Classificazione di immagini con GRASS
|
|
- Stefania Longo
- 5 anni fa
- Visualizzazioni
Transcript
1 Classfcazone d mmagn con GRASS
2 Classfcazone d mmagn Scopo della classfcazone: rcavare da una mmagne nformazon sulla superfce. Foto nterpretazone sfrutta le conoscenze a pror dell operatore. Classfcazone automatca Applca algortm a valor d ntenstà su dverse bande: sono mportant rapport fra valor delle bande.
3 Classfcazone automatca 1. assegnazone d un pxel ad una classe Algortm automatc 2. assegnazone d una classe d pxel ad una copertura Informazon esterne
4 classfcazone Supervsed (supervsonata) ntervento a pror del operatore; Unsupervsed (non supervsonata) ntervento a posteror del operatore; Hybrd (brda). supervsed copertura classfcazone class operatore unsupervsed classfcazone class copertura operatore
5 Frma spettrale E la capactà d rflessone d un corpo n funzone della lunghezza d onda della radazone ncdente.
6 Bande Landsat-MSS banda 4 banda 5 banda 6 banda 7
7 Calssfcazone supervsonata 1. stablre con qual class s vuole rappresentare la copertura; 2. sceglere aree campone (tranng area) per le class; 3. usare dat delle aree campone per stmare parametr del classfcatore scelto; 4. applcare l classfcatore per attrbure ogn pxel ad una classe; 5. produrre carte tematche o report per analzzare l rsultato della classfcazone.
8 Massma verosmglanza Date ω =1,, n class S defnsce la probabltà che un pxel appartenga ad ogn classe ω ( ω x) p = 1,, n x = vettore che contene valor su ogn banda. S attrbusce l pxel alla classe ω se p ( ω x) > p( ω x) j j
9 Massma verosmglanza S devono stmare le ( ω x) p = 1,, n Con dat delle aree campone è possble stmare la probabltà che un pxel della classe ω abba valor x ( x ) p ω Teorema d Bayes p ( ω x) = p ( xω ) p( ω ) p ( x)
10 Massma verosmglanza Le p( ω ) sono le probabltà a pror per la classe ω (% d pxel n quella classe) La formula d Bayes s può rscrvere come p ( ω x) p( x) = p( xω ) p( ω ) Qund l pxel appartene alla classe ω se p ( xω ) p( ω ) > p( xω ) p( ω j ) j j
11 Massma verosmglanza S assume che le class abbano dstrbuzon del tpo (normale multvarata) p ( xω ) = ( 2π) N 2 C 1 2 e 1 2 ( x )' C 1( x ) m m Dove C è la matrce d varanza e covaranza e m la meda della classe. S pone g [ ] ' 1 ( x) = lnp( ω ) lnc ( x m ) C ( x m ) Qund l pxel appartene alla classe ω se g ( x) g ( x) > j j
12 Massma verosmglanza Ovvero se lnc ' 1 ' 1 [( x m ) C ( x m )] > lncj ( x m ) Cj ( x m ) [ ] j j I parametr da stmare sono C e m usando valor de pxel nelle aree campone
13 Sogle Il modello precedente classfca tutt pxel d una mmagne, anche quell con probabltà molto basse: ω 2 ω 1 ω 3
14 sogle Ponendo una sogla (probabltà mnma) non s classfcano pxel con prob. bassa ω 2 ω 1 ω 3 sogla non classfcato
15 sogle S aggunge la condzone ( x) T g > coè ' 1 [( x m ) C ( x m )] T 1 1 lnp ( ω) lnc > 2 2 coè ' 1 ( x m ) C ( x m ) < 2T 2lnp( ω) lnc Se x s assume dstrbuto normalmente, allora ' 1 ( x m ) C ( x m ) è dstrbuto come un χ 2 a N (n. bande) grad d lbertà. Dat C e w s può percò determnare T n modo che una certa % d pxel. sa nella classe.
