MODELLI PER DATI SU RETICOLO (LATTICE DATA)
|
|
- Gina Grasso
- 8 anni fa
- Visualizzazioni
Transcript
1 Schema degl argoment trattat MODELLI PER DATI SU RETICOLO (LATTICE DATA) -Indc global d autocorrelazone; -Defnzone d strutture d vcnato -Modell SAR -Modell CAR 2 Dat su retcolo S ntendono dat su aree (regolar e rregolar). S consdera l processo spazale { Z( s) : s D} Il domno D={s,s 2,,s n } è fsso e dscreto (non casuale e numerable). St spazal sono rfert ad aree o regon. Quando le forme sono rregolar: dat regonal L attrbuto Z può essere contnuo o dscreto. I dat sono dpendent: a) dat osservat n st vcn tendono ad assumere valor sml (autocorrelazone postva) o valor dfferent (autocorrelazone spazale negatva) b) la dpendenza tra due osservazon decresce al crescere della dstanza tra punt d osservazone 3 Matrc d prossmtà L elemento (,)-esmo della matrce d prossmtà spazale W, ndcato con w, quantfca la dpendenza spazale tra le regon e e consderate conguntamente, le w costtuscono una struttura d vcnato sull ntera area consderata. Caso pù semplce: matrce d connettvtà bnara w se le regon e sono confnant = altrment Essa conduce ad una matrce W smmetrca, nfatt w =w e s fssa w =. 4
2 Matrc d prossmtà Estensone, coè l dea che l vcnato ncluda regon che sono vcne e non solo adacent. In questo caso le regon con w = sono chamat q-nearest neghbors della regone. In questo caso la matrce d prossmtà non è necessaramente smmetrca w se l centrodedellaregone è uno de q = pù vcnal centrodedellaregone altrment 5 Matrc d prossmtà Invece d defnre un certo numero d vcn, possamo defnre vcn come funzone parametrca della dstanza. Per esempo se d ndca la dstanza (Eucldea, o n altre metrche) tra centrod delle regon e, s possono defnre: w se d < = δ altrment -α d α > = altrment Per qualche potenza α. Entramb gl approcc conducono a matrc smmetrche. Un altro esempo: defnre una struttura d vcnato basata sulla frazone de confn condvs delle regon. w l = l se le regon e altrment dove l è la lunghezza del confne tra e e l è l permetro della 6 regone. Matrce W non smmetrca w sono confnant Indc global d autocorrelazone Msura d somglanza de valor ne st e con pes che tengono conto della vcnanza tra st. w smlar w Meda pesata tra le somglanze tra le osservazon spazal. Due matrc d nteresse: quella de pes e quella de valor d somglanza. C è arbtraretà su come s scelgono queste due matrc. La msura d smlartà dpende dalle varabl casual che defnscono le osservazon. Indce d Moran (95) E una varazone del test del rapporto d verosmglanze ed è uno de mglor test per modell d correlazone partcolar sotto la normaltà dstrbutva della varable casuale. sml = ( Z( s ) Z )( Z( s ) Z ) Il tutto è dvso per la varanza camponara osservata nelle Z(s ). w ( Z( s ) Z)( Z( s ) Z) I = 2 σ w I è una varable casuale avente dstrbuzone defnta dalle dstrbuzon e dalle nterazon spazal. E(I)=-/(N-). 7 Se I>E(I) allora st vcn tendono ad essere sml. La correlazone spazale è postva e aumenta n funzone d I-E(I). 8
3 9 Indce d Geary In questo caso la proposta è d una msura d smlartà del tpo: Il rapporto d contgutà d Geary: Anche c è una varable casuale con E(c)=. Se c>e(c) st sono conness ad altr con valor dssml. c= perfetta correlazone spazale postva c= ndpendenza spazale c=2 perfetta correlazone spazale negatva 2 ( ( ) ( )) sml Z s Z s = 2 2 ( ( ) ( )) 2 ( ( ) ) w Z s Z s N c w Zs Z = 2 c Esemp d dat su retcolo (dsponbl su R) Pacchetto R spdep SIDS (rsposta unvarata su retcolo rregolare) Cresse, 993 dataset ncsds d R Studo la dstrbuzone terrtorale delle mort nfantl mprovvse n North Carolna ( valor sono contegg), organzzazone de dat che segue la geografa della zona (rregolare). PEPPER FIELD (rsposta bnara su retcolo regolare) Chadoeuf et al, 992 (fle pepper.txt) Altr dataset Prma fase: rappresentazone grafca de dat SIDS SIDS DATA NORTHING EASTING number of SIDS SIDS DATA 979 square root transformed NOTHING EASTING number of SIDS 2 PEPPER FIELD DISEASE INCIDENCE Pepper data x y
4 Strutture d vcnato (Besag, 974) la struttura d vcnato defnsce l modo con cu st sono conness tra loro s defnsce un grafo non orentato G=(V,W) dove V è l retcolo e W è una matrce smmetrca, bnara, d dmenson n n e con elemento generco w Esemp d vcnato ) Connessone della torre Grafo non orentato y vcnato della torre Besag (974): Spatal nteracton and the statstcal analyss of lattce systems (wth dscusson). J.R. Statstcal Socety B, 36, x 3 4 2) Connessone della regna Grafo non orentato 3) connessone della torre d ordne e 2 connessone della torre vcn fno al secondo ordne vcnato della regna y x 5 6
5 Sed d contee n North Carolna (retcolo rregolare) Il grafo non orentato per l North Carolna con 4 vcn Grafo del vcnato NN k=4 per dat SIDS y 5 5 north x 7 east 8 Il grafo non orentato per l North Carolna con 8 vcn Grafo del vcnato NN k=8 per dat SIDS Note su dat su retcolo S deve tener conto che non è possble osservare una realzzazone del processo tra due punt nel retcolo. north Vengono propost metod semplc per modellare la struttura d probabltà d Z(s). Per semplctà Z(s) vene consderata unvarata. Per dat d tpo geostatstco vale che: Krgng assume che s campon da una superfce contnua e lo scopo è prevedere n st n cu non c sono osservazon. Per dat su retcolo non c sono obettv d tpo prevsvo. Funzon d covaranza spazale sono basate sulla dstanza tra osservazon. Qund l concetto d dstanza deve essere rvsto per dat lattce east 9 2
6 Strutture spazal Strutture d larga scala Vettore delle mede per dat su retcolo Strutture d pccola scala Pes del vcnato per process su retcolo 2 Obettv dell anals spazale per dat su retcolo Quantfcare la natura dell assocazone tra una varable spazale rsposta, Z(s), e un nseme d covarate spazal. Z(s)=X(s)β+ε(s) Le usual assunzon fatte sul modello d regressone classco vengono a mancare (n partcolare quella sull ncorrelazone de resdu). C s avvcna al concetto de modell autoregressv d sere storche. S ncorpora (nel modello d regressone) l dea d smlartà spazale trattando le osservazon della varable rsposta ne st del domno come covarate agguntve del modello con parametr che msurano l assocazone spazale. Il modello autoregressvo nduce una struttura d covaranza partcolare per la dstrbuzone congunta d varabl. 22 Obettv dell anals spazale per dat su retcolo Le assunzon che sono alla base de modell autoregressv spazal sono: la dpendenza tra le osservazon (se esste) è d tpo lneare; nessuna osservazone è predcble con certezza conoscendo solo qualcuna delle altre. In generale modell AutoRegressv spazal possono essere vst come caso partcolare de modell lnear. La partcolartà rsede n come vene costruta la matrce V. Due approcc alla modellazone de dat su retcolo SAR: Smultaneos AutoRegressve model CAR: Condtonal AutoRegressve model Entramb quest modell vengono vst rfert ad una dstrbuzone gaussana (modello auto-normale) 23 24
7 SAR: Smultaneous AutoRegressve Models A partre dal modello: Z( s ) = X( s )' β + ε ( s ) l modello SAR ncorpora l approcco autoregressvo scrvendo la struttura d errore come: N ε ( s ) = bε ( s ) + ν ( s ) = dove: -b = non regredsce ε(s ) su se stesso; -b rappresentano parametr d dpendenza spazale, poché ess msurano l contrbuto delle altre osservazon (ε(s ), ) alla varazone d ε(s ) -ν(s ) sono termn d errore ndpendent e a meda nulla ~(,σ 2 I). SAR: Smultaneous AutoRegressve Models Il modello della forma: Zs ( ) = Xs ( )' β + ε( s) = Xs ( )' β + b ε( s) + vs ( ) Caso partcolare: tutt b = samo nel caso d modello d regressone con error ncorrelat. Se s usa la relazone ε ( s) = Z( s) X( s)' β, sosttuendo s ha: Zs ( ) = Xs ( )' β + b( Zs ( ) xs ( )' β) + ν( s) = (Whttle, 954). N SAR: Smultaneous AutoRegressve Models In forma matrcale: (I-B)(Z-X β)=ν dove B è una matrce nxn contenente parametr d dpendenza spazale. La matrce d covaranza d Y è qund: Σ Z = ( I B) Σ ( I B ) T ν Condzone necessara è che (I-B) - essta. 27 SAR: Smultaneous AutoRegressve Models Per rdurre l numero d parametr d dpendenza spazale s parametrzza la matrce B n funzone delle nformazon sulla prossmtà e l autocorrelazone defnte prma. Zs ( ) = Xs ( )' β + ρ w( Zs ( ) Xs ( )' β) + ν( s) N Un caso partcolare: B=ρW dove w = se l sto è vcno al sto e w = altrment (è la matrce d prossmtà). Il modello dvene qund: Z = Xβ + ε ε = ρwε + v Z = Xβ + ( I ρw) v 28
8 SAR: Smultaneous AutoRegressve Models Affnché l modello sa specfcato correttamente s rchede che (I- ρw) sa non sngolare (qund nvertble). A tal fne s pongono delle condzon su W e ρ (n partcolare sugl autovalor d W). STIMA DEI PARAMETRI NEI MODELLI SAR S assume che dat sano dstrbut come una dstrbuzone Gaussana multvarata. S rparametrzza la matrce d varanza Σ v =σ 2 V, la matrce d varanza covaranza del modello SAR: Σ SAR = σ 2 (I- B) - V(I- B T ) - = σ 2 V SAR (θ) I parametr β, σ 2 e ρ vengono stmat con l metodo d massma verosmglanza. 29 STIMA-SAR (lag model) A fn della stma d m, B e Σ ν, n questo caso utlzzeremo solo la verosmglanza: /2 n v 2 T T { μ I v I μ } I B L= exp ( z ) ( B) Σ ( B ) ( z ) Σ π 2 S not che Cov(v,Z)=E(vZ t )=Σ v (I-B) - che è dversa da zero. Gl error non sono ndpendent dalle osservazon a dfferenza d quanto accade nelle sere temporal, noltre cò mplca che gl stmator de mnm quadrat non sono necessaramente consstent. 3 CAR: Condtonal AutoRegressve Models Alternatvo al modello SAR Consste nella specfcazone d dstrbuzon condzonate d ogn osservazone Z(s ) dat valor osservat n tutt gl altr punt del domno: f(z(s ) Z - ). Anche per questo tpo d modello dobbamo dre che Z(s ) dpende solo da suo vcn. Il modello CAR s ottene specfcando meda e varanza [ ] EZs ( ) Z = Xs ( )' β + c( Zs ( ) Xs ( )' β ) = [ ( ) ] Var Z s Z σ 2 = N I parametr d dpendenza spazale c sono generalmente specfcat per mezzo della struttura d vcnato, coè c =, c se 3 s єn e altrment CAR: Condtonal AutoRegressve Models Il passaggo da dstrbuzon condzonate alla dstrbuzone congunta avvene nel contesto del Teorema d Hammersley e Clfford (Besag, 974) che descrve le condzon necessare per un nseme d dstrbuzon condzonate a defnre una dstrbuzone congunta valda. Nel caso d dstrbuzon condzonate gaussane cò s traduce nella condzone Σ CAR =(I- C) - Σ c dove Σ c =dag[σ 2,, σ 2 n]. Per garantre che questa matrce d varanzacovaranza sa smmetrca, mponamo l vncolo: σ 2 c = σ 2 c Cas partcolar: - C=φH - Σ c = σ 2 I o una versone pesata Σ c = σ 2 V dove, per esempo, V=dag(v,,v n ). 32
9 Stma e nferenza con modell CAR S consdera un modello gaussano con meda Xβ e matrce d varanza-covaranza defnta come n precedenza. Parametrzzamo la matrce dagonale Σ c come Σ c =σ 2 V c, la matrce d varanza-covaranza del modello CAR può essere scrtta come: Σ CAR = σ 2 (I- C) - V C = σ 2 V CAR (θ) dove θ è l vettore contenente tutt parametr d dpendenza spazale c e parametr d V c Relazone tra CAR e SAR La dfferenza prncpale de modell CAR e SAR per dat gaussan sta nella dversa defnzone d Σ Z. Nel pù semplce de cas: Σ Z = σ 2 (I-ρW) - per l modello CAR e Σ Y = σ 2 (I-ρW) - (I-ρW ) - per l modello SAR Il modello SAR è un caso partcolare del modello CAR: Ponendo Σ c = Σ Z -σ 2 I, allora qualche modello SAR può essere scrtto come modello CAR con C=B+B -BB Generalmente l passaggo da CAR a SAR non è mmedato Pù semplce mplementare modell CAR n una struttura MCMC Stma e nferenza da modell CAR Gaussan S consderano Σ C =σ 2 I e parametr d dpendenza spazal possono essere scrtt come funzone d un sngolo parametro spazale d autocorrelazone (per esempo C=ρW) Gl stmator de mnm quadrat de parametr SAR non sono consstent, mentre quell de modell CAR lo sono. Qund mnm quadrat generalzzat pesat possono essere utlzzat per stmare tutt parametr del modello CAR: β è stmato con GLS con Σ(θ)=Σ CAR =Σ CAR (ρ) e ρ è stmata utlzzando OLS. La struttura condzonata del CAR fornsce mmedatamente predttor pù effcent (n termn d MSE) 35 Stma e nferenza con modell CAR In un modello gaussano con meda Xβ e matrce d varanza-covaranza defnta come n precedenza. Parametrzzamo la matrce dagonale Σ c come Σ c =σ 2 V c, così la matrce d varanza-covaranza del modello CAR può essere scrtta come: Σ CAR = σ 2 (I- C) - V C = σ 2 V CAR (θ) dove θ è l vettore contenente tutt parametr d dpendenza spazale c e parametr d V c. Al contraro d cò che accade per l modell SAR gl stmator de mnm quadrat de parametr del modello CAR sono consstent. Vengono qund utlzzat mnm quadrat generalzzat rpesat. 36
10 Alcune note su modell CAR Popolartà d questa classe d modell con lo svluppo de metod MCMC. Poché lo scopo fnale è quello d defnre una dstrbuzone congunta, Markov Random Feld permettono per mezzo d specfcazon local d gungere alla dstrbuzone congunta. La probabltà congunta potrebbe rsultare mpropra (avere ntegrale non fnto) anche se tutte le condzonate sono propre. Per questo motvo è necessaro rspettare le condzon d H-C. Modell spazal automodell (Besag) qz ( ) = zgz ( ) + β zz < S assocano le probabltà condzonate: PZ ( = z Z = z; ) = exp z g ( z ) + z PZ ( = Z = z; ) La dstrbuzone condzonata appartene alla famgla esponenzale Es. Autonormale, AutoPosson, Autologstco, { β } Il modello AutoNormale Il modello autonormale s può scrvere come: 2 ( ) Z Z = z, N cy, σ Le dstrbuzon condzonate sono compatbl con l Teorema d H-C e qund danno la dstrbuzone congunta: T p( z,..., zn) exp Z ( I C) ΣcZ 2 dove Σ c =dag[σ 2,, σ 2 n] e l vettore μ=(,,). Posto Σ Z =(I- C) - Σ c allora T p( z,..., zn) exp Z ΣZZ 2 Modello Autologstco La varable Z assume solo due valor (per comodtà e ) Z = ( ) se dat fossero ndpendent: ( Z ) p = Pr = #s ( Zp) = p ( p) # Pr n pˆ = z = freq. relatva degl n = s 39 4
11 X X X Dstrbuzone d una varable Bnara nello spazo p =.9 INDIPENDENZA SU RETICOLO Y 5 4 p =.5 Modello Autologstco Z, Z n sono varabl casual che assumono valor e. exp α βx + Pr{ Z = Z = z; } = Pr{ Z = Z = z; N} = exp α βx Se sono soddsfatte le condzon del teorema d HC, la dstrbuzone congunta rsulta verde = blu = Y p =. 2 4 n n Pr( z) = cost exp α z + β z z 2 = = :c = Y Approcco dell econometra spazale Applcazon nell ambto fnanzaro; Attenzone a test d eteroschedastctà; Test d Breush-Pagan Approcco dell econometra spazale Il modello spazale SAR gà vsto può essere rportato; Z = Xβ + ρwz + ε Vene modfcato l test d Moran (c s sposta da pes bnar smmetrc a pes standardzzat per rga); L aspetto chave è decdere se l processo generatore de dat presenta una struttura SAR sugl error (cò che abbamo appena vsto) oppure su component rtardate spazalmente. Il modello spazale d Durbn è: Z = Xβ + WXγ + ρwz + ε Ulteror varant tengono conto sa dell autocorrelazon spazal che l eteroschedastctà (attenzone alla multcollneartà) 43 44
12 Bblografa Utle Per la parte d dat su retcolo(n ordne d charezza): Schabenberger e Gotway (25). Statstcal Methods for spatal data analyss. Chapman & Hall. Qualche paragrafo del captolo, dvers paragraf del captolo 6 Cresse (993). Statstcs for spatal data, Wley captol 6,7. Per approfondment e charment n Econometra Spazale: Anseln (999), Spatal Econometrcs (a dsposzone su nternet) Per collegament alla parte n laboratoro Bvand, Pebesma e Gomez-Rubo (28). Appled Spatal Data Analyss wth R. Sprnger. Captol 9 e. 45
Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione
1 La Regressone Lneare (Semplce) Relazone funzonale e statstca tra due varabl Modello d regressone lneare semplce Stma puntuale de coeffcent d regressone Decomposzone della varanza Coeffcente d determnazone
DettagliRelazioni tra variabili: Correlazione e regressione lineare
Dott. Raffaele Casa - Dpartmento d Produzone Vegetale Modulo d Metodologa Spermentale Febbrao 003 Relazon tra varabl: Correlazone e regressone lneare Anals d relazon tra varabl 6 Produzone d granella (kg
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne
Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che
DettagliIntroduzione al Machine Learning
Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone
DettagliREGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari
REGRESSIONE LINEARE Ha un obettvo mportante: nvestgare sulle relazon emprche tra varabl allo scopo d analzzare le cause che possono spegare un determnato fenomeno È caratterzzata da semplctà: modell utlzzat
DettagliVariabili statistiche - Sommario
Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su
DettagliIl modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti
Il modello marovano per la rappresentazone del Sstema Bonus Malus rof. Cercara Rocco Roberto Materale e Rferment. Lucd dstrbut n aula. Lemare 995 (pag.6- e pag. 74-78 3. Galatoto G. 4 (tt del VI Congresso
DettagliCapitolo 3 Covarianza, correlazione, bestfit lineari e non lineari
Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure
DettagliLa regressione. La Regressione. La Regressione. min. min. Var X. X Variabile indipendente (data) Y Variabile dipendente
Unverstà d Macerata Facoltà d Scenze Poltche - Anno accademco - La Regressone Varable ndpendente (data) Varable dpendente Dpendenza funzonale (o determnstca): f ; Da un punto d vsta analtco, valor della
DettagliMinistero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA
Mnstero della Salute D.G. della programmazone santara --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA La valutazone del coeffcente d varabltà dell mpatto economco consente d ndvduare gl ACC e DRG
DettagliStatistica e calcolo delle Probabilità. Allievi INF
Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:
DettagliPROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata
DettagliLA COMPATIBILITA tra due misure:
LA COMPATIBILITA tra due msure: 0.4 Due msure, supposte affette da error casual, s dcono tra loro compatbl quando la loro dfferenza può essere rcondotta ad una pura fluttuazone statstca attorno al valore
DettagliSTATISTICA DESCRITTIVA CON EXCEL
STATISTICA DESCRITTIVA CON EXCEL Corso d CPS - II parte: Statstca Laurea n Informatca Sstem e Ret 2004-2005 1 Obettv della lezone Introduzone all uso d EXCEL Statstca descrttva Utlzzo dello strumento:
DettagliNOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA IL PROBLEMA Supponamo d voler studare l effetto d 4 dverse dete su un campone casuale d 4
DettagliContenuti: o Specificazione del modello. o Ipotesi del modello classico. o Stima dei parametri. Regressione semplice Roberta Siciliano 2
Corso d STATISTICA Prof. Roberta Sclano Ordnaro d Statstca, Unverstà d Napol Federco II Professore supplente, Unverstà della Baslcata a.a. 0/0 Contenut: o Specfcazone del modello o Ipotes del modello classco
DettagliTest delle ipotesi Parte 2
Test delle potes arte Test delle potes sulla dstrbuzone: Introduzone Test χ sulla dstrbuzone b Test χ sulla dstrbuzone: Eserczo Test delle potes sulla dstrbuzone Molte concluson tratte nell nferenza parametrca
DettagliUniversità degli Studi di Urbino Facoltà di Economia
Unverstà degl Stud d Urbno Facoltà d Economa Lezon d Statstca Descrttva svolte durante la prma parte del corso d corso d Statstca / Statstca I A.A. 004/05 a cura d: F. Bartolucc Lez. 8/0/04 Statstca descrttva
DettagliCorrelazione lineare
Correlazone lneare Varable dpendente Mortaltà per crros 50 45 40 35 30 5 0 15 10 5 0 0 5 10 15 0 5 30 Consumo d alcool Varable ndpendente Metodologa per l anals de dat spermental L anals d stud con varabl
DettagliSTATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE
Matematca e statstca: da dat a modell alle scelte www.dma.unge/pls_statstca Responsabl scentfc M.P. Rogantn e E. Sasso (Dpartmento d Matematca Unverstà d Genova) STATISTICA DESCRITTIVA - SCHEDA N. REGRESSIONE
DettagliIL MODELLO DI MACK. Materiale didattico a cura di Domenico Giorgio Attuario Danni di Gruppo Società Cattolica di Assicurazioni
IL MODELLO DI MACK Materale ddattco a cura d Domenco Gorgo Attuaro Dann d Gruppo Socetà Cattolca d Asscurazon CHAIN-LADDE CLASSICO Metodo pù utlzzato per la stma della rserva snstr. Semplctà. Dstrbuton-ree
DettagliOttimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO
Ottmzzazone nella gtone de progett Captolo 6 Project Schedulng con vncol sulle rsorse CARLO MANNINO Unverstà d Roma La Sapenza Dpartmento d Informatca e Sstemstca 1 Rsorse Ogn attvtà rchede rsorse per
DettagliRicerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model
Rcerca Operatva e Logstca Dott. F.Carrabs e Dott.ssa M.Gentl Modell per la Logstca: Sngle Flow One Level Model Mult Flow Two Level Model Modell d localzzazone nel dscreto Modell a Prodotto Sngolo e a Un
DettagliCircuiti di ingresso differenziali
rcut d ngresso dfferenzal - rcut d ngresso dfferenzal - Il rfermento per potenzal Gl stad sngle-ended e dfferenzal I segnal elettrc prodott da trasduttor, oppure preleat da un crcuto o da un apparato elettrco,
Dettagli* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *
* PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che
DettagliTITOLO: L INCERTEZZA DI TARATURA DELLE MACCHINE PROVA MATERIALI (MPM)
Identfcazone: SIT/Tec-012/05 Revsone: 0 Data 2005-06-06 Pagna 1 d 7 Annotazon: Il presente documento fornsce comment e lnee guda sull applcazone della ISO 7500-1 COPIA CONTROLLATA N CONSEGNATA A: COPIA
DettagliLa retroazione negli amplificatori
La retroazone negl amplfcator P etroazonare un amplfcatore () sgnfca sottrarre (o sommare) al segnale d ngresso (S ) l segnale d retroazone (S r ) ottenuto dal segnale d uscta (S u ) medante un quadrpolo
DettagliUniversità di Napoli Parthenope Facoltà di Ingegneria
Unverstà d Napol Parthenope acoltà d Ingegnera Corso d Metod Probablstc Statstc e Process Stocastc docente: Pro. Vto Pascazo 20 a Lezone: /2/2003 Sommaro Dstrbuzon condzonate: CD, pd, pm Teorema della
DettagliDipartimento di Statistica Università di Bologna. Matematica finanziaria aa 2012-2013 lezione 13: 24 aprile 2013
Dpartmento d Statstca Unverstà d Bologna Matematca fnanzara aa 2012-2013 lezone 13: 24 aprle 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/23? reammortamento uò accadere che, dopo l erogazone
DettagliPrincipi di ingegneria elettrica. Lezione 6 a. Analisi delle reti resistive
Prncp d ngegnera elettrca Lezone 6 a Anals delle ret resste Anals delle ret resste L anals d una rete elettrca (rsoluzone della rete) consste nel determnare tutte le corrent ncognte ne ram e tutt potenzal
DettagliRETI TELEMATICHE Lucidi delle Lezioni Capitolo VII
Prof. Guseppe F. Ross E-mal: guseppe.ross@unpv.t Homepage: http://www.unpv.t/retcal/home.html UNIVERSITA' DEGLI STUDI DI PAVIA Facoltà d Ingegnera A.A. 2011/12 - I Semestre - Sede PV RETI TELEMATICHE Lucd
DettagliLaboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica
Laboratoro B A.A. 01/013 Elaborazone Dat Lab B CdL Fsca Lab B CdL Fsca Elaborazone dat spermental Prncpo della massma verosmglanza Quando eseguamo una sere d msure relatve ad una data grandezza fsca, quanto
DettagliMacchine. 5 Esercitazione 5
ESERCITAZIONE 5 Lavoro nterno d una turbomacchna. Il lavoro nterno massco d una turbomacchna può essere determnato not trangol d veloctà che s realzzano all'ngresso e all'uscta della macchna stessa. Infatt
DettagliElementi di statistica
Element d statstca Popolazone statstca e campone casuale S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..) e
DettagliDai circuiti ai grafi
Da crcut a graf Il grafo è una schematzzazone grafca semplfcata che rappresenta le propretà d nterconnessone del crcuto ad esso assocato Il grafo è costtuto da un nseme d nod e d lat Se lat sono orentat
DettagliANALISI STATISTICA DELLE INCERTEZZE CASUALI
AALISI STATISTICA DELLE ICERTEZZE CASUALI Consderamo l caso della msura d una grandezza fsca che sa affetta da error casual. Per ottenere maggor nformazone sul valore vero della grandezza rpetamo pù volte
Dettagli* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1
APAT Agenza per la Protezone dell Ambente e per Servz Tecnc Dpartmento Dfesa del Suolo / Servzo Geologco D Itala Servzo Tecnologe del sto e St Contamnat * * * Nota nerente l calcolo della concentrazone
DettagliIntelligenza Artificiale II. Ragionamento probabilistico Rappresentazione. Marco Piastra. Intelligenza Artificiale II - AA 2007/2008
Intellgenza rtfcale II Ragonamento probablstco Rappresentazone Marco astra Ragonamento probablstco: rappresentazone - arte Mond possbl sottonsem event artzon e varabl aleatore robabltà Margnalzzazone Condzonal
Dettagliy. E' semplicemente la media calcolata mettendo
COME FUNZIONA L'ANOVA A UN FATTORE: SI CONFRONTANO TANTE MEDIE SCOMPONENDO LA VARIABILITA' TOTALE Per testare l'potes nulla che la meda d una varable n k popolazon sa la stessa, s suddvde la varabltà totale
DettagliLa verifica delle ipotesi
La verfca delle potes In molte crcostanze l rcercatore s trova a dover decdere quale, tra le dverse stuazon possbl rferbl alla popolazone, è quella meglo sostenuta dalle evdenze emprche. Ipotes statstca:
DettagliSistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese
Sstem Intellgent Relazone tra ottmzzazone e statstca - IV Alberto Borghese Unverstà degl Stud d Mlano Laboratory of Appled Intellgent Systems (AIS-Lab) Dpartmento d Informatca borghese@dunmt Anals dell
DettagliCapitolo 6 Risultati pag. 468. a) Osmannoro. b) Case Passerini c) Ponte di Maccione
Captolo 6 Rsultat pag. 468 a) Osmannoro b) Case Passern c) Ponte d Maccone Fgura 6.189. Confronto termovalorzzatore-sorgent dffuse per l PM 10. Il contrbuto del termovalorzzatore alle concentrazon d PM
DettagliELEMENTI DI STATISTICA
ELEMENTI DI STATISTICA POPOLAZIONE STATISTICA E CAMPIONE CASUALE S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..)
DettagliMACROECONOMIA A.A. 2014/2015
MACROECONOMIA A.A. 2014/2015 ESERCITAZIONE 2 MERCATO MONETARIO E MODELLO /LM ESERCIZIO 1 A) Un economa sta attraversando un perodo d profonda crs economca. Le banche decdono d aumentare la quota d depost
DettagliTECNICHE DI ANALISI DEI DATI MODELLI LINEARI
TECNICHE DI ANALISI DEI DATI AA 017/018 PROF. V.P. SENESE Quest materal sono dsponbl per tutt gl student al seguente ndrzzo: https://goo.gl/hxl9zg Unverstà della Campana Lug Vanvtell Dpartmento d Pscologa
Dettagli6. Catene di Markov a tempo continuo (CMTC)
6. Catene d Markov a tempo contnuo (CMTC) Carla Seatzu, 8 Marzo 28 Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto
DettagliNOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI METODI PER LO STUDIO DEL LEGAME TRA VARIABILI IN UN RAPPORTO DI CAUSA ED EFFETTO I MODELLI DI REGRESSIONE Prof.ssa G. Sero, Prof. P. Trerotol, Cattedra
DettagliCorso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE. Prof. Dario Amodio d.amodio@univpm.it. Ing. Gianluca Chiappini g.chiappini@univpm.
Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE Prof. Daro Amodo d.amodo@unvpm.t Ing. Ganluca Chappn g.chappn@unvpm.t http://www.dpmec.unvpm.t/costruzone/home.htm (Ddattca/Dspense) Testo d rfermento: Stefano
Dettagli3 CAMPIONAMENTO DI BERNOULLI E DI POISSON
3 CAMPIOAMETO DI ROULLI E DI POISSO 3. ITRODUZIOE In questo captolo esamneremo due schem d camponamento che dversamente dal camponamento casuale semplce non producono campon d dmensone fssa ma varable.
DettagliPrincipio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
DettagliPrincipio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
DettagliTECNICHE DI ANALISI DEI DATI MODELLI LINEARI
TECNICHE DI ANALISI DEI DATI AA 16/17 PROF. V.P. SENESE Quest materal sono dsponbl per tutt gl student al seguente ndrzzo: https://goo.gl/rwabbd Seconda Unverstà d Napol (SUN) Dpartmento d Pscologa TECNICHE
DettagliCapitolo 3. Cap. 3-1
Statstca Captolo 3 Descrzone Numerca de Dat Cap. 3-1 Obettv del Captolo Dopo aver completato l captolo, sarete n grado d: Calcolare ed nterpretare la meda, la medana e la moda d un set tdd dat Trovare
Dettagli{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo
Element d teora de goch Govann D Bartolomeo Unverstà degl Stud d Teramo 1. Descrzone d un goco Un generco goco, Γ, che s svolge n un unco perodo, può essere descrtto da una Γ= NSP,,. Ess sono: trpla d
DettagliAppunti di Econometria
Appunt d Econometra ARGOMENTO [4]: VARIABILI DIPENDENTI BINARIE Mara Lusa Mancus Unverstà Boccon Novembre 200 Introduzone Ne modell econometrc studat fno ad ora la varable dpendente, y, è sempre stata
Dettagli1 Le equazioni per le variabili macroscopiche: i momenti dell equazione di Boltzmann
FISICA DEI FLUIDI Lezone 5-5 Maggo 202 Le equazon per le varabl macroscopche: moment dell equazone d Boltzmann Teorema H a parte, non è facle estrarre altre consderazon general sulla funzone denstà d probabltà
DettagliCAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI
Cenn sulle macchne seuenzal CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI 4.) La macchna seuenzale. Una macchna seuenzale o macchna a stat fnt M e' un automatsmo deale a n ngress e m uscte defnto da: )
DettagliRagionamento probabilistico: rappresentazione
Intellgenza Artfcale II Ragonamento probablstco: rappresentazone Marco astra Intellgenza Artfcale II - A.A. - Rappresentazone robablstca ] Ragonamento probablstco: rappresentazone Mond possbl sottonsem
DettagliTutti gli strumenti vanno tarati
L'INCERTEZZA DI MISURA Anta Calcatell I.N.RI.M S eseguono e producono msure per prendere delle decson sulla base del rsultato ottenuto, come per esempo se bloccare l traffco n funzone d msure d lvello
Dettaglia) Individuare l intervallo di confidenza al 90% per la media di popolazione;
Eserczo Il responsable marketng d una catena d negoz vuole analzzare l volume delle vendte mensl d un determnato bene d largo consumo. Una socetà che conduce rcerche d mercato è ncarcata d effettuare un
DettagliESERCIZIO 4.1 Si consideri una popolazione consistente delle quattro misurazioni 0, 3, 12 e 20 descritta dalla seguente distribuzione di probabilità:
ESERCIZIO. S consder una popolazone consstente delle quattro msurazon,, e descrtta dalla seguente dstrbuzone d probabltà: X P(X) ¼ ¼ ¼ ¼ S estrae casualmente usando uno schema d camponamento senza rpetzone
DettagliInduzione elettromagnetica
Induzone elettromagnetca L esperenza d Faraday L'effetto d produzone d corrente elettrca n un crcuto prvo d generatore d tensone fu scoperto dal fsco nglese Mchael Faraday nel 83. Egl studò la relazone
DettagliTutorato di Complementi di Analisi Matematica e Statistica 23 e 30 marzo 2017
Tutorato d Complement d Anals Matematca e Statstca 23 e 30 marzo 2017 Gl esercz con l smbolo eo sono tratt da prove d esame del 2016 ( eo gorno/mese eo) Esercz dagl ncontr precedent 3. Una varable X può
DettagliConcetti principale della lezione precedente
Corso d Statstca medca e applcata 6 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone precedente I concett prncpal che sono stat presentat sono: I fenomen probablstc RR OR ROC-curve Varabl
DettagliAnalisi dei Segnali. Sergio Frasca. Dipartimento di Fisica Università di Roma La Sapienza
Sergo Frasca Anals de Segnal Dpartmento d Fsca Unverstà d Roma La Sapenza Versone 13 dcembre 011 Versone aggornata n http://grwavsf.roma1.nfn.t/sp/sp.pdf Sommaro 1 Introduzone: segnal e sstem... 7 1.1
Dettagli6 Prodotti scalari e prodotti Hermitiani
6 Prodott scalar e prodott Hermtan 6.1 Prodott scalar S fss K = R. Defnzone 6.1 Sa V un R-spazo vettorale. Un prodotto scalare su V è un applcazone che gode delle seguent propretà: ) (lneartà rspetto al
DettagliAnalisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:
Anals ammortzzata Anals ammortzzata S consdera l tempo rchesto per esegure, nel caso pessmo, una ntera sequenza d operazon. Se le operazon costose sono relatvamente meno frequent allora l costo rchesto
DettagliRegressione Multipla e Regressione Logistica: concetti introduttivi ed esempi
Regressone Multpla e Regressone Logstca: concett ntroduttv ed esemp I Edzone ottobre 014 Vncenzo Paolo Senese vncenzopaolo.senese@unna.t Indce Note prelmnar alla I edzone 1 Regressone semplce e multpla
Dettagli6. Catene di Markov a tempo continuo (CMTC)
6. Catene d Markov a tempo contnuo (CMTC) Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto numerable. L nseme de
DettagliLezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse
Lezone 1. L equlbro del mercato fnanzaro: la struttura de tass d nteresse Ttol con scadenza dversa hanno prezz (e tass d nteresse) dfferent. Due ttol d durata dversa emess dallo stesso soggetto (stesso
DettagliDefinizione di campione
Defnzone d campone S consder una popolazone fnta U = {1, 2,..., N}. Defnamo campone ordnato d dmensone n qualsas sequenza d n etchette della popolazone anche rpetute. s = ( 1, 2,..., n ), dove j è l etchetta
DettagliAritmetica e architetture
Unverstà degl stud d Parma Dpartmento d Ingegnera dell Informazone Poltecnco d Mlano Artmetca e archtetture Sommator Rpple Carry e CLA Bozza da completare del 7 nov 03 La rappresentazone de numer Rappresentazone
DettagliLA VARIABILITA. IV lezione di Statistica Medica
LA VARIABILITA IV lezone d Statstca Medca Sntes della lezone Il concetto d varabltà Campo d varazone Dfferenza nterquartle La varanza La devazone standard Scostament med Il concetto d varabltà S defnsce
DettagliMODELLO MONOINDICE. R = a + β R. R M = è variabile aleatoria di rendimento del mercato (in Italia può essere usato il MIB 30).
ODELLO ONOINDICE Il rendmento d un ttolo uò essere scrtto come: R = a + β R (1) dove: R = rendmento dell -mo ttolo; a = comonente aleatora del rendmento, ndendente dall andamento del mercato; R = è varable
DettagliCAPITOLO 3 Incertezza di misura Pagina 26
CAPITOLO 3 Incertezza d msura Pagna 6 CAPITOLO 3 INCERTEZZA DI MISURA Le operazon d msurazone sono tutte nevtablmente affette da ncertezza e coè da un grado d ndetermnazone con l quale l processo d msurazone
DettagliAnalisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986
Anals degl error Introduzone J. R. Taylor, Introduzone all anals degl error, Zanchell, Bo 1986 Sstem d untà d msura, rappresentazone numerca delle quanttà fsche e cfre sgnfcatve Resnck, Hallday e Krane
DettagliLezione 20 Maggio 29
PSC: Progettazone d sstem d controllo III Trm 2007 Lezone 20 Maggo 29 Docente: Luca Schenato Stesor: Maran F, Marcon R, Marcassa A, Zanella F Fnora s sono sempre consderat sstem tempo-nvarant, ovvero descrtt
DettagliNorma UNI CEI ENV 13005: Guida all'espressione dell'incertezza di misura
orma UI CEI EV 3005: Guda all'espressone dell'ncertezza d msura L obettvo d una msurazone è quello d determnare l valore del msurando, n altre parole della grandezza da msurare. In generale, però, l rsultato
DettagliMisure indipendenti della stessa grandezza, ciascuna con una diversa precisione.
Msure ndpendent della stessa grandezza, cascuna con una dversa precsone. Consderamo d avere due msure o n generale della stessa grandezza, ndpendent, caratterzzate da funzone denstà d probabltà d Gauss.
DettagliStudio grafico-analitico di una funzioni reale in una variabile reale
Studo grafco-analtco d una funzon reale n una varable reale f : R R a = f ( ) n Sequenza de pass In pratca 1 Stablre l tpo d funzone da studare es. f ( ) Determnare l domno D (o campo d esstenza) della
Dettaglilxmi.mi.infn.it/~camera/silsis/laboratorio-1/2-statistica.ppt http://www2.dm.unito.it/paginepersonali/zucca/index.htm Misura:
Elaborazone de dat geochmc e cenn d statstca lm.m.nfn.t/~camera/slss/laboratoro-1/-statstca.ppt http://www.dm.unto.t/pagnepersonal/zucca/nde.htm Msura: Espressone quanttatva del rapporto fra una grandezza
DettagliEsercitazioni del corso: STATISTICA
A. A. 0-0 Eserctazon del corso: STATISTICA Sommaro Eserctazone : Moda Medana Meda Artmetca Varabltà: Varanza, Devazone Standard, Coefcente d Varazone ESERCIZIO : UNIVERSITÀ DEGLI STUDI DI MILANO BICOCCA
DettagliCalibrazione. Lo strumento idealizzato
Calbrazone Come possamo fdarc d uno strumento? Abbamo bsogno d dentfcare l suo funzonamento n condzon controllate. L dentfcazone deve essere razonalmente organzzata e condvsa n termn procedural: s tratta
DettagliCorso di Statistica (canale P-Z) A.A. 2009/10 Prof.ssa P. Vicard
Corso d Statstca (canale P-Z) A.A. 2009/0 Prof.ssa P. Vcard VALORI MEDI Introduzone Con le dstrbuzon e le rappresentazon grafche abbamo effettuato le prme sntes de dat. E propro osservando degl stogramm
DettagliCalcolo della caduta di tensione con il metodo vettoriale
Calcolo della caduta d tensone con l metodo vettorale Esempo d rete squlbrata ed effett del neutro nel calcolo. In Ampère le cadute d tensone sono calcolate vettoralmente. Per ogn utenza s calcola la caduta
DettagliDipartimento di Economia Aziendale e Studi Giusprivatistici. Università degli Studi di Bari Aldo Moro. Corso di Macroeconomia 2014
Dpartmento d Economa Azendale e Stud Gusprvatstc Unverstà degl Stud d Bar Aldo Moro Corso d Macroeconoma 2014 1.Consderate l seguente grafco: LM Partà de tass d nteresse LM B A IS IS Y E E E Immagnate
DettagliPRIMA PROVA INTERMEDIA DI STATISTICA (COD /6045/5047/4038/371/377) 26 ottobre 2015 COMPITO D
FIRMA DELLO STUDENTE Cognome PRIMA PROVA INTERMEDIA DI STATISTICA (COD. 3000/6045/5047/4038/37/377) 26 ottobre 20 Nome Numero d matrcola Corso d Laurea Cod. corso COMPITO D A fn della valutazone s terrà
DettagliApprendimento Automatico e IR: introduzione al Machine Learning
Apprendmento Automatco e IR: ntroduzone al Machne Learnng MGRI a.a. 2007/8 A. Moschtt, R. Basl Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: {moschtt,basl}@nfo.unroma2.t 1
DettagliStrutture deformabili torsionalmente: analisi in FaTA-E
Strutture deformabl torsonalmente: anals n FaTA-E Il comportamento dsspatvo deale è negatvamente nfluenzato nel caso d strutture deformabl torsonalmente. Nelle Norme Tecnche cò vene consderato rducendo
DettagliRichiami di modelli di utilità aleatoria
Corso d LOGISTICA TERRITORIALE www.unroma.t/ddattca/lt DOCENTE prof. ng. Agostno Nuzzolo Rcham d modell d utltà aleatora prof. ng. Agostno Nuzzolo - Corso d Logstca Terrtorale Modell d domanda e utltà
Dettagli3. Esercitazioni di Teoria delle code
3. Eserctazon d Teora delle code Poltecnco d Torno Pagna d 33 Prevsone degl effett d una decsone S ndvduano due tpologe d problem: statc: l problema non vara nel breve perodo dnamc: l problema vara Come
DettagliPropagazione delle incertezze
Propagazone delle ncertezze In questa Sezone vene trattato l problema della propagazone delle ncertezze quando s msurano pù grandezze dfferent,,,z soggette a error d tpo casuale e po s utlzzano tal grandezze
DettagliElementi di teoria bayesiana della decisione Teoria bayesiana della decisione: caratteristiche
Element d teora bayesana della decsone Teora bayesana della decsone: caratterstche La teora bayesana della decsone è un approcco statstco fondamentale al problema del pattern recognton. Il suo obettvo
DettagliDinamica del corpo rigido
Anna Nobl 1 Defnzone e grad d lbertà S consder un corpo d massa totale M formato da N partcelle cascuna d massa m, = 1,..., N. Il corpo s dce rgdo se le dstanze mutue tra tutte le partcelle che lo compongono
DettagliOltre la regressione lineare
Oltre la regressone lneare Modello d regressone lneare (semplce o multpla: - varabl esplcatve X quanttatve e qualtatve (nserte tramte uso d varabl dummy - varable dpendente Y è quanttatva Y = b + b X +
DettagliStabilità dei Sistemi Dinamici. Stabilità Semplice. Stabilità Asintotica. Stabilità: concetto intuitivo che può essere formalizzato in molti modi
Gustavo Belforte Stabltà de Sstem Dnamc Gustavo Belforte Stabltà de Sstem Dnamc Stabltà de Sstem Dnamc Il Pendolo Stabltà: concetto ntutvo che può essere formalzzato n molt mod Intutvamente: Un oggetto
DettagliMisure Ripetute ed Indipendenti
Msure Rpetute ed Indpendent Una delle metodologe pù semplc per valutare l affdabltà d una msura consste nel rpeterla dverse volte, nelle medesme condzon, ed esamnare dvers valor ottenut. Ovvamente, una
Dettagli