Modelli matematici per le reti di trasporto:
|
|
- Vittoria Vigano
- 5 anni fa
- Visualizzazioni
Transcript
1 A. A Modelli matematici per le reti di trasporto: Calibrazione dei modelli di utilità aleatoria ed esempi di modelli di scelta del percorso prof. ing. Antonio Comi Department of Enterprise Engineering Tor Vergata University of Rome
2 Introduzione Costruzione di un modello di domanda: - Definizione della forma funzionale (ad es. logit) - Attributi (funzione utilità media o sistematica) - Stima dei parametri (beta) - Validazione Capacità di riprodurre le scelte effettuate dal campione (test informali e test statistici) È un processo iterativo trial-and-error Specificazione Validazione Stima dei parametri 2
3 Specificazione del modello Scegliere la forma funzionale - trattabilità computazionale Logit, Nested-Logit vs. Probit, Mixed-Logit, etc. - modelli utilizzati in casi analoghi (es. modelli di scelta modale, scelta del percorso) - aspettative a priori sulla indipendenza o meno dei residui aleatori (matrice varianza-covarianza) AUTO BUS TRAM 3
4 4 Il modello Logit multinomial D C B A α π D C B A ε 2 2 o A B C D m h h j αv αv j p 1 exp exp ) (
5 Esempio Modello Logit Multinomiale (1/2) Scelta del percorso: I A, B p( j) m h1 exp exp αv j αv h m exp k exp h1 k V k k kj V kh A O D C A = 1,86 C B =,31 t A = 2 t B = 4 B 5
6 Esempio Modello Logit Multinomiale (2/2) O A B D j I A, B V t C,1 t j c j t 1,93 c pa ( ) exp,1 ta1,93 CA t C t C exp,1 A 1,93 A exp,1 B 1,93 B p(b) = 1 p(a) t A = 2 C A = 1,86 V A = -5,6 t B = 4 C B =,31 V B = -4,6 1,,1 2, p A,27,48,12 p B,73,52,88 6
7 Matrice varianza-covarianza È una matrice (simmetrica) che riporta sulla diagonale la varianza dei residui aleatori delle diverse alternative e nelle altre celle i valori della covarianza tra i residui aleatori di coppie di alternative A seconda dell ipotesi sulla matrice varianza-covarianza dei residui aleatori, possiamo avere diverse forme funzionali del modello, ad es. Modello Logit: omoschedastico e a covarianza nulla Modello Nested-Logit: si introduce una covarianza tra gruppi di 2 alternative, ad es. tra i modi di trasporto collettivo Modello Probit: si introduce l eteroschedasticità e la covarianza tra tutte alternative 2 Auto AB AT 2 COL AB 2 Bus COL COL 2 AT COL 2 TRAM 7
8 Specificazione del modello definire gli attributi, X k, del modello: Tipologia di attributi o Attributi di livello di servizio, socio-economici, del sistema di attività, o Attributi specifici o generici o Attributi Specifici dell Alternativa (Alternative Specific Constant, ASC) evitare correlazione tra attributi (collinearità) attenzione all applicazione e agli usi del modello attributi non lineari (es. funzione di utilità sistematica lineare a tratti) V 1 2 V 1 X k 1 s s ( X k s) se se X X k k s s Soglia «s» X k 8
9 Metodo dei minimi quadrati S individua il vettore di parametri che minimizza il quadrato delle differenze tra probabilità da modello e percentuali osservate: essendo: j J p i (j) pˆ i i i LSM arg min LSM( ) arg min p ( j) pˆ ( j) la generica alternativa di scelta il numero di alternative disponibili j= 1...J la probabilità da modello dell alternativa j per l utente i la percentuale con cui l alternativa j è scelta nel campione dall utente i Tale vettore dei beta massimizza la capacità del modello di riprodurre le percentuali aggregate osservate nel campione 2 9
10 Metodo della massima verosimiglianza Funzione di Likelihood (verosimiglianza) L() = i=1...n p i [j(i)](x i,) - n, numerosità del campione - i, utente generico del campione - p[j(i)], probabilità (da modello) dell alternativa j(i) scelta effettivamente dall utente i (nel campione) S individua il vettore di parametri che massimizza il valore della funzione di verosimiglianza: ML argmax ln L( ) arg max i= 1...n Tale vettore dei beta massimizza la probabilità di osservare tramite il modello le scelte effettuate dal campione ln p i i i j X, 1
11 Metodo della massima verosimiglianza Esempio n=3 j=a,b pa utente j(i) i C A 1 A A B 4 3 C B i exp exp C A C exp C A B L exp exp 3 3 exp 5 exp exp 2 2 exp exp exp 3 3 exp 4 11
12 VALIDAZIONE DI UN MODELLO DI DOMANDA test, informali sui coefficienti di un modello test, formali sui coefficienti di un modello test sulla bontà di interpolazione o goodness-of-fit analisi dell elasticità (risposta del modello in fase di applicazione) 12
