Approfondimenti disciplinari

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Approfondimenti disciplinari"

Transcript

1 UNIVERSITÁ DEGLI STUDI DI FERRARA CORSO SPECIALE ABILITANTE anno accademco 2006/2007 CORSO DI: Approfondment dscplnar UNITÁ DIDATTICA DELLA CLASSE A049 LA PROBABILITA DOCENTE: PROF. BERNARDI EROS

2

3 TITOLO: La probabltà. CLASSE: V anno Lceo Scentfco. L argomento vene trattato durante l 2 quadrmestre, nell ambto dello studo n preparazone all esame d stato. Il modulo s apre con l elenco de prerequst, degl obettv d apprendmento e de suo contenut. PREREQUISITI: Concett base della teora degl nsem. Operazone d unone, ntersezone, passaggo al complemento, prodotto cartesano. Element d calcolo combnatoro. Equazon e funzon. OBIETTIVI GENERALI: Lo studo della probabltà e del calcolo delle probabltà contrbusce al persegumento delle seguent fnaltà: Conoscenza storca dello svluppo della probabltà Lnguaggo approprato al calcolo della probabltà. Capactà d dmostrare e generalzzare. Ragonamento potetco deduttvo. Il calcolo matematco applcato a problem d ncertezza. Lezone partecpata. Sapere rutlzzare problem svolt per rsolverne de nuov. Padronanza de process d anals, sntes. Cogntv: La probabltà e le sue applcazon. Le tre defnzon d probabltà. Teorem fondamental d somma e prodotto. Probabltà condzonata e d correlazone tra event. Enuncare e dmostrare l teorema d Bayes. Metacogntv: Gudare gl allev all uso consapevole della probabltà. Susctare l nteresse e la curostà degl student per l calcolo d probabltà semplc. Acqusre rgore scentfco sa nel lnguaggo che nella metodologa. Concetto d evento dpendente ed ndpendente. Calcolare n modo accorto la probabltà condzonata da altr event. Applcare correttamente l teorema d Bayes. Comportamental: Ruscre a lavorare n gruppo saper chedere spegazon rspettare temp d consegna svluppare l atttudne alla comuncazone e a rapport nterpersonal, contrbure allo svluppo dello sprto crtco e delle capactà logche e argomentatve. 1

4 OBIETTIVI SPECIFICI Sapere (conoscenze) Defnzone d Probabltà. Rconoscere uno spazo camponaro. Event dello spazo camponaro. Rappresentazone cartesana d uno spazo camponaro. Event dpendent ed ndpendent. Saper fare (competenze) Uso coretto del calcolo della probabltà. Rappresentazone grafca. Calcolare probabltà condzonate utlzzando opportunamente l teorema d Bayes. Acqusre la capactà d leggere e nterpretare var problem. Saper fare (capactà) Saper utlzzare cò che s è appreso per affrontare n modo autonomo dverse tpologe d problem anche se presentat per la prma volta. CONTENUTI Cenn storc. Introduzone al calcolo delle probabltà. Evoluzone del concetto d probabltà. Spazo camponaro ed event. Operare con event e spaz camponar. Cenn d probabltà classca, frequentsta ed soggettva. Probabltà assomatca punto d congunzone. Esercz d probabltà. La probabltà condzonata. Regola del prodotto. Il teorema d Bayes e la formula della probabltà totale; correlazone ed ndpendenza. METODOLOGIA DIDATTICA. S può ntrodurre l argomento descrvendo la probabltà n modo classco, rpercorrendo le tappe della sua evoluzone fno a gungere alla probabltà assomatca. Per avvcnare la classe a questo argomento s possono utlzzare dad monete per fare de calcol mmedat ed dare alcun esemp d calcolo delle probabltà. VERIFICA Controllo e verfca dell apprendmento: L andamento e l effcaca dell attvtà ddattca saranno controllate attraverso l assegnazone e la successva correzone n classe d opportun esercz applcatv nelle dverse fas d progressone dell untà ddattca. Saranno noltre effettuate verfche oral e verfche formatve studate per accertare che lo studente abba acqusto gradualmente tutt concett, n partcolare queste saranno studate n modo da verfcare conoscenze, comprensone e capactà d applcazone. A compmento dell untà ddattca s sommnstra una verfca sommatva che servrà a valutare l grado d conoscenze e competenze raggunto da ogn studente 2

