistica. Lezione 6

Statistica. Lezione 6 Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante

Dettagli

Insegnamento di Gestione e Organizzazione dei Progetti A.A. 2008/9

Insegnamento di Gestione e Organizzazione dei Progetti A.A. 2008/9 Insegnamento di Gestione e Organizzazione dei Progetti A.A. 2008/9 Lezione 11: valutazione costi diagramma di PERT Prof.ssa R. Folgieri email: folgieri@dico.unimi.it folgieri@mtcube.com 1 Da ricordare:

Dettagli

Sono casi particolari di MCF : SPT (cammini minimi) non vi sono vincoli di capacità superiore (solo x ij > 0) (i, j) A : c ij, costo di percorrenza

Sono casi particolari di MCF : SPT (cammini minimi) non vi sono vincoli di capacità superiore (solo x ij > 0) (i, j) A : c ij, costo di percorrenza Il problema di flusso di costo minimo (MCF) Dati : grafo orientato G = ( N, A ) i N, deficit del nodo i : b i (i, j) A u ij, capacità superiore (max quantità di flusso che può transitare) c ij, costo di

Dettagli

Prova di autovalutazione Prof. Roberta Siciliano

Prova di autovalutazione Prof. Roberta Siciliano Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.

Dettagli

Massimo Paolucci (paolucci@dist.unige.it) DIST Università di Genova. Metodi per supportare le decisioni relative alla gestione di progetti

Massimo Paolucci (paolucci@dist.unige.it) DIST Università di Genova. Metodi per supportare le decisioni relative alla gestione di progetti Project Management Massimo Paolucci (paolucci@dist.unige.it) DIST Università di Genova Project Management 2 Metodi per supportare le decisioni relative alla gestione di progetti esempi sono progetti nell

Dettagli

Statistiche campionarie

Statistiche campionarie Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle

Dettagli

Soluzione dell esercizio del 2 Febbraio 2004

Soluzione dell esercizio del 2 Febbraio 2004 Soluzione dell esercizio del 2 Febbraio 2004 1. Casi d uso I casi d uso sono riportati in Figura 1. Figura 1: Diagramma dei casi d uso. E evidenziato un sotto caso di uso. 2. Modello concettuale Osserviamo

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

Metodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo

Metodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo Metodi statistici per l economia (Prof. Capitanio) Slide n. 9 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 TEST D IPOTESI Partiamo da un esempio presente sul libro di testo.

Dettagli

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione) Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso

Dettagli

SISTEMI DI NUMERAZIONE E CODICI

SISTEMI DI NUMERAZIONE E CODICI SISTEMI DI NUMERAZIONE E CODICI Il Sistema di Numerazione Decimale Il sistema decimale o sistema di numerazione a base dieci usa dieci cifre, dette cifre decimali, da O a 9. Il sistema decimale è un sistema

Dettagli

Analisi di Protocolli

Analisi di Protocolli Analisi di Protocolli Elenco di protocolli d accesso I principali protocolli di accesso si possono dividere in:. protocolli deterministici (accesso ordinato);. protocolli ad accesso casuale (o a contesa).

Dettagli

LEZIONE n. 5 (a cura di Antonio Di Marco)

LEZIONE n. 5 (a cura di Antonio Di Marco) LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,

Dettagli

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi

Dettagli

MATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010

MATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010 elementi di teoria dei grafi anno acc. 2009/2010 Grafi semplici Un grafo semplice G è una coppia ordinata (V(G), L(G)), ove V(G) è un insieme finito e non vuoto di elementi detti vertici o nodi di G, mentre

Dettagli

Viene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita?

Viene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Viene lanciata una moneta. Se esce testa vinco 00 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Osserviamo che il valore della vincita dipende dal risultato dell esperimento

Dettagli

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -

Dettagli

A intervalli regolari ogni router manda la sua tabella a tutti i vicini, e riceve quelle dei vicini.