13 VALIDAZIONE DI UN MODELLO DI DOMANDA TEST INFORMALI SUI COEFFICIENTI DI UN MODELLO verifica della ragionevolezza dei segni dei coefficienti (es. < per tempi o costi monetari > per la disponibilità di automobili nell utilità del modo auto di un modello di scelta modale o per la quantità di esercizi commerciali nel modello di scelta della destinazione). verifica dei rapporti fra i coefficienti di attributi diversi (es. t / c =VOT -«Value of Time» - può essere confrontato con risultati di altre calibrazioni e aspettative sulla disponibilità a pagare degli utenti, valore delle ASC, ) verifica del valore relativo di alcuni coefficienti (es. tempo a piedi > tempo a bordo ) 13
14 VALIDAZIONE DI UN MODELLO DI DOMANDA TEST FORMALI SUI COEFFICIENTI DEL MODELLO TEST T-STUDENT SUI SINGOLI COEFFICIENTI A) IPOTESI NULLA: H : k = : serve a rigettare l ipotesi che i valori stimati dei beta siano statisticamente uguali da zero STATISTICA UTILIZZATA: t Var( ML k ML k ) 1 / 2 t_student con n-k gradi di libertà con n= numerosità del campione k= n dei coefficienti stimati (per n >3 t student normale standardizzata) Se t è maggiore di 1,96 l ipotesi può essere rigettata con una probabilità di errore del 5%, e quindi il valore stimato è considerato significativo 14
15 TEST FORMALI SUI COEFFICIENTI DEL MODELLO Esempi Se t > 1,96 la probabilità che l ipotesi nulla H sia vera è del 5% Se t > 1,29 la probabilità che l ipotesi nulla H sia vera è del 2% Tavola della variabile normale standard z 15
16 VALIDAZIONE DI UN MODELLO DI DOMANDA STATISTICHE E TEST SULLA BONTÀ DELL ACCOSTAMENTO DEL MODELLO (GOODNESS OF FIT) %_RIGHT n i i1 % _ right i n 1 se j( i) j( i) j j i max i max essendo: n j i max j(i) la numerosità del campione l alternativa di massima utilità da modello, per l utente i l alternativa scelta effettivamente dall utente i 16
17 VALIDAZIONE DI UN MODELLO DI DOMANDA STATISTICHE E TEST SULLA BONTÀ DELL ACCOSTAMENTO DEL MODELLO (GOODNESS OF FIT) ln L( ln L( ) ln L( STATISTICA RHO_QUADRO ML ML ln L( ) ) ) N con N è il numero dei coefficienti Tale statistica misura la bontà del modello nel riprodurre le scelte fatte dal campione: 2 1 Perfetta capacità riproduttiva del modello 2 Capacità riproduttiva del modello nulla 17
18 Indagini RP e indagini SP Indagini RP (Revealed Preference o Preferenze Rivelate) indagini sui comportamenti effettivi (rivelati) dagli utenti in un contesto reale si rilevano le scelte che gli utenti hanno realmente effettuato (ad esempio quale percorso o quale modo di trasporto hanno scelto per spostarsi su una determinata relazione OD) Indagini SP ( Stated Preference o Preferenze Dichiarate) indagini sui comportamenti dichiarati dagli utenti in contesti ipotetici si sottopongono all intervistato alcune alternative di viaggio e si chiede di scegliere qual è per lui la migliore 18
19 Esempio di indagine RP FINALITÀ DELL INDAGINE stima della domanda interna METODOLOGIA D INDAGINE indagine telefonica T.M.T Pragma S.r.l. Pragma S.r.l. Studio Market Selector S.a.s QUESTIONARIO INDAGINE TELEFONICA 7. / 9. Buongiorno/sera sono della.. Il nostro Istituto sta svolgendo un indagine per conto del Comune di Roma sugli spostamenti in città. Potrei parlare con una persona della sua famiglia di (sesso) e di età compresa tra e? Le preciso che in base alla legge 675 sulla tutela della privacy, lei è libero di accettare l intervista o di interromperla nel momento in cui lo ritenga opportuno. Le garantisco che qualsiasi informazione ci verrà data, verrà trattata in forma strettamente riservata e senza l uso dei dati personali. D. 1 SESSO 1 Uomo 2 Donna D. 2 QUAL E LA SUA ETA? anni D. 3 NELLA GIORNATA DI IERI LEI ERA A ROMA? 1 Si 2 No (passare a dom. 8) D. 3.1 E SEMPRE NELLA GIORNATA DI IERI LEI HA EFFETTUATO SPOSTAMENTI IN CITTA CHE ABBIANO AVUTO INIZIO O TERMINE TRA LE ORE 7. E LE ORE 9.? 1 Si 2 No (passare a dom. 8) D. 4 DA QUANTE PERSONE E COMPOSTA LA SUA FAMIGLIA (LEI COMPRESA/O)? N persone D. 5 TRA LE PERSONE DELLA SUA FAMIGLIA QUANTE HANNO LA PATENTE DI GUIDA? persone D. 6 E LEI IN PARTICOLARE HA LA PATENTE DI GUIDA? 1 Si 2 No
20 Esempio di indagine RP FINALITÀ DELL INDAGINE stima della domanda interna METODOLOGIA D INDAGINE indagine telefonica PENSANDO SEMPRE NELLA GIORNATA DI IERI ALLA FASCIA ORARIA TRA LE ORE 7. E LE ORE 9., VORREI RICOSTRUIRE I SUOI SPOSTAMENTI. PER SPOSTAMENTO S INTENDE OGNI VOLTA CHE SI E MOSSO PER UNO SCOPO SPECIFICO. D.7 A CHE ORA HA AVUTO INIZIO IL PRIMO SPOSTAMENTO? : ora minuti D.7.1 DA QUALE INDIRIZZO HA AVUTO INIZIO QUESTO SPOSTAMENTO (indirizzo per esteso comprensivo di numero civico) Comune : 1 Roma 2 Fuori Roma (registrare il Comune per gli spostamenti successivi al primo) Via/Piazza/Largo N civico: D.7.2 IN QUALE COMUNE ED INDIRIZZO HA AVUTO TERMINE QUESTO SPOSTAMENTO? (comune ed indirizzo per esteso comprensivo di numero civico) Comune : 1 Roma 2 Fuori Roma (Non registrare l indirizzo se lo spostamento ha avuto termine fuori Roma) Via/Piazza/Largo N civico: D.7.3 A CHE ORA E GIUNTO A DESTINAZIONE (nel comune e/o all indirizzo citato a dom. 7.2)? : ora minuti D. 7.4 QUALE ERA IL MOTIVO DI QUESTO SPOSTAMENTO? 