5 Recupero: Per l effcaca e la completezza dell attvtà ddattca sono prevste attvtà d recupero. Tal attvtà d recupero sono artcolate n: Recupero svolto n classe attraverso la rpresa de concett non recept e lo svolgmento d esercz che autno a fare charezza sulle procedure non comprese. Attvtà pomerdane con gl student nteressat (sportello scolastco e tutorng). Assegnazone allo studente d esercz mrat alla dffcoltà da recuperare e gudat nella rsoluzone. Attvtà d gruppo gudate. I concett che necesstano d recupero verranno ndvduat attraverso le verfche formatve e sommatva, le prove oral ndvdual e le dscusson d gruppo n classe TEMPI DELL INTERVENTO DIDATTICO Proponamo uno schema dello svolgmento della presente untà ddattca suddvso per attvtà e comprendente temp presunt dell ntervento. S fa presente che esso non può però rteners rgdo n quanto è necessaro consderare varabl legate alle peculartà degl student. lezon Ore dedcate Argoment I 1 Introduzone storca ed le dverse concezon d probabltà, alcun esercz utlzzando tre modell. II 2 La teora assomatca come punto d congunzone delle dverse concezon d probabltà. Rcham sugl nsem. Spazo camponaro ed event. III 1 Tutt teorem della probabltà assomatca con relatve dmostrazon. IV 1 Esercz formatv e verfche oral V 1 Probabltà condzonata, teorema d Bayes, ed applcazon VI 2 Esercz e verfche oral VII 2 Verfca sommatva. 2 Eventuale recupero. 1 Verfca fnale sul recupero. Totale 13 ore CENNI STORICI Le orgn della teora Probablstca. SVILUPPO DEI CONTENUTI Lo studo della probabltà e del calcolo delle probabltà è una conqusta relatvamente recente del pensero matematco, s pens nfatt che nell'antchtà matematc grec dsconoscevano del tutto questo tpo d calcolo. La probabltà, pur essendo studata dal punto d vsta flosofco, era sconoscuta al mondo antco almeno per quanto rguarda suo aspett quanttatv. Per flosof llumnst l corso degl event era rgdamente fssato, l'ordne della natura venva consderato perfetto e nessuna azone umana poteva modfcarlo; tutt effett che percepamo seguono le loro cause, le conoscamo o no; per gl llumnst era scentfco cò che s basava sulla certezza, scarsamente scentfco cò che s basava sulla probabltà. 3