16 Classfcator contestual Classfcano un pxel non solo n base a suo valor, ma n funzone de valor de pxel crcostant. Sfruttano la correlazone fra le categore d pxel vcn per rendere pccol alcun error (rumore, ecc.). S può realzzare con un preprocessamento: fltr passa basso (medana, ecc.); bande artfcal (texture, ecc.).
17 Label relaxaton Dopo avere classfcato l mmagne s utlzza una neghbourhood functon m ( ) Q ω modfcando la funzone d probabltà d appartenenza del pxel m alla classe ω p ' m ( ω ) = p m ( ω ) Q ( ω ) p m ( ω ) Q ( ω ) m m normalzzazone Alla k-esma terazone Q k m k ( ω ) d p ( ω ω ) p ( ω ) = n peso d vcnato n j mn j n Probabltà che l pxel m ω quando l pxel n ω j
18 Classfcazone unsupervsed 1. generazone de cluster S raggruppano pxel nello spazo multspettrale (bande) con una metrca d smltudne, d solto la dstanza eucldea: d ' ( x x ) = x x = ( x x )( x x ) = ( x ) 1, 2 1 = 1 2. ottmzzazone (cancellazone/merge/dvsone) N 1 x2 S formano canddat cluster e s spostano pxel tra cluster per mnmzzare la quanttà C x C ' ( x m )( x ) m 2
19 Insermento d mmagn RGB n GRASS 1. Importazone n GRASS delle mmagn (es. r.n.tff), l fle vene suddvso n tant raster quante sono le bande ad es. mm1.r, mm1.g e mm1.b; 2. Creazone d grupp e sottogrupp. È possble vsualzzare l mmagne orgnale con l comando d.rgb oppure.composte.
20 Classfcazone n GRASS.group creazone de grupp e sottogrupp (combnazon d bande) unsupervsed.cluster.maxlk supervsed.class.maxlk.gensg.maxlk.gensgset.smap
21 Classfcazone unsupervsed.cluster parametr Genera cluster (vettore meda e matrce d varanza e covaranza) con l algortmo mgratng means : 1. s scelgono punt random come centr de cluster; 2. ogn pxel vene attrbuto al cluster con centro pù vcno; 3. alcun cluster sono elmnat (poch pxel) oppure fus (centr troppo vcn). 1. numero d class da generare; 2. numero mnmo d pxel perchè una classe essta; 3. dstanza oltre la quale due class rmangono dvse; 4. percentuale d convergenza; 5. numero massmo d terazon; 6. ntervallo d camponamento.
22 Classfcazone unsupervsed.maxlk parametro Classfca l ntera mmagne con l classfcatore d massma verosmglanza, usando I vettor delle mede e le matrc d varanza e covaranza create da.cluster. Fle contenente le frme spettral. output 1. raster classfcato (valore d ogn pxel = numero della classe); 2. raster rappresentante la probabltà d rgetto d ogn pxel per la classe a cu è stato attrbuto. Le class non hanno ancora alcun sgnfcato d tpo d copertura, s deve etchettarle a posteror.
23 Classfcazone supervsed.class parametr Genera le frme spettral delle class, basandos su aree ndcate dall operatore. Solo nterattvo.maxlk Le class generate hanno sgnfcato d tp d copertura.
24 Classfcazone supervsed.gensg parametr Genera le frme spettral delle class, basandos su un raster gà parzalmente classfcata. 1. tranng map (nput); 2. group (nput); 3. subgroup (nput); 4. sgnature fle (output); La mappa d tranng deve essere preparata con v.dgt o r.dgt.maxlk Le class generate hanno sgnfcato d tp d copertura.
25 Classfcazone supervsed.gensgset parametr Genera le frme spettral delle class, basandos su un raster gà parzalmente classfcata, per l uso con.smap. 1. tranng map (nput); 2. group (nput); 3. subgroup (nput); 4. sgnature fle (output); La mappa d tranng deve essere preparata con v.dgt o r.dgt
26 Classfcazone supervsed.smap Calssfcatore contestuale (sequental maxmum a posteror SMAP) Le class generate hanno sgnfcato d tp d copertura. parametr 1. group (nput); 2. subgroup (nput); 3. sgnature fle da.gensgset (nput); 4. raster classfcato (output).
27 Valutazone de rsultat È necessaro dsporre d una vertà a terra con cu confrontare la classfcazone. S effettuano rlev a terra per verfcare la rspondenza della mappa d copertura così realzzata. In alternatva s dovrebbe dsporre d una carta d uso del suolo aggornata all epoca delle foto ed affdable.
Classificazione di immagini con GRASS
Classfcazone d mmagn con GRASS Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento Classfcazone d mmagn Scopo della classfcazone: rcavare da una mmagne nformazon sulla superfce. Foto
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
DettagliEsame del corso di Tecniche Avanzate per il Trattamento delle Immagini
Esame del corso d Tecnche Avanzate per l Trattamento delle Immagn Data: 18 Settembre 2007 1 Es.1 [pt. 5]: Nella fgura (10x10 pxel) rportata a fanco l rettangolo banco è d dmenson 6x4 pxel. Indcando con
DettagliMODELLI PER GESTIONE E LA RICERCA DELL'INFORMAZIONE
MODLLI R GSTION LA RICRCA DLL'INFORMAZION Algortm d Apprendmento avanzato per l Informaton Retreval Alessandro Moschtt Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: moschtt@nfo.unroma2.t
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Rconoscmento e recupero dell nformazone per bonformatca Teora della decsone d Bayes Manuele Bcego Corso d Laurea n Bonformatca Dpartmento d Informatca - Unverstà d Verona Sommaro Sstema d classfcazone
Dettagli1) Dato un carattere X il rapporto tra devianza entro e devianza totale è 0.25 e la devianza totale è 40. La devianza tra vale: a) 10 b) 20 c) 30
1) Dato un carattere X l rapporto tra devanza entro e devanza totale è 0.25 e la devanza totale è 40. La devanza tra vale: a) 10 b) 20 c) 30 2) Data una popolazone normalmente dstrbuta con meda 10 e varanza
DettagliApprendimento Automatico: Apprendimento Non Supervisionato
Apprendmento Automatco: Apprendmento Non Supervsonato 1 Supervsone nell Apprendmento (aranco, rotondo, classe= ) (gallo, lungo, classe= ) (gallo, rotondo, classe= ) colore forma (gallo, lungo, classe=
DettagliPattern Recognition. Bayes decision theory
Computer Scence Department Unversty of Verona A.A. 015-16 Pattern Recognton Bayes decson theory 1 Rev. Thomas Bayes, F.R.S 170-1761 Introduzone Approcco statstco fondamentale d classfcazone d pattern Ipotes:
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
Dettagli3 (solo esame 6 cfu) Elementi di Analisi Numerica, Probabilità e Statistica, modulo 2: Elementi di Probabilità e Statistica (3 cfu)
lement d Anals Numerca, Probabltà e Statstca, modulo 2: lement d Probabltà e Statstca ( cfu) Probabltà e Statstca (6 cfu) Scrtto del 06 febbrao 205. Secondo Appello Id: A Nome e Cognome: same da 6 cfu
Dettaglidi una delle versioni del compito di Geometria analitica e algebra lineare del 12 luglio 2013 distanza tra r ed r'. (punti 2 + 3)
Esempo d soluzone d una delle verson del compto d Geometra analtca e algebra lneare del luglo 3 Stablre se la retta r, d equazon parametrche x =, y = + t, z = t (nel parametro reale t), è + y + z = sghemba
DettagliScienze Geologiche. Corso di Probabilità e Statistica. Prove di esame con soluzioni
Scenze Geologche Corso d Probabltà e Statstca Prove d esame con soluzon 004-005 1 Corso d laurea n Scenze Geologche - Probabltà e Statstca Appello del 1 gugno 005 - Soluzon 1. (Punt 3) In una certa zona,
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
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:
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
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
DettagliPattern recognition. II Parte. Intelligenza Artificiale - Pattern Recognition 2
Pattern recognton II Parte 1 Classfcazone d pattern medante funzon d dstanza Per stablre una msura d smlartà fra pattern, che possono essere consderat punt n uno spazo eucldeo, s può rcorrere al concetto
DettagliGeometria 1 a.a. 2011/12 Esonero del 23/01/12 Soluzioni (Compito A) sì determinarla, altrimenti dimostrare che ciò è impossibile.
Geometra 1 a.a. 2011/12 Esonero del 23/01/12 Soluzon (Compto A) (1) S consder su C 2 l prodotto Hermtano, H assocato alla matrce ( ) 2 H =. 2 (a) Dmostrare che, H è defnto postvo e determnare una base
DettagliPrecisione e Cifre Significative
Precsone e Cfre Sgnfcatve Un numero (una msura) è una nformazone! E necessaro conoscere la precsone e l accuratezza dell nformazone. La precsone d una msura è contenuta nel numero d cfre sgnfcatve fornte
DettagliAd esempio, potremmo voler verificare la legge di caduta dei gravi che dice che un corpo cade con velocità uniformemente accellerata: v = v 0 + g t
Relazon lnear Uno de pù mportant compt degl esperment è quello d nvestgare la relazone tra due varabl. Il caso pù mportante (e a cu spesso c s rconduce, come vedremo è quello n cu la relazone che s ntende
DettagliStrada B. Classe Velocità valore frequenza Frequ. ass Frequ. % hi Freq. Cum
Eserczo SINTESI S supponga d avere eseguto 70 msure della veloctà stantanea de vecol che transtano nelle sezon d due strade A e B. S supponga che tal msure sano state eseguta n corrspondenza d valor modest
Dettagliuna variabile casuale è continuase può assumere un qualunque valore in un intervallo
Varabl casual contnue Se samo nteressat alla temperatura massma gornaleraquesta è una varable casuale msurata n un ntervallo contnuoe qund è una v.c. contnua una varable casuale è contnuase può assumere
DettagliLezione 6. Bayesian Learning
Lezone 6 Bayesan Learnng Martedì, 6 Novembre 004 Guseppe Manco Readngs: Sectons 6.-6.5, Mtchell Chapter, Bshop Chapter 4, Hand-Mannla-Smth Bayesan Learnng Bayesan Learnng Concett probablstc, apprendmento
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
DettagliIng. Enrico Grisan. Modelli di popolazione in farmacocinetica
Ing. Enrco Grsan Modell d popolazone n farmacocnetca Sommaro Modell a sngolo soggetto Modell d popolazone Naïve poolng Stme basate sul sngolo soggetto Modell a effett mst Lnearzzazone del modello 2 Ing.
DettagliIndividuazione di linee e curve. Minimi quadrati. Visione e Percezione. Model fitting: algoritmi per trovare le linee. a = vettore dei parametri
Segmentazone tramte modell ad hoc Indvduazone d lnee e curve Obbettvo: Data l mmagne d output d un algortmo d rlevamento d bord, trova tutte le stanze d una certa curva (lnea o ellss) o una sua parte.
DettagliApprendimento Bayesiano. Metodi di apprendimento di concetti basati sul calcolo delle probabilità
Apprendmento Bayesano Metod d apprendmento d concett basat sul calcolo delle probabltà Rcamo d Concett d Calcolo delle robabltà Assom del calcolo delle probabltà Spazo d camponamento è l nseme degl est
DettagliLa t di Student. Per piccoli campioni si definisce la variabile casuale. = s N. detta t di Student.
Pccol campon I parametr della dstrbuzone d una popolazone sono n generale ncognt devono essere stmat dal campone de dat spermental per pccol campon (N N < 30) z = (x µ)/ )/σ non ha pù una dstrbuzone gaussana
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
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
DettagliVERIFICA IN ITINERE 9 GENNAIO 2019 CLMA
VERIFICA IN ITINERE 9 GENNAIO 2019 CLMA 1 Varabl Qualtattve: Sesso, Lvello d struzone Varabl Quanttatve: Età, Altezza, Peso 2 Età: Meda=74.1 ; Medana=73 ; Std=6.2 ; Q1=68 ; Q3=80 Altezza: Meda=172.5 ;
DettagliLa sincronizzazione. (Libro) Trasmissione dell Informazione
La sncronzzazone (Lbro) Problem d sncronzzazone La trasmssone e la dverstà tra gl OL del trasmetttore e del rcevtore ntroducono (anche n assenza d fadng) un errore d d frequenza, d fase e d camponamento
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.
DettagliAnalisi della Varianza
Anals della Varanza Esempo: Una ndustra d carta usata per buste per salumere vuole mglorare la resstenza alla trazone del propro prodotto. S rtene che resstenza alla trazone = f(concentrazone d legno nella
DettagliSegmentazione di immagini
Segmentazone d mmagn Introduzone Segmentazone: processo d partzonamento d un mmagne n regon dsgunte e omogenee. Esempo d segmentazone. Tratta da [] Introduzone (def. formale ( Sa R l ntera regone spazale
DettagliIL RUMORE NEGLI AMPLIFICATORI
IL RUMORE EGLI AMPLIICATORI Defnzon S defnsce rumore elettrco (electrcal nose) l'effetto delle fluttuazon d corrente e/o d tensone sempre present a termnal degl element crcutal e de dspostv elettronc.
DettagliSupport Vector Machines. Macchine a vettori di supporto
Support Vector Machnes Macchne a vettor d supporto Separator Lnear Percettrone La classfcazone bnara può essere vsta come un problema d separazone d class nello spazo delle feature m b b b > 0 b 0 b
DettagliEsercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media
Alcun esercz su algortm e programmazone Fondament d Informatca A Ingegnera Gestonale Unverstà degl Stud d Bresca Docente: Prof. Alfonso Gerevn Scrvere l algortmo e l dagramma d flusso per l seguente problema:
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
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
DettagliRegressioni con variabili strumentali
Regresson con varabl strumental 3 mportant mnacce alla valdtà nterna del modello: Bas dovuta alle varabl omesse, varabl correlate con X ma non osservate e che per questo non possono essere ncluse nella
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
DettagliRAPPRESENTAZIONE DI MISURE. carta millimetrata
carta mllmetrata carta mllmetrata non è necessaro rportare sul foglo la tabella (ma auta; l mportante è che sta da qualche parte) carta mllmetrata 8 7 6 5 4 3 smbolo della grandezza con untà d msura!!!
DettagliESTRAZIONE DI FEATURES CON TECNICHE DI CLASSIFICAZIONE PIXEL E OBJECT-ORIENTED
ALMA MATER STUDIORUM - UNIVERSITÀ DI BOLOGNA FACOLTA DI INGEGNERIA CORSO DI LAUREA SPECIALISTICA IN INGEGNERIA CIVILE D.I.S.T.A.R.T. Dpartmento d Ingegnera delle Strutture, de Trasport, delle Acque, del
DettagliMetodi ad un passo espliciti con passo adattivo Metodi Runge - Kutta
Metod ad un passo esplct con passo adattvo Metod Runge - Kutta Scrvere un programma che approssm l problema d Cauchy: u (t) = f(t, u), t 0 t T, u R d, u(t 0 ) = v per un sstema d equazon dfferenzal ordnare
DettagliModelli decisionali su grafi - Problemi di Localizzazione
Modell decsonal su graf - Problem d Localzzazone Massmo Paolucc (paolucc@dst.unge.t) DIST Unverstà d Genova Locaton Problems: modell ed applcazon Decson a medo e lungo termne (panfcazone) Caratterstche
DettagliStatistica Descrittiva
Statstca Descrttva Corso d Davd Vettur Dat osservat Sano note le seguent msure dello spessore d una lastra d materale polmerco espresse n mllmetr 3.71 3.83 3.85 3.96 3.84 3.8 3.94 3.55 3.76 3.63 3.88 3.86
DettagliStatistica di Bose-Einstein
Statstca d Bose-Ensten Esstono sstem compost d partcelle dentche e ndstngubl che non sono soggette al prncpo d esclusone. In quest sstem non esste un lmte al numero d partcelle che possono essere osptate
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
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
DettagliEsame di Statistica tema A Corso di Laurea in Economia Prof.ssa Giordano Appello del 15/07/2011
Esame d Statstca tema A Corso d Laurea n Economa Prof.ssa Gordano Appello del /07/0 Cognome Nome atr. Teora Dmostrare che la somma degl scart dalla meda artmetca è zero. Eserczo L accesso al credto è sempre
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
DettagliCorso di. Dott.ssa Donatella Cocca
Corso d Statstca medca e applcata 3 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone I concett prncpal che sono stat presentat sono: Mede forme o analtche (Meda artmetca semplce, Meda artmetca
DettagliTeoria degli errori. La misura implica un giudizio sull uguaglianza tra la grandezza incognita e la grandezza campione. Misure indirette: velocita
Teora degl error Processo d msura defnsce una grandezza fsca. Sstema oggetto. Apparato d msura 3. Sstema d confronto La msura mplca un gudzo sull uguaglanza tra la grandezza ncognta e la grandezza campone
DettagliCorso di Teoria dei Campioni Facoltà di Economia Corso di Laurea SIGI
A.A. 2006/07 Corso d Teora de Campon Facoltà d Economa Corso d Laurea SIGI M. Govanna Ranall Lezon: Martedì 18:00 19:30; Govedì 12:15 13:45 Oraro d rcevmento: Lunedì 16:00 18:00 (stanza 24) Durata: 9 settmane
DettagliModelli di variabili casuali
Modell d varabl casual Un modello d v.c. è una funzone f() che assoca ad ogn valore d una v.c. X la corrspondente probabltà. Obettvo: calcolo della probabltà per tutt valor che X può assumere Per le v.c.
DettagliEsercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media
Alcun esercz su algortm e programmazone Fondament d Informatca A Ingegnera Gestonale Unverstà degl Stud d Bresca Docente: Prof. Alfonso Gerevn Scrvere l algortmo e l dagramma d flusso per l seguente problema:
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
DettagliRICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2
RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A La rappresentazone n Complemento a Due d un numero ntero relatvo (.-3,-,-1,0,+1,+,.) una volta stablta la precsone che s vuole ottenere (coè l numero d
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
Dettagli5: Strato fisico: limitazione di banda, formula di Nyquist; caratterizzazione del canale in frequenza
5: Strato fsco: lmtazone d banda, formula d Nyqust; caratterzzazone del canale n frequenza Larghezza d banda d un segnale La larghezza d banda d un segnale è data dall ntervallo delle frequenze d cu è
DettagliDistribuzione di Boltzmann. Nota
Dstrbuzone d Boltzmann ota Tutto l soggetto trattato deve n realta essere nserto nel quadro concettuale della meccanca statstca, che non e trattato n questo corso. Quest cenn sono solo un breve rchamo
DettagliIntegrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1
Integrazone numerca dell equazone del moto per un sstema lneare vscoso a un grado d lbertà Prof. Adolfo Santn - Dnamca delle Strutture 1 Introduzone 1/2 L equazone del moto d un sstema vscoso a un grado
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
DettagliL ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella
L AALISI MOOVARIATA: Varabltà e mutabltà Prof. Mara Carella Varabltà Le msure d tendenza centrale non sono suffcent alla comprensone de fenomen. Una sntes approprata deve tener conto del modo n cu s dstrbuscono
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..)
DettagliClustering. Clustering. Misure di similarità. Misure di distanza o dissimilarità. Leggere la sezione 6.6 di Witten e Frank = 1 = =
Clusterng Clusterng Raggruare le stanze d un domno n gru tal che gl oggett nello stesso gruo mostrno un alto grado d smlartà e gl oggett n gru dvers un alto grado d dssmlartà Leggere la sezone 6.6 d Wtten
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
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
DettagliIL RUMORE NEGLI AMPLIFICATORI
G. Martnes 1 G. Martnes G. Martnes 3 IL RUMORE EGLI AMPLIFICATORI Defnzon S defnsce rumore elettrco (electrcal nose) l'effetto delle fluttuazon d corrente e/o d tensone sempre present a termnal degl element
DettagliIntorduzione alla teoria delle Catene di Markov
Intorduzone alla teora delle Catene d Markov Mchele Ganfelce a.a. 2014/2015 Defnzone 1 Sa ( Ω, F, {F n } n 0, P uno spazo d probabltà fltrato. Una successone d v.a. {ξ n } n 0 defnta su ( Ω, F, {F n }
DettagliEsercizi di econometria: serie 1
Esercz d econometra: sere Eserczo E data la popolazone dell Abruzzo classcata n se categore d reddto ed n tre class d età come segue: Reddto: () L... 4.. () L. 4.. 8.. () L. 8.... (4) L..... () L.....
DettagliL ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella
L AALISI MOOVARIATA: Varabltà e mutabltà Prof. Mara Carella Varabltà Le msure d tendenza centrale non sono suffcent alla comprensone de fenomen. Una sntes approprata deve tener conto del modo n cu s dstrbuscono
DettagliCARATTERISTICHE DEI SEGNALI RANDOM
CARATTERISTICHE DEI SEGNALI RANDOM I segnal random o stocastc rvestono una notevole mportanza poché sono present, pù che segnal determnstc, nella maggor parte de process fsc real. Esempo d segnale random:
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
DettagliVariabili casuali. Variabili casuali
Varabl casual Assegnato uno spazo d probabltà (S, A, P[.]) s densce varable casuale una unzone avente come domno lo spazo de campon (S) e come codomno la retta reale. S Le varabl casual s ndcano con lettere
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
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
DettagliLe quote e q sono incognite. Il sistema è ridondante: 3 equazioni (osservazioni) e 2 incognite.
Compensazone con l metodo de mnm quadrat Introduzone Le msure geodetche e topografche, che n molt cas non rguardano solo dstanze e angol, ma anche quanttà non puramente geometrche, come ad esempo l'ntenstà
DettagliAppunti di Teoria dell Informazione
Corso d Telecomuncazon (Classe Qunta della specalzzazone Elettronca e Telecomuncazon) Pagna - - . La teora dell nformazone La teora dell nformazone descrve l funzonamento de sstem d comuncazone sa analogc
DettagliAlgoritmi di Classificazione Non Lineari
Algortm d Classfcazone Non Lnear Eserctazon per l corso d Logca ed Intellgenza Artfcale a.a. 2015 16 Jessca Rosat Regressone Logstca Superfce d separazone lneare Modell Lnear Generalzzat (GLMs) ϕ (x) =x
DettagliLezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo
UNIVERSITA DEGLI STUDI DI BASILICATA FACOLTA DI ECONOMIA Corso d laurea n Economa Azendale Lezon d Statstca (25 marzo 2013) Docente: Massmo Crstallo QUARTILI Dvdono la dstrbuzone n quattro part d uguale
DettagliCampo elettrico. F E q. Qq k r. r q r
Campo elettrco In passato s potzzava che le nterazon (lumnose, elettrche) potessero vaggare a veloctà nfnta, per cu due carche poste ad una certa dstanza avrebbero dovuto stantaneamente rsentre d una forza
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
DettagliCorso di Fondamenti di Telecomunicazioni
Corso d Fondament d Telecomuncazon Prof. Govann Schembra Struttura della lezone Defnzon d process aleator e caratterzzazone statstca ( Stma delle statstche d prmo e secondo ordne Process aleator stazonar
DettagliUniversità di Cassino. Esercitazione di Statistica 1 del 4 dicembre Dott.ssa Simona Balzano
Unverstà d Cassno Eserctazone d Statstca del 4 dcembre 6 Dott.ssa Smona Balzano Eserczo Sa la varable casuale che descrve l rsultato del lanco d dad, sulle cu facce v sono numer: 5, 5, 7, 7, 9, 9. a) Defnre
DettagliSVM learning WM&R a.a. 2015/16
SVM learnng WM&R a.a. 2015/16 R. BASILI D I PA R T I M E N T O D I I N G E G N E R I A D E L L I M P R E S A U N I V E R S I TÀ D I R O M A T O R V E R G ATA E M A I L : B A S I L I @ I N F O. U N I R
DettagliPIANIFICAZIONE DEI TRASPORTI
Unverstà d Caglar DICAAR Dpartmento d Ingegnera Cvle, Ambentale e archtettura Sezone Trasport PIANIFICAZIONE DEI TRASPORTI Eserctazone su modell d generazone A.A. 2016-2017 Ing. Francesco Pras Ing. Govann
DettagliQualità dell adattamento di una funzione y=f(x) ad un insieme di misure (y in funzione di x)
Qualtà ell aattamento una funzone y=f() a un nseme msure (y n funzone ) Date N msure coppe valor elle granezze e y, legate alla relazone y=f(;a,b), nell potes che le ncertezze sulle sano trascurabl e y
Dettagli3) Entropie condizionate, entropie congiunte ed informazione mutua
Argoment della Lezone ) Coppe d varabl aleatore 2) Canale dscreto senza memora 3) Entrope condzonate, entrope congunte ed nformazone mutua 4) Esemp d canal Coppe d varabl aleatore Fno ad ora è stata consderata
DettagliEsercizi di Probabilità e Statistica
Esercz d Probabltà e Statstca Samuel Rota Bulò 25 maggo 2007 Funzon d v.a., meda, varanza, moda, medana, quantl e quartl. Vettor aleator, denst condzonata, covaranza, correlazone. Eserczo 1 Sa Y ax + b
DettagliS O L U Z I O N I. 1. Effettua uno studio qualitativo della funzione. con particolare riferimento ai seguenti aspetti:
S O L U Z I O N I 1 Effettua uno studo qualtatvo della funzone con partcolare rfermento a seguent aspett: f ( ) ln( ) a) trova l domno della funzone b) ndca qual sono gl ntervall n cu f() rsulta postva
DettagliRagionamento probabilistico: rappresentazione
Intellgenza Artfcale II Ragonamento probablstco: rappresentazone Marco astra Intellgenza Artfcale II - A.A. - Rappresentazone robablstca ] Ragonamento probablstco: rappresentazone Mond possbl sottonsem
Dettaglix 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n
Corso d Statstca docente: Domenco Vstocco La msura della varabltà per varabl qualtatve ordnal Lo studo della varabltà per varabl qualtatve ordnal può essere condotto servendos degl ndc d omogenetà/eterogenetà
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.
DettagliStatistica, a.a. 2010/2011 Docente: D. Dabergami Lezione 2
Espermento aleatoro : espermento l cu esto, non noto a pror, appartene ad un determnato nseme d est plausbl. Spazo degl est W : nseme d tutt possbl est d un espermento aleatoro. Spazo degl event : ogn
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Modell 1 lezone 18 1 dcembre 2011 Covaranza, Varabl aleatore congunte professor Danele Rtell www.unbo.t/docent/danele.rtell 1/19?
DettagliMisure dirette utilizzate per il calcolo della misura indiretta X:
Propagazone degl error Msure drette utlzzate per l calcolo della msura ndretta X: ( ) a a a = ± Δ b = ( b ± Δ b) Il calcolo dell errore assoluto X ( espresso nella stessa untà d msura della grandezza X
Dettaglidove (nij - ňij) sono le differenze (contingenze) tra le frequenze assolute osservate nij e le frequenze teoriche ňij.
STATISTICA Esertazone 3 05//05 Dott.ssa Vera Gurtovaa Eserzo. Studo dell assoazone tra due varabl qualtatve La seguente tabella doppa rporta dat osservat gornalmente n rermento alle ondzon rologe e al
Dettagli