1 Andare al posto di lavoro 2 Visita a clienti/affari consegne 3 Andare a scuola 4 Acquisti, commissioni personali 5 Visita a parenti/amici 6 Visite mediche/cure personali 7 Svago (tutti escluso culturale), Sport (spettatore e/o praticante) 8 Svago culturale (cinema, teatro, museo) 9 Accompagnamento/prelevamento persone 1 Parrucchiere, barbiere, estetica 11 Ritorno all abitazione abituale 12 Altri motivi D.7.5. CON QUALE FREQUENZA EFFETTUA QUESTO SPOSTAMENTO? volte alla settimana volte al mese volte all anno (codificare con 1 volta all anno lo spostamento occasionale/ prima volta)
21 Esempio di indagine RP FINALITÀ DELL INDAGINE stima della domanda interna METODOLOGIA D INDAGINE indagine telefonica D.7.6. QUALE MEZZO/I HA UTILIZZATO PER EFFETTUARE QUESTO SPOSTAMENTO? SE HA USATO PIU DI UN MEZZO LI INDICHI IN SEQUENZA 1 A piedi 2 Bicicletta 1 mezzo 2 mezzo 3 mezzo 4 mezzo 3 Motocicletta ciclomotori (conducente) 4 Motocicletta ciclomotori (passeggero) 5 Auto privata (conducente) 6 Auto privata (passeggero) 7 Veicolo merci ad uso promiscuo 8 Taxi 9 Autobus (ATAC,COTRAL) 1 Tram 11 Metropolitana 12 Altro mezzo (treno FS, aereo) D.7.7. (Per tutti coloro con cod.3, 5 e 7 a dom. 7.6, eccetto quando a dom.7.2 la risposta è uguale a 2 (fuori Roma) e a dom. 7.6 è stato citato solo cod. 3 o 5 o 7)DOVE HA PARCHEGGIATO? 1 Strada o area pubblica gratuita 2 Strada o area pubblica a pagamento 3 Posto auto privato di proprietà 4 Posto auto privato a pagamento 5 Posto auto privato gratuito o riservato azienda 6 Autorimessa D.7.8. (Se ha usato più mezzi) IN QUALE INDIRIZZO HA PRESO IL SECONDO MEZZO? ED IL TERZO? Indirizzo per esteso secondo mezzo Via/Piazza/Largo N civico: Indirizzo per esteso terzo mezzo Via/Piazza/Largo N civico: ATTENZIONE PORRE LE DOM. DA 7 A 7.8 PER OGNI SPOSTAMENTO EFFETTUATO SUCCESSIVAMENTE AL PRIMO CONTROLLANDO CHE L INDIRIZZO DI ORIGINE COINCIDA CON QUELLO DI DESTINAZIONE DELLO SPOSTAMENTO PRECEDENTE
22 Esempio di indagine SP
23 CAMPIONI INDIVIDUALI E COLLETTIVI Le osservazioni che costituiscono il campione con cui si calibra un modello, possono essere relative a: Uno stesso individuo che effettua le proprie scelte ad esempio su una stessa relazione Origine-Destinazione in giorni diversi (Campioni individuali) Più individui che effettuano le proprie scelte, ad esempio su relazioni OD diverse e in giorni diversi (Campioni collettivi) 23
24 Esempi di modelli di scelta del percorso 24
25 Example of path alternatives Frascati-Rome with Desired Arrival Time at 9:3 am Path 1 values [min] Path 2 values [min] Attributes min max average Attributes min max average waiting time waiting time on board time rail and metro on board time rail and metro on board time bus on board time bus access and egress walking time access and egress walking time late arrival time late arrival time early arrival time early arrival time number of transfers number of transfers total travel time total travel time Path 3 values [min] Path 4 values [min] Attributes min max average Attributes min max average waiting time waiting time on board time rail and metro on board time rail and metro on board time bus on board time bus access and egress walking time access and egress walking time late arrival time late arrival time early arrival time early arrival time number of transfers number of transfers total travel time total travel time Frascati Railways station Train Capannelle Railways station Bus Cinecittà Metro station Metro A Bus Sempione Bus stop Foot Ciampino Railways station Termini Metro station Piazza Sempione Bus Anagnina Metro station Metro A Metro B Conca D Oro Metro station Foot
26 Path choice behaviour assumption The user compares the alternative paths using a personal path utility function, for example: t V OD,tTTi é ë kù û = b ED ED k + b AE AE k + å [ b TW,m TW m,k + b OB,m OB m,k + b CFW,m CFW m,k + b NT,m NT m,k ] m where: V is the Path Utility of path k for user i ED k is the Early or Late arrival time (i.e. the difference between the desired and the actual arrival time); AE k is the sum of access and egress times; TW m,k is the waiting time of transit service m; OB m,k is the on-board time; CFW m,k is the average on-board crowding degree; NT m is the number of transfers; i are the personal model parameters.
27 Which performances are required to the individual path choiche models? t-student test: H : k = ; rho-squared : t Var ML k ML 1/ 2 k 2 1 ML ln L( ) lnl( ) adjusted rho-squared ln L ML N 2 1 ln L( ) N number of model parameters %-of- right = percentage of observations for which the choosen alternative is the one of maximum utility ( or the second best)
28 Example of Multinomial logit parameters estimated with 15 SP observations Esempio di questionario EXP Ora Ora T_ Tempo Attesa_ Viaggio Viaggio Tempo Tempo N N Partenza Arrivo Viaggio_Tot Piedi Bus Bus Metro Trasb_Bus Trasb_Metro Trasb_Bus Trasb_Metro SCELTA
29 Example of Multinomial logit parameters estimated with 15 SP observations USER User A User B User C User D User E User F Model type Waiting time (total) On-board time (train) On-board time (metro) On-board time (bus) Early and late arrival time βwaiting βrailway βmetro βbus βδ(early/late) %-of-right (1 st ) %-of-right incl. 1 st +2 nd best logit % ( 2 =.71) t =-4.6 t =-1.3 t =-1.64 t =-3.24 t = % logit % ( 2 =.67) t =-5.5 t =-3.12 t =-2.8 t =-3.31 t = % logit % ( 2 =.6) t =-3.31 t =-6.81 t = % logit % ( 2 =.9) t =-3.65 t =-3.24 t =-.67 1% logit % ( 2 =.79) t =-5.24 t =-6.4 1% logit % ( 2 =.69) t =-1.71 t =-4.9 t =-.14 t =-1.73 t = % Average logit % ( 2 =.51) t = t = t = t = t = %
30 Performances of Multinomial logit models Personal model Average model Applied to %-of-right %-of-right %-of-right %-of-right (1st) (2nd) (1st) (2nd) User A 84% 97% 83% 98% User B 81% 98% 51% 77% User C 64% 1% 65% 89% User D 95% 1% 91% 1% User E 88% 1% 79% 95% User F 9% 96% 85% 96%
31 Example of path alternatives Urban O-D pair Path 1 values [min] Path 2 values [min] Attribute min Max Average Attribute min Max Average Waiting time the first bus (minutes) Waiting time the first bus (minutes) On board (bus; minutes) On board (bus; minutes) On board metro minutes) On board metro minutes) Bus Transfer Time (minutes) Bus Transfer Time (minutes) Metro Transfer Time (minutes) Metro Transfer Time (minutes) Number of transfer bus Number of transfer bus Number of transfer metro Number of transfer metro On foot Time (minutes) On foot Time (minutes) Total Travel time (minutes) 62, 121, 76,47 Total Travel time (minutes) Path 3 values [min] Attribute min Max Average Waiting time the first bus (minutes) On board (bus; minutes) On board metro minutes) Bus Transfer Time (minutes) Metro Transfer Time (minutes) Number of transfer bus Number of transfer metro On foot Time (minutes) Total Travel time (minutes)
32 Example of Multinomial logit parameters estimated with 15 SP observations Urban O-D pair Attributes Travel time (total) Time on foot On-board and transfer time ASA (metro) Parameter User A User B Average (-7.86) (-5.11) (-5.24) (-1.78) (-1.67) (-6.24) (2.1) (-2.31) %-of-right 75% 72% 7% %-of-right including the 1% 94% 94% 1 st +2 nd best
33 Performances of Multinomial logit models Urban O-D pair Personal model Average model Applied to %-of-right %-of-right %-of-right %-of-right (1st) (2nd) (1st) (2nd) User A 75% 1% 74% 97% User B 72% 94% 62% 94%
Calibrazione dei modelli di utilità aleatoria ed esempi di modelli di scelta del percorso
Corso di LOGISTICA TERRITORIALE Calibrazione dei modelli di utilità aleatoria ed esempi di modelli di scelta del percorso DOCENTI Agostino Nuzzolo (nuzzolo@ing.uniroma2.it) Antonio Comi (comi@ing.uniroma2.it)
DettagliCalibrazione dei modelli di utilità aleatoria Modelli di scelta del percorso
A. A. 216-217 Calibrazione dei modelli di utilità aleatoria Modelli di scelta del percorso Agostino Nuzzolo Antonio Comi Department of Enterprise Engineering Tor Vergata University of Rome Introduzione
DettagliRandom Utility Models
Corso di LOGISTICA TERRITORIALE http://didattica.uniroma2.it/ DOCENTE prof. ing. Agostino Nuzzolo prof. ing. Antonio Comi Random Utility Models 1 Modelli di utilità Ipotesi generali I modelli di utilità
DettagliCalibrazione dei modelli di utilità aleatoria ed esempi di modelli di scelta del percorso
Corso di TRASPORTI E TERRITORIO e TEORIA E TECNICA DELLA CIRCOLAZIONE Calibrazione dei modelli di utilità aleatoria ed esempi di modelli di scelta del percorso DOCENTI Agostino Nuzzolo (nuzzolo@ing.uniroma2.it)
DettagliLA STIMA DELLA DOMANDA DI TRASPORTO
LA STIMA DELLA DOMANDA DI TRASPORTO STIMA DELLA DOMANDA ATTUALE STIMA DELLA DOMANDA ATTUALE E FUTURA STIMA DIRETTA STIMA DA MODELLO INDAGINI: INTERVISTE SU DI UN CAMPIONE DI UTENTI: (INFORMAZIONI DISAGGREGATE)
DettagliRandom Utility Models: surveys, model building and examples
A. A. 216-217 http://didattica.uniroma2.it Random Utility Models: surveys, model building and examples DOCENTI Agostino Nuzzolo (nuzzolo@ing.uniroma2.it) Antonio Comi (comi@ing.uniroma2.it) RP and SP Surveys
DettagliCalibrazione disaggregata
Corso di TEORIA DEI SISTEMI DI TRASPORTO prof. ing. Umberto Crisalli Calibrazione disaggregata La stima della domanda di trasporto Stima della Domanda Attuale Stima della Domanda Attuale e Futura Stima
DettagliIntroduzione al corso
A. A. 215-216 Introduzione al corso prof. ing. Antonio Comi Department of Enterprise Engineering Tor Vergata University of Rome Orari ed aule di lezione MARTEDÌ MERCOLEDÌ VENERDÌ ore 11:3 13:15 Aula B2
DettagliStima diretta della domanda di trasporto
Teoria dei Sistemi di Trasporto 1 + 2 (9 CFU) A. A. 2016-2017 Stima diretta della domanda di trasporto prof. ing. Antonio Comi Department of Enterprise Engineering University of Rome Tor Vergata Prof.