6 I prm document attorno all argomento rsalgono agl nz del XVI secolo, n concdenza non casuale con la nascta della fsca spermentale. Grolamo Cardano( ) con l suo lbro Lber de ludo aleae, presumblmente scrtto forse ntorno al 1526 e pubblcato postumo nel 1663, è l prmo ad occupars d questa matera. In questo lbro è contenuto l problema della probabltà de puntegg che s ottengo come somma lancando due dad; rsultat a cu gunge Cardano contengono qualche nesattezza, ed gl svlupp non sono molto char. I gudz sull opera per l motvo ctato prma rsultano controvers, ma ha certamente una mportanza storca notevole. Galleo Galle( ) con uno scrtto del 1620 crca, tratta l problema del lanco d tre dad, con una certa charezza; nel suo dscorso emergono concett ogg usual, la probabltà vene valutata medante numero de cas favorevol, ed emergono le legg emprche del caso. Nel 1654, mentre l matematco francese Blase Pascal( ) s stava dedcando agl stud sulle conche, un suo amco, l Cavalere d Mere, gl poneva queston sul goco de dad. Qualcuna delle queston potrebbe essere ogg formulata così: lancando un dado otto volte, un gocatore vnce quando esce l numero uno, ma dopo tre tentatv l goco vene nterrotto; n che msura l gocatore ha drtto alla posta? Oppure: perché è meglo scommettere che su quattro lanc d un dado uscrà almeno una volta l numero uno, puttosto che scommettere che su ventquattro lanc d due dad uscrà almeno una volta l doppo uno? Blase Pascal( ) scrsse a Perre Fermat( ) d queste queston e fra due nacque una ftta corrspondenza che fu l'nzo della moderna teora della probabltà. Interessante l collegamento con la flosofa, ed n partcolare l confronto tra Pascal e Carteso, che lo precedeva d poch decne d ann. La poszone d Carteso è alla base dello svluppo determnstco della scenza, culmnante con l affermazone che, conoscendo con precsone lo stato dell unverso n un dato stante, s dovrebbe potere calcolare la sua evoluzone n tutt gl stat successv. La poszone d Pascal è nvece la lontana orgne della moderna probabltà. I due matematc, però, non dedero ma una sstemazone alle loro dee e s deve a Chrstaan Huygens( ) la pubblcazone, nel 1657 del prmo, breve trattato sulla probabltà l De ludo aleae. Fu solo crca cnquant ann dopo, nel 1713, che fu pubblcato Ars Conjectand un trattato d Jacques Bernoull( ) su quest tem che comprendeva queston d permutazon e combnazon, e calcolo d valor d probabltà; appartene a questo trattato la famosa legge de grand numer. S deve arrvare però all'nzo dell'ottocento per far sì che la teora della probabltà abba una sua sstemazone. Guseppe Lug Lagrange (Torno1736-Parg1813), dopo aver pubblcato mportant stud, tra qual quell sul calcolo delle probabltà, fu l prmo a dare una defnzone d probabltà d un evento quale rapporto fra l numero d cas ad esso favorevol rspetto a quello de cas possbl. Fu soprattutto n questo secolo che l calcolo delle probabltà affrontò anche tem dvers da quello del goco, qual ad esempo l calcolo de prem asscuratv, estendendo po le sue possbltà all'astronoma, alla bologa, all'epdemologa ed a tutt camp della spermentazone scentfca. A partre dal Novecento, s ebbero nuove concezon della probabltà, legate soprattutto all'osservazone de fenomen ed alla frequenza con cu determnat event s verfcano. Nel 1919 Rchard von Mses propose una nuova defnzone d probabltà basata su quest crter, che metteva n luce l'nadeguatezza della defnzone classca (data da Lagrange) nel determnare, ad esempo, la probabltà d morte o d sopravvvenza d un ndvduo nserto n un certo ambente: non era n questo caso assolutamente possble parlare d cas favorevol o d cas possbl. La nuova concezone d probabltà prevedeva d avere a dsposzone un grande numero d osservazon del fenomeno e ben s adattava qund a rsolvere problem d tpo statstco. A partre dagl ann vent d questo secolo s cercò d applcare la teora della probabltà anche n stuazon n cu non s dsponeva d grand masse d dat e nemmeno s poteva parlare d cas favorevol e cas possbl. 4