A intervalli regolari ogni router manda la sua tabella a tutti i vicini, e riceve quelle dei vicini. Algoritmi di routing dinamici (pag.89) UdA2_L5 Nelle moderne reti si usano algoritmi dinamici, che si adattano automaticamente ai cambiamenti della rete. Questi algoritmi non sono eseguiti solo all'avvio

Dettagli

f(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da

f(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede

Dettagli

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi. Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:

Dettagli

Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco

Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Alfonso Iodice D Enza April 26, 2007 1...prima di cominciare Contare, operazione solitamente semplice, può diventare complicata se lo scopo

Dettagli

Gestione della memoria centrale

Gestione della memoria centrale Gestione della memoria centrale Un programma per essere eseguito deve risiedere in memoria principale e lo stesso vale per i dati su cui esso opera In un sistema multitasking molti processi vengono eseguiti

Dettagli

RETI DI TELECOMUNICAZIONE

RETI DI TELECOMUNICAZIONE RETI DI TELECOMUNICAZIONE SISTEMI M/G/1 e M/D/1 Sistemi M/G/1 Nei sistemi M/G/1: i clienti arrivano secondo un processo di Poisson con parametro λ i tempi di servizio hanno una distribuzione generale della

Dettagli

Ingegneria del Software MINR. Giuseppe Santucci. 04 B - Esercitazione sui diagrammi Pert e Gantt. Gradi di libertà

Ingegneria del Software MINR. Giuseppe Santucci. 04 B - Esercitazione sui diagrammi Pert e Gantt. Gradi di libertà Ingegneria del Software MINR Giuseppe Santucci 4 - sercitazione sui diagrammi Pert e Gantt 4 xpertgantt. Gradi di libertà I. I. I.a I.b I.c I.4 4 xpertgantt. Obbiettivo dell esercitazione Stabilire le

Dettagli

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004 Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 200 Esercizio 1 Tre apparecchiature M 1, M 2 e M 3 in un anno si guastano, in maniera indipendente, con probabilità

Dettagli

Cluster. Vicino alla temperatura critica gli spin formano grandi gruppi (cluster)

Cluster. Vicino alla temperatura critica gli spin formano grandi gruppi (cluster) Cluster Vicino alla temperatura critica gli spin formano grandi gruppi (cluster) all interno di ogni gruppo è molto improbabile riuscire a flippare uno spin perché ci sarebbe una grande perdita di energia,

Dettagli

Verranno descritti di seguito brevemente gli algoritmi di calcolo utilizzati per l interpretazione nei tre metodi inseriti all interno del programma.

Verranno descritti di seguito brevemente gli algoritmi di calcolo utilizzati per l interpretazione nei tre metodi inseriti all interno del programma. 3. Teoria Verranno descritti di seguito brevemente gli algoritmi di calcolo utilizzati per l interpretazione nei tre metodi inseriti all interno del programma. 3.1 Metodo convenzionale (metodo del tempo

Dettagli

Note su quicksort per ASD 2010-11 (DRAFT)

Note su quicksort per ASD 2010-11 (DRAFT) Note su quicksort per ASD 010-11 (DRAFT) Nicola Rebagliati 7 dicembre 010 1 Quicksort L algoritmo di quicksort è uno degli algoritmi più veloci in pratica per il riordinamento basato su confronti. L idea

Dettagli

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................

Dettagli

Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo

Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo L. De Giovanni G. Zambelli 1 Problema del flusso a costo minimo Il problema del flusso a costo minimo é definito

Dettagli

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe

Dettagli

IL PROBLEMA DELLE SCORTE

IL PROBLEMA DELLE SCORTE IL PROBLEMA DELLE SCORTE Un problema di Ricerca Operativa, di notevole interesse pratico, è il problema della gestione delle scorte, detto anche di controllo delle giacenze di magazzino. Esso riguarda

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. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

Probabilità discreta

Probabilità discreta Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che

Dettagli

Statistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice

Statistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice Esercitazione 15 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 18 L importanza del gruppo di controllo In tutti i casi in cui si voglia studiare l effetto di un certo

Dettagli

Il significato della MEDIA e della MEDIANA in una raccolta di dati numerici

Il significato della MEDIA e della MEDIANA in una raccolta di dati numerici Il significato della MEDIA e della MEDIANA in una raccolta di dati numerici Ogni qual volta si effettua una raccolta di dati di tipo numerico è inevitabile fornirne il valore medio. Ma che cos è il valore

Dettagli

Prof. Silvio Reato Valcavasia Ricerche. Il piano cartesiano

Prof. Silvio Reato Valcavasia Ricerche. Il piano cartesiano Il piano cartesiano Per la rappresentazione di grafici su di un piano si utilizza un sistema di riferimento cartesiano. Su questo piano si rappresentano due rette orientate (con delle frecce all estremità

Dettagli

1. Distribuzioni campionarie

1. Distribuzioni campionarie Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie

Dettagli

UNA LEZIONE SUI NUMERI PRIMI: NASCE LA RITABELLA

UNA LEZIONE SUI NUMERI PRIMI: NASCE LA RITABELLA UNA LEZIONE SUI NUMERI PRIMI: NASCE LA RITABELLA Tutti gli anni, affrontando l argomento della divisibilità, trovavo utile far lavorare gli alunni sul Crivello di Eratostene. Presentavo ai ragazzi una

Dettagli

IL PROCESSO TECNICO DI SCHEDULAZIONE: TEMPI E COSTI DI UN PROJECT LABORATORIO INTEGRATO DI COSTRUZIONE E PRODUZIONE LEZIONE 4

IL PROCESSO TECNICO DI SCHEDULAZIONE: TEMPI E COSTI DI UN PROJECT LABORATORIO INTEGRATO DI COSTRUZIONE E PRODUZIONE LEZIONE 4 IL PROCESSO TECNICO DI SCHEDULAZIONE: TEMPI E COSTI DI UN PROJECT UNA VOLTA CREATA LA WBS E, QUINDI, INDIVIDUATA CIASCUNA PARTE ELEMENTARE DEL PROJECT, SI PASSA ALLA SCHEDULAZIONE CHE CONSISTE NELL ASSEGNARE

Dettagli

La distribuzione Gaussiana

La distribuzione Gaussiana Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione

Dettagli

Programmazione dinamica

Programmazione dinamica Capitolo 6 Programmazione dinamica 6.4 Il problema della distanza di edit tra due stringhe x e y chiede di calcolare il minimo numero di operazioni su singoli caratteri (inserimento, cancellazione e sostituzione)

Dettagli

Siamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.

Siamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo. DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti

Dettagli

9. Urti e conservazione della quantità di moto.

9. Urti e conservazione della quantità di moto. 9. Urti e conservazione della quantità di moto. 1 Conservazione dell impulso m1 v1 v2 m2 Prima Consideriamo due punti materiali di massa m 1 e m 2 che si muovono in una dimensione. Supponiamo che i due

Dettagli

Macchine a stati finiti G. MARSELLA UNIVERSITÀ DEL SALENTO

Macchine a stati finiti G. MARSELLA UNIVERSITÀ DEL SALENTO Macchine a stati finiti 1 G. MARSELLA UNIVERSITÀ DEL SALENTO Introduzione Al più alto livello di astrazione il progetto logico impiega un modello, la cosiddetta macchina a stati finiti, per descrivere

Dettagli

Algoritmi e strutture dati. Codici di Huffman

Algoritmi e strutture dati. Codici di Huffman Algoritmi e strutture dati Codici di Huffman Memorizzazione dei dati Quando un file viene memorizzato, esso va memorizzato in qualche formato binario Modo più semplice: memorizzare il codice ASCII per

Dettagli

13. Campi vettoriali

13. Campi vettoriali 13. Campi vettoriali 1 Il campo di velocità di un fluido Il concetto di campo in fisica non è limitato ai fenomeni elettrici. In generale il valore di una grandezza fisica assegnato per ogni punto dello

Dettagli

Macchine a stati finiti. Sommario. Sommario. M. Favalli. 5th June 2007

Macchine a stati finiti. Sommario. Sommario. M. Favalli. 5th June 2007 Sommario Macchine a stati finiti M. Favalli 5th June 27 4 Sommario () 5th June 27 / 35 () 5th June 27 2 / 35 4 Le macchine a stati si utilizzano per modellare di sistemi fisici caratterizzabili mediante:

Dettagli

ESEMPIO 1: eseguire il complemento a 10 di 765

ESEMPIO 1: eseguire il complemento a 10 di 765 COMPLEMENTO A 10 DI UN NUMERO DECIMALE Sia dato un numero N 10 in base 10 di n cifre. Il complemento a 10 di tale numero (N ) si ottiene sottraendo il numero stesso a 10 n. ESEMPIO 1: eseguire il complemento

Dettagli

LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di

LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di STATISTICA LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di oggetti; cerca, attraverso l uso della matematica

Dettagli

GRANDEZZE SINUSOIDALI

GRANDEZZE SINUSOIDALI GRANDEE SINUSOIDALI INDICE -Grandezze variabili. -Grandezze periodiche. 3-Parametri delle grandezze periodiche. 4-Grandezze alternate. 5-Grandezze sinusoidali. 6-Parametri delle grandezze sinusoidali.

Dettagli

Sommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi.

Sommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. Algoritmi 1 Sommario Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. 2 Informatica Nome Informatica=informazione+automatica. Definizione Scienza che si occupa dell

Dettagli

REALTÀ E MODELLI SCHEDA DI LAVORO

REALTÀ E MODELLI SCHEDA DI LAVORO REALTÀ E MODELLI SCHEDA DI LAVORO Bagaglio a mano Le regole per il bagaglio a mano di diverse compagnie aeree stabiliscono che la valigia (o borsa) deve avere un peso massimo di 5 kg e che la somma dei

Dettagli

Testo alla base del Pitgame redatto dal prof. Yvan Lengwiler, Università di Basilea

Testo alla base del Pitgame redatto dal prof. Yvan Lengwiler, Università di Basilea Testo alla base del Pitgame redatto dal prof. Yvan Lengwiler, Università di Basilea Funzionamento di un mercato ben organizzato Nel Pitgame i giocatori che hanno poche informazioni private interagiscono

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2004

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2004 ESAME DI STAT DI LICE SCIENTIFIC CRS SPERIMENTALE P.N.I. 004 Il candidato risolva uno dei due problemi e 5 dei 0 quesiti in cui si articola il questionario. PRBLEMA Sia la curva d equazione: ke ove k e

Dettagli

Energia potenziale elettrica

Energia potenziale elettrica Energia potenziale elettrica Simone Alghisi Liceo Scientifico Luzzago Novembre 2013 Simone Alghisi (Liceo Scientifico Luzzago) Energia potenziale elettrica Novembre 2013 1 / 14 Ripasso Quando spingiamo

Dettagli

Sistemi di Servizio e Simulazione

Sistemi di Servizio e Simulazione Sistemi di Servizio e Simulazione Soluzioni degli esercizi di esame proposti negli appelli dell a.a.2004-05 Sono stati distribuiti sul sito web i testi di tre appelli di esame dell anno accademico 2004-05:

Dettagli

Esercizi di Ricerca Operativa II

Esercizi di Ricerca Operativa II Esercizi di Ricerca Operativa II Raffaele Pesenti January 12, 06 Domande su utilità 1. Determinare quale è l utilità che un giocatore di roulette assegna a 100,00 Euro, nel momento che gioca tale cifra

Dettagli

Parte II Indice. Operazioni aritmetiche tra valori rappresentati in binario puro. Rappresentazione di numeri con segno

Parte II Indice. Operazioni aritmetiche tra valori rappresentati in binario puro. Rappresentazione di numeri con segno Parte II Indice Operazioni aritmetiche tra valori rappresentati in binario puro somma sottrazione Rappresentazione di numeri con segno modulo e segno complemento a 2 esercizi Operazioni aritmetiche tra

Dettagli

Work Breakdown Structure Diagramma di Gantt PERT/CPM

Work Breakdown Structure Diagramma di Gantt PERT/CPM Work Breakdown Structure Diagramma di Gantt PERT/CPM C. Noè WBS Si tratta di uno strumento di supporto alla scomposizione analitica di un progetto in tutte le sue parti. Ciò facilita l attribuzione di

Dettagli

Scheduling. Sistemi Operativi e Distribuiti A.A. 2004-2005 Bellettini - Maggiorini. Concetti di base

Scheduling. Sistemi Operativi e Distribuiti A.A. 2004-2005 Bellettini - Maggiorini. Concetti di base Scheduling Sistemi Operativi e Distribuiti A.A. 2-25 Bellettini - Maggiorini Concetti di base Il massimo utilizzo della CPU si ottiene mediante la multiprogrammazione Ogni processo si alterna su due fasi

Dettagli

I SISTEMI TRIFASI B B A N B B

I SISTEMI TRIFASI B B A N B B I SISTEMI TRIFSI ITRODUZIOE Un sistema polifase consiste in due o più tensioni identiche, fra le quali esiste uno sfasamento fisso, che alimentano, attraverso delle linee di collegamento, dei carichi.

Dettagli

Alessandro Pellegrini

Alessandro Pellegrini Esercitazione sulle Rappresentazioni Numeriche Esistono 1 tipi di persone al mondo: quelli che conoscono il codice binario e quelli che non lo conoscono Alessandro Pellegrini Cosa studiare prima Conversione

Dettagli

Trasformazioni Geometriche 1 Roberto Petroni, 2011

Trasformazioni Geometriche 1 Roberto Petroni, 2011 1 Trasformazioni Geometriche 1 Roberto etroni, 2011 Trasformazioni Geometriche sul piano euclideo 1) Introduzione Def: si dice trasformazione geometrica una corrispondenza biunivoca che associa ad ogni

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

4. Operazioni aritmetiche con i numeri binari

4. Operazioni aritmetiche con i numeri binari I Numeri Binari 4. Operazioni aritmetiche con i numeri binari Contare con i numeri binari Prima di vedere quali operazioni possiamo effettuare con i numeri binari, iniziamo ad imparare a contare in binario:

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

Dettagli

Inferenza statistica. Statistica medica 1

Inferenza statistica. Statistica medica 1 Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella

Dettagli

Forze come grandezze vettoriali

Forze come grandezze vettoriali Forze come grandezze vettoriali L. Paolucci 23 novembre 2010 Sommario Esercizi e problemi risolti. Per la classe prima. Anno Scolastico 2010/11 Parte 1 / versione 2 Si ricordi che la risultante di due

Dettagli

2. Leggi finanziarie di capitalizzazione

2. Leggi finanziarie di capitalizzazione 2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M

Dettagli

ELEMENTI DI DEMOGRAFIA

ELEMENTI DI DEMOGRAFIA ELEMENTI DI DEMOGRAFIA 2. Caratteristiche strutturali della popolazione Posa Donato k posa@economia.unisalento.it Maggio Sabrina k s.maggio@economia.unisalento.it UNIVERSITÀ DEL SALENTO DIP.TO DI SCIENZE

Dettagli

Traccia di soluzione dell esercizio del 25/1/2005

Traccia di soluzione dell esercizio del 25/1/2005 Traccia di soluzione dell esercizio del 25/1/2005 1 Casi d uso I casi d uso sono in Figura 1. Ci sono solo due attori: il Capo officina e il generico Meccanico. Figura 1: Diagramma dei casi d uso. 2 Modello

Dettagli

Macchine a stati finiti. Sommario. Sommario. M. Favalli. Le macchine a stati si utilizzano per modellare di sistemi fisici caratterizzabili mediante:

Macchine a stati finiti. Sommario. Sommario. M. Favalli. Le macchine a stati si utilizzano per modellare di sistemi fisici caratterizzabili mediante: Sommario Macchine a stati finiti M. Favalli Engineering Department in Ferrara 4 Sommario (ENDIF) Analisiesintesideicircuitidigitali / 35 (ENDIF) Analisiesintesideicircuitidigitali 2 / 35 4 Le macchine

Dettagli

Onestà di un dado. Relazione sperimentale

Onestà di un dado. Relazione sperimentale Onestà di un dado Relazione sperimentale La valutazione dell onesta di un qualunque dado a n facce è svolta mediante l analisi statistica di un set di tiri del medesimo ed il confronto con i valori teorici.

Dettagli

Tecniche Reticolari. Problema: determinare l istante di inizio di ogni attività in modo che la durata complessiva del progetto sia minima

Tecniche Reticolari. Problema: determinare l istante di inizio di ogni attività in modo che la durata complessiva del progetto sia minima Project Management Tecniche Reticolari Metodologie per risolvere problemi di pianificazione di progetti Progetto insieme di attività A i di durata d i, (=,...,n) insieme di relazioni di precedenza tra

Dettagli

Capitolo 13: L offerta dell impresa e il surplus del produttore

Capitolo 13: L offerta dell impresa e il surplus del produttore Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:

Dettagli

PROVA FINALE V. AULETTA G. PERSIANO ALGORITMI II - -MAGIS INFO

PROVA FINALE V. AULETTA G. PERSIANO ALGORITMI II - -MAGIS INFO PROVA FINALE V. AULETTA G. PERSIANO ALGORITMI II - -MAGIS INFO 1. Load Balancing Un istanza del problema del load balancing consiste di una sequenza p 1,..., p n di interi positivi (pesi dei job) e un

Dettagli

Esercizi su lineare indipendenza e generatori

Esercizi su lineare indipendenza e generatori Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

Microeconomia, Esercitazione 3 Effetto reddito, sostituzione, variazione compensativa, domanda di mercato, surplus del consumatore.

Microeconomia, Esercitazione 3 Effetto reddito, sostituzione, variazione compensativa, domanda di mercato, surplus del consumatore. Microeconomia, Esercitazione 3 Effetto reddito, sostituzione, variazione compensativa, domanda di mercato, surplus del consumatore. Dott. Giuseppe Francesco Gori Domande a risposta multipla ) Se nel mercato

Dettagli

Coordinazione Distribuita

Coordinazione Distribuita Coordinazione Distribuita Ordinamento degli eventi Mutua esclusione Atomicità Controllo della Concorrenza 21.1 Introduzione Tutte le questioni relative alla concorrenza che si incontrano in sistemi centralizzati,

Dettagli

Ottimizzazione Multi Obiettivo

Ottimizzazione Multi Obiettivo Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali

Dettagli

Informatica. Rappresentazione dei numeri Numerazione binaria

Informatica. Rappresentazione dei numeri Numerazione binaria Informatica Rappresentazione dei numeri Numerazione binaria Sistemi di numerazione Non posizionali: numerazione romana Posizionali: viene associato un peso a ciascuna posizione all interno della rappresentazione

Dettagli

GEOMETRIA DELLE MASSE

GEOMETRIA DELLE MASSE 1 DISPENSA N 2 GEOMETRIA DELLE MASSE Si prende in considerazione un sistema piano, ossia giacente nel pian x-y. Un insieme di masse posizionato nel piano X-Y, rappresentato da punti individuati dalle loro

Dettagli

Che differenza c è tra una richiesta XML ed una domanda XML? (pag. 4)

Che differenza c è tra una richiesta XML ed una domanda XML? (pag. 4) FAQ INVIO DOMANDE CIGO CON FLUSSO XML Cosa serve per inviare una domanda CIGO con il flusso XML? (pag. 2) Come si prepara una domanda in formato XML? (pag. 3) Che differenza c è tra una richiesta XML ed

Dettagli