DettagliCALIBRAZIONE DISAGGREGATA
corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A. 2018-2019 CALIBRAZIONE DISAGGREGATA corso selezionato per la sperimentazione della piattaforma di insegnamento/apprendimento Prof. Ing. Umberto
DettagliStima diretta della domanda di trasporto
Teoria dei Sistemi di Trasporto 1 + 2 (9 CFU) A. A. 2018-2019 Stima diretta della domanda di trasporto prof. ing. Antonio Comi Department of Enterprise Engineering University of Rome Tor Vergata Prof.
DettagliCorso di TEORIA DEI SISTEMI DI TRASPORTO prof. ing. Umberto Crisalli. Stima diretta della domanda di trasporto
Corso di TEORIA DEI SISTEMI DI TRASPORTO prof. ing. Umberto Crisalli Stima diretta della domanda di trasporto 1 Stima della domanda di trasporto Introduzione STIMA DELLA DOMANDA ATTUALE STIMA DELLA DOMANDA
DettagliStima diretta della domanda di trasporto
Corso di PIANIFICAZIONE DEI TRASPORTI prof. ing. Agostino Nuzzolo aprile 006 Stima diretta della domanda di trasporto Stima della domanda di trasporto Introduzione STIMA DELLA DOMANDA ATTUALE STIMA DELLA
DettagliSTIMA DIRETTA DELLA DOMANDA DI TRASPORTO
corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A. 2018-2019 STIMA DIRETTA DELLA DOMANDA DI TRASPORTO corso selezionato per la sperimentazione della piattaforma di insegnamento/apprendimento
DettagliMODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai processi di scelta discreta in condizioni di incertezza
Corso di TRASPORTI E TERRITORIO e TEORIA E TECNICA DELLA CIRCOLAZIONE MODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai processi di scelta discreta in condizioni di incertezza
DettagliStima della domanda attuale con conteggi dei flussi di traffico
A. A. 2018-2019 Stima della domanda attuale con conteggi dei flussi di traffico prof. ing. Antonio Comi Ing. Antonio Polimeni Department of Enterprise Engineering Tor Vergata University of Rome Introduzione
DettagliFigura Area di Studio
Esercizi modelli di domanda Esercizio 1 Considerando tre zone di traffico, si vuole determinare il numero complessivo di spostamenti emessi dalle tre zone per il motivo Casa-Studio ed effettuati da studenti
DettagliCORSI E SEMINARI DI FORMAZIONE UTILIZZO DEI MODELLI DI SIMULAZIONE DEL TRAFFICO: MODELLI MULTIMODALI E BIG DATA
UTILIZZO DEI MODELLI DI SIMULAZIONE DEL TRAFFICO: MODELLI MULTIMODALI E BIG DATA giovedì 9 novembre 2017// Centro Studi PIM - Villa Scheibler Modelli di simulazione Multimodale: caratteristiche, dati di
DettagliIndagine mobilità a Firenze e Comuni di prima cintura
PRAGMA SRL VIA NOMENTANA, 134 00162 ROMA Tel: 06/844881 - Fax: 06/84488298 RM12-4195 Rev.03 A) SEZIONE INTRODUTTIVA Indagine mobilità a Firenze e Comuni di prima cintura INTERVISTATORE INTERVISTA N. GIORNO
DettagliSeminario Modelli di Scelta Discreta
Seminario Modelli di Scelta Discreta Università degli Studi di Cagliari Facoltà di Ingegneria Dott. Ing. Eleonora Sottile, PhD Cagliari, 4 maggio 2018 Modelli Rappresentazione semplificata di una parte
DettagliMODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai modelli dell ingegneria dei trasporti
Corso di TRASPORTI E TERRITORIO e TEORIA E TECNICA DELLA CIRCOLAZIONE MODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai modelli dell ingegneria dei trasporti DOCENTI Agostino
DettagliSimulazione statica e dinamica dei sistemi di trasporto
A. A. 2016-2017 Simulazione statica e dinamica dei sistemi di trasporto prof. ing. Antonio Comi Department of Enterprise Engineering University of Rome Tor Vergata I sistemi di trasporto Sono costituiti
DettagliCorso di TEORIA DEI SISTEMI DI TRASPORTO. Prof. Ing. Umberto Crisalli
Corso di TEORIA DEI SISTEMI DI TRASPORTO Prof. Ing. Umberto Crisalli Modelli di domanda 1 Struttura del sistema di modelli per la simulazione dei sistemi di trasporto OFFERTA DI INFRASTRUTTURE E SERVIZI
DettagliModelli di scelta del percorso Modelli di assegnazione
Corso di LOGISTICA TERRITORIALE www.uniroma.it/didattica/lt DOCENTE prof. ing. Agostino Nuzzolo Modelli di scelta del percorso Modelli di assegnazione Definizioni ed ipotesi Relazione tra costi d arco
DettagliModelli di offerta di trasporto. ing. Pierluigi Coppola Dipartimento di Ingegneria dell Impresa Università di Roma Tor Vergata
Modelli di offerta di trasporto ing. Pierluigi Coppola Dipartimento di Ingegneria dell Impresa Università di Roma Tor Vergata MODELLI D OFFERTA Attraverso la simulazione degli elementi del sistema d offerta
DettagliPIANIFICAZIONE DEI TRASPORTI
Università di agliari DIAAR Dipartimento di Ingegneria ivile, Ambientale e architettura Sezione Trasporti PIANIFIAZIONE DEI TRASPORTI Esercitazione 4 Il modello di scelta modale A.A. 206-207 Prof. Italo
DettagliModelli Decisionali per la Stima della Domanda di Mobilità
Modelli Decisionali per la Stima della Domanda di Mobilità dambra@unina.it rodia@unina.it Schema Sintetico Sistema di Offerta Sistema di Trasporto Sistema di Domanda Modello di Offerta Modello di Domanda
DettagliModelli fisici (usati in architettura, nella meccanica dei fluidi, etc.) Modelli astratti (mentali, matematici, etc.)
Rappresentazione semplificata di una parte del mondo reale (sistema di interesse) attraverso la definizione di elementi considerati importanti per la sua analisi e secondo un particolare punto di vista:
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
DettagliMODELLI DI DOMANDA. Prof. Ing. Umberto Crisalli Dipartimento di Ingegneria dell Impresa.
corso di Teoria e Tecnica della Circolazione MODELLI DI DOMANDA Prof. Ing. Umberto Crisalli Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma2.it Modelli di domanda Sistema di modelli per la
DettagliDomanda merci internazionale Import-Export
Corso di LOGISTICA TERRITORIALE www.uniroma2.it/didattica/lt_20112011 DOCENTE prof. ing. Agostino Nuzzolo Domanda merci internazionale Import-Export Quadro di riferimento Geografic Area Import Export 2007
DettagliCORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE E IL TERRITORIO. Programma del corso di Tecnica ed Economia dei Trasporti. Prof.
CORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE E IL TERRITORIO Programma del corso di Tecnica ed Economia dei Trasporti Prof. Andrea Papola Introduzione al corso La professione dell ingegnere dei sistemi
DettagliModelli di scelta del percorso (cenni)
Corso di PROGETTAZIONE DEI SISTEMI DI TRASPORTO (tutti i CCS tranne Civile e Gestionale) www.uniroma.it/didattica/pst_accs ing. Antonio Comi ottobre 006 Modelli di scelta del percorso (cenni) Il modello
DettagliStima dei parametri. I parametri di una pdf sono costanti che caratterizzano la sua forma. r.v. parameter. Assumiamo di avere un campione di valori
Stima dei parametri I parametri di una pdf sono costanti che caratterizzano la sua forma r.v. parameter Assumiamo di avere un campione di valori Vogliamo una funzione dei dati che permette di stimare i
DettagliTeoria delle decisioni
A. A. 2017-2018 Teoria delle decisioni introduzione expected utility prof. ing. Antonio Comi Department of Enterprise Engineering Tor Vergata University of Rome Teoria delle decisioni razionali Teoria
DettagliModelli per l assegnazione della domanda alle reti di trasporto aereo
Corso di Gestione ed Esercizio dei Sistemi di Trasporto www.uniroma2.it/didattica/gest Modelli per l assegnazione della domanda alle reti di trasporto aereo Definizione del problema Modelli di domanda
DettagliStima diretta della domanda di trasporto
Corso di PIANIFICAZIONE DEI TRASPORTI Prof. Ing. Agostino Nuzzolo Aprile 005 Stima diretta della domanda di trasporto Stima della domanda di trasporto STIMA DELLA DOMANDA ATTUALE STIMA DELLA DOMANDA ATTUALE
DettagliDEFINIZIONI. CORSA connessione spazio-temporale data da una sequenza di fermate con determinati orari di partenza/arrivo.
DEFINIZIONI Dato un sistema di trasporto collettivo: CORSA connessione spazio-temporale data da una sequenza di fermate con determinati orari di partenza/arrivo. LINEA insieme di corse con le stesse caratteristiche
DettagliInterpolazione e metodo dei minimi quadrati
A. A. 017-018 Interpolazione e metodo dei minimi quadrati prof. ing. Antonio Comi Department of Enterprise Engineering Tor Vergata University of Rome Relazioni tra variabili Molto spesso si verifica che
Dettagli(1,2) 800 (1,3) 500. Figura 1 Alternative di percorso tra le coppie di zone dell area di studio (1,2) e (1,3).
ESERCIZIO SCELTA DEL PERCORSO Si consideri un area di studio costituita da tre zone di traffico. Siano: - A e B i percorsi che collegano la coppia di zone (1,2); - C e D i percorsi che collegano la coppia
Dettagli4. MODELLI DI SCELTA DEL PERCORSO
4. MODELLI DI SCELTA DEL PERCORSO Il modello di scelta del percorso fornisce l aliquota p[/oshdm] degli spostamenti effettuati da utenti di categoria i, che utilizzano ciascun percorso relativo al modo
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2017.html
DettagliIMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sull Area della Città di Carignano e del Comune di La Loggia
IMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sull Area della Città di Carignano e del Comune di La Loggia CITTA DI CARIGNANO COMUNE DI LA LOGGIA Le Indagini campionarie
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2018.html
DettagliSTIMA DELLA DOMANDA ATTUALE CON CONTEGGI DI FLUSSI DI TRAFFICO
corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A. 2018-2019 STIMA DELLA DOMANDA ATTUALE CON CONTEGGI DI FLUSSI DI TRAFFICO corso selezionato per la sperimentazione della piattaforma di insegnamento/apprendimento
DettagliIMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sulla Città di Venaria Reale
IMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sulla Città di Reale CITTA DI VENARIA REALE Le Indagini campionarie sulla Mobilità delle persone e sulla Qualità dei
DettagliStima della domanda attuale con conteggi dei flussi di traffico
corso di Teoria dei Sistemi di Trasporto Stima della domanda attuale con conteggi dei flussi di traffico PROF. ING. UMBERTO CRISALLI Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma2.it Introduzione
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliCORREZIONE DELLA DOMANDA O-D CON CONTEGGI DI TRAFFICO
corso di Teoria e Tecnica della Circolazione + Trasporti e Territorio CORREZIONE DELLA DOMANDA O-D CON CONTEGGI DI TRAFFICO PROF. ING. UMBERTO CRISALLI Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma2.it
DettagliCORREZIONE DELLA DOMANDA O-D CON CONTEGGI DI TRAFFICO
corso di Teoria e Tecnica della Circolazione + Trasporti e Territorio a.a. 2012-2013 CORREZIONE DELLA DOMANDA O-D CON CONTEGGI DI TRAFFICO PROF. ING. UMBERTO CRISALLI Dipartimento di Ingegneria dell Impresa
DettagliIl modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009)
Il modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009) Quesito: Posso stimare il numero di ore passate a studiare statistica sul voto conseguito all esame? Potrei calcolare il coefficiente di correlazione.
DettagliDifferenze tra metodi di estrazione
Lezione 11 Argomenti della lezione: L analisi fattoriale: il processo di estrazione dei fattori Metodi di estrazione dei fattori Metodi per stabilire il numero di fattori Metodi di Estrazione dei Fattori
DettagliCorso di TEORIA DEI SISTEMI DI TRASPORTO 2. prof. ing. Umberto Crisalli
Corso di TEORIA DEI SISTEMI DI TRASPORTO 2 prof. ing. Umberto Crisalli Stima della domanda attuale con conteggi dei flussi di traffico 1 Introduzione Stima della Domanda Attuale Stima della Domanda Attuale
DettagliCorso di Laurea: Numero di Matricola: Esame del 31 maggio 2018 Tempo consentito: 120 minuti
Corso di Laurea: Numero di Matricola: Esame del 31 maggio 2018 Tempo consentito: 120 minuti Professor Paolo Vitale Anno Accademico 2017-8 UdA, Scuola d Economia Domanda 1 [6 punti]. (a) La multi-collineartità
DettagliIMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sul Comune di Volpiano
IMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sul Comune di COMUNE DI VOLPIANO Le Indagini campionarie sulla Mobilità delle persone e sulla Qualità dei trasporti
DettagliIMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sulla Città di Moncalieri
IMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sulla Città di CITTA DI MONCALIERI Le Indagini campionarie sulla Mobilità delle persone e sulla Qualità dei trasporti
DettagliIMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sul Comune di Beinasco
IMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sul Comune di COMUNE DI BEINASCO Le Indagini campionarie sulla Mobilità delle persone e sulla Qualità dei trasporti
DettagliIMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sulla Città di Piossasco
IMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sulla Città di CITTA DI PIOSSASCO Le Indagini campionarie sulla Mobilità delle persone e sulla Qualità dei trasporti
DettagliTeoria dei Sistemi di Trasporto (9 CFU) A. A Modelli di offerta di trasporto. Esempi applicativi. prof. ing.
A. A. 2016-2017 Modelli di offerta di trasporto richiami di teoria del deflusso Esempi applicativi prof. ing. Antonio Comi Department of Enterprise Engineering University of Rome Tor Vergata 1 indice Variabili
Dettagli4. MODELLI DI SCELTA DEL PERCORSO
4. MODELLI DI SCELTA DEL PERCORSO Il modello di scelta del percorso fornisce l aliquota p[/oshdm] degli spostamenti effettuati da utenti di categoria i, che utilizzano ciascun percorso relativo al modo
DettagliTeoria delle decisioni
A. A. 2015-2016 Teoria delle decisioni Expected Utility vs Cumulative Prospect Theory Esempi applicativi prof. ing. Antonio Comi Department of Enterprise Engineering Tor Vergata University of Rome Ambiguità
DettagliTeoria dei Sistemi di Trasporto (9 CFU) A. A Scelta del Percorso. prof. ing. Antonio Comi
A. A. 2016-2017 Scelta del Percorso prof. ing. Antonio Comi epartment of Enterprise Engineering University of Rome Tor Vergata Modelli di domanda La domanda di mobilità deriva dalla necessità di svolgere
DettagliMODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai processi di scelta discreta in condizioni di rischio
Corso di TRASPORTI E TERRITORIO e TEORIA E TECNICA DELLA CIRCOLAZIONE MODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai processi di scelta discreta in condizioni di rischio DOCENTI
DettagliIMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sulla Città di Chieri
IMQ 2013 Indagine sulla Mobilità delle persone e sulla Qualità dei trasporti Analisi sulla Città di CITTA DI CHIERI Le Indagini campionarie sulla Mobilità delle persone e sulla Qualità dei trasporti (IMQ)
DettagliPROBABILITÀ ELEMENTARE
Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti
DettagliPROGETTAZIONE DEI SISTEMI DI TRASPORTO
Corso di PROGETTAZIONE DEI SISTEMI DI TRASPORTO (tutti i CCS tranne Civile e Gestionale) www.uniroma2.it/didattica/pst_accs ing. Antonio Comi ottobre 2006 Domanda di mobilità Struttura del sistema di modelli
DettagliSistemi di mobilità locale
Indicatore Adriatic Action Plan n. 5 - Scheda Metodologica (pag. 1) METODOLOGIA TRATTA DA VERSO UN PROFILO DI SOSTENIBILITA LOCALE - INDICATORI COMUNI EUROPEI. Schede Metodologiche (Novembre 2002): INDICATORE
DettagliMetodi Quantitativi per Economia, Finanza e Management. Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello
Metodi Quantitativi per Economia, Finanza e Management Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello 1. Introduzione ai modelli di regressione 2. Obiettivi 3. Le
DettagliLaboratorio di Statistica Aziendale Modello di regressione lineare multipla
Laboratorio di Statistica Aziendale Modello di regressione lineare multipla Michela Pasetto michela.pasetto2@unibo.it Definizione del modello OLS (semplice) L obiettivo della regressione lineare è di valutare
DettagliComune di Dolo Piano Generale del Traffico Urbano. Allegato P2_2 - Materiali indagine alle famiglie. Ottobre 2015
ATraKI S.r.l. Spin-off dell Università di Padova Via Armando Diaz, 7015 S. Ambrogio di Valpolicella (VR) Tel. +9 05 6862580 Fax +9 05 688756 Comune di Dolo Piano Generale del Traffico Urbano Allegato P2_2
DettagliStatistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill
Statistica - metodologie per le scienze economiche e sociali /e S. Borra, A. Di Ciaccio - McGraw Hill Es.. Soluzione degli esercizi del capitolo 4 4. Il sistema d ipotesi è: μ 7, H : μ 7, Essendo 0 : t,
DettagliModelli di Assegnazione
Teoria dei Sistemi di Trasporto + (9 CFU) A. A. 5-6 Modelli di Assegnazione (cenni) pro. ing. Antonio Comi Department o Enterprise Engineering Tor Vergata University o Rome Pro. Ing. Antonio Comi Teoria
DettagliAnalisi multivariata per osservazioni appaiate. Analisi multivariata per osservazioni appaiate
Introduzione Notazione Modello additivo Verifica d ipotesi Sia X una variabile q-dimensionale, a valori reali, non degenere, osservata in k tempi diversi (τ 1, τ 2,..., τ k ), sulle stesse n unità statistiche
DettagliCORSI E SEMINARI DI FORMAZIONE UTILIZZO DEI MODELLI DI SIMULAZIONE DEL TRAFFICO: MODELLI MULTIMODALI E BIG DATA
UTILIZZO DEI MODELLI DI SIMULAZIONE DEL TRAFFICO: MODELLI MULTIMODALI E BIG DATA giovedì 9 novembre 2017// Centro Studi PIM - Villa Scheibler Modelli di simulazione Multimodale: L esperienza dell utilizzo
DettagliIndagine sugli spostamenti casa-scuola Istituto Palladio
Indagine sugli spostamenti casa-scuola Istituto Palladio (I dati raccolti saranno trattati nel rispetto del D Lsg 196/03 sulla Privacy e utilizzati unicamente per i fini attinenti all indagine sopra indicata,
Dettagli3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
DettagliSTATISTICA MULTIVARIATA SSD MAT/06
Università degli studi di Ferrara Dipartimento di Matematica A.A. 2018/2019 I semestre STATISTICA MULTIVARIATA SSD MAT/06 LEZIONE 4 - Questioni di analisi e applicazione della regressione lineare Pratica
DettagliSistemi di trasporto Zonizzazione Matrici O/D
Corso di Trasporti e Ambiente ing. Antonio Comi settembre 2014 Sistemi di trasporto Zonizzazione Matrici O/D Struttura del sistema di modelli per la simulazione dei sistemi di trasporto OFFERTA DI INFRASTRUTTURE
DettagliSTATISTICA. Regressione-2
STATISTICA Regressione-2 Esempio Su un campione di =5unità sono state osservate due variabili, ed : x i 1 2 3 4 5 y i 1.5 2.5 3 2.5 3.5 1. Rappresentare l andamento congiunto di in funzione di mediante
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7:
esercitazione 7 p. 1/13 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7: 20-05-2004 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliCOGNOME.NOME...MATR..
STATISTICA 29.01.15 - PROVA GENERALE (CHALLENGE) Modalità A (A) ai fini della valutazione verranno considerate solo le risposte riportate dallo studente negli appositi riquadri bianchi: in caso di necessità
DettagliMODELLI DI DOMANDA E UTILITÀ ALEATORIA
MODELLI DI DOMANDA E TILITÀ ALEATORIA SPOSTAMENTO: RISLTATO DI NMEROSE SCELTE COMPITE DAGLI TENTI DEL SERVIZIO DI TRASPORTO MODELLI DI DOMANDA: TENTANO DI RIPRODRRE I COMPORTAMENTI DI SCELTA DI TRASPORTO
DettagliMetodi Statistici per il Management
Metodi Statistici per il Management Modelli statistici di dipendenza Simone Borra - Roberto Rocci Modelli statistici di dipendenza Modelli: strutture formali che hanno l obiettivo di descrivere, spiegare
DettagliComune di Dolo Piano Generale del Traffico Urbano. Allegato P2_1 - Indagine cordonale. Questionari usati per le interviste all utenza.
ATraKI S.r.l. Spin-off dell Università di Padova Via Armando Diaz, 4 37015 S. Ambrogio di Valpolicella (VR) Tel. +39 045 6862580 Fax +39 045 6887456 di Dolo Piano Generale del Traffico Urbano Allegato
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
DettagliECONOMETRIA: Laboratorio I
ECONOMETRIA: Laboratorio I Luca De Angelis CLASS - Università di Bologna Programma Laboratorio I Valori attesi e varianze Test di ipotesi Stima di un modello lineare attraverso OLS Valore atteso Data una
DettagliL'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile. Corso di Metodologia della ricerca sociale
L'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile Corso di Metodologia della ricerca sociale L analisi della varianza (ANOVA) La tecnica con cui si esplorano le relazioni
DettagliModelli di offerta di trasporto
A. A. 2015-2016 Modelli di offerta di trasporto richiami di teoria del deflusso (diagramma fondamentale) prof. ing. Antonio Comi Department of Enterprise Engineering Tor Vergata University of Rome 1 Velocità
DettagliSERVIZI DI TRASPORTO ALTERNATIVI PER L AREA URBANA DI MILANO. Livorno, ottobre 2011
SERVIZI DI TRASPORTO ALTERNATIVI PER L AREA URBANA DI MILANO Livorno, 12-13 ottobre 2011 Il quadro normativo D.Lgs. 422/1997 in territori a domanda debole, al fine di garantire comunque il soddisfacimento
DettagliIstituto Universitario Architettura Venezia TR 285. Servizio Bibliografico Audiovisivo e di Documentazione
Istituto Universitario Architettura Venezia TR 285 Servizio Bibliografico Audiovisivo e di Documentazione ENNIO CASCETT A Professore ordinario di Teoria dei sistemi di trasporto Università di Napoli «Federico
DettagliDomanda merci interregionale Scelta della Modalità di Trasporto
Corso di LOGISTICA TERRITORIALE http://didattica.uniroma2.it DOCENTE prof. ing. Agostino Nuzzolo Domanda merci interregionale Scelta della Modalità di Trasporto Decisore Soggetto che sopporta i costi (franco
Dettagli