7 A partre dal 1931 F.P.Ramsey e B.De Fnett sostennero, ndpendentemente uno dall altro, che la probabltà dovesse essere n quest cas, una msura della fduca che un soggetto, n possesso d determnate nformazon, attrbusce ad un evento. Nel corso della nostra trattazone, rpercorreremo queste fas storche rproponendo tre modell d probabltà ora vst a partre da quello classco che, come abbamo detto, storcamente vene per prmo. La defnzone classca d Probabltà La prma defnzone d probabltà, detta percò classca, s rtrova gà n Pascal e defnsce la probabltà d un evento come : l rapporto fra l numero de cas favorevol all evento e l numero de cas probabl, purché quest ultm sano tutt ugualmente possbl. Ma non s comprende bene la dfferenza tra ugualmente possbl e ugualmente probabl ; e coss molt vedono n questa defnzone una tautologa, nel senso che bsogna sapere gà prma che sgnfcato dare alla probabltà. Ad esempo, nell'espermento aleatoro che consste nell'estrarre numer della tombola, occorre essere a conoscenza della composzone dell'urna (coè quant e qual numer contene), occorre che dschett sano tutt ugual nel loro aspetto fsco (a parte l numero mpresso), occorre che dschett vengano ben mescolat prma d ogn estrazone, occorre che ch esegue l'estrazone non possa vedere l contenuto dell'urna. Tutte queste potes portano ad ntrodurre un modello secondo l quale ogn numero della tombola ha le stesse possbltà d essere estratto d un altro; la stessa osservazone s può fare per un mazzo d carte per un dado da goco ecc. Questa defnzone dventa una regola per msurare della probabltà d un evento n condzon opportune: Sano un numero fnto d event possbl. Essere ugualmente probabl. Per defnre che cosa sa la probabltà bsogna supporre che gl event elementar abbano la stessa possbltà d verfcars; ma questo è un modo dverso per affermare che hanno la stessa probabltà, facendo rfermento a quello stesso concetto che s pretende d defnre. la probabltà classca s può applcare solo n contest molto lmtat: goch d azzardo che abbano precse condzon d regolartà nel loro svolgmento (non è ad esempo ragonevolmente applcable n una scommessa su una corsa d cavall o su una partta d calco). L'mpostazone classca della probabltà non è però esaurente e ammette alcune alternatve radcalmente dverse. Applchamo la defnzone classca al caso del lanco d un dado: la probabltà che esca 6 è uguale al rapporto tra l numero d facce con se punt e l numero d facce total. Esstono tuttava alcun problem: che cosa accade se una facca del dado è stata alleggerta? Oppure appesantta? Conseguenze: La prevsone del calcolo non è pù adeguata al rsultato. Il denomnatore non è pù la somma de cas ugualmente possbl. La defnzone appare chusa su se stessa;con cò non va scartata ma solo applcata con attenzone, essendo nsosttuble n molt cas. La defnzone frequentsta d Probabltà Non sempre è possble calcolare la probabltà d un evento con la defnzone che abbamo dato prma,; se voglamo msurare la probabltà ha un tratore esperto d centrare un bersaglo al prmo colpo, oppure che probabltà ha un malato d cancro d sopravvvere dopo una operazone, oppure ancora la probabltà che ha un vaccno d rdurre le manfestazon dell nfluenza, non è evdentemente possble parlare d rapporto fra l numero de cas favorevol e quello de cas possbl. Quello che possamo fare è osservare quale sa l comportamento d quel tratore n numerose prove d tro, osservare quant fra pazent che hanno subto quell'operazone sono ancora vv, osservare n quant cas l vaccno ha dato evdent segn d prevenzone dell nsorgere dell nfluenza, e attrbure qund un valore alla probabltà dell'evento consderato valutando l rapporto fra l 5

8 numero d replche dell'espermento che hanno dato esto favorevole e quello totale d replche effettuate. Se, ad esempo, l vacno n questone fosse stato sommnstrato ad un campone d 100 e avesse dato est favorevol per 70 d ess e po su un altro campone avesse dato la stessa percentuale e cò s fosse rpetuto, pù o meno con le stesse proporzon n altr campon, potremmo dre che l vaccno ha una probabltà del 70% d ruscta. Questo aspetto d msura della probabltà era gà noto fno da temp d Pascal conoscuta ed andava sotto l nome d legge emprca del caso, secondo cu l gran numero d prove fatte nelle stesse condzon; la frequenza relatva ad un certo evento s avvcna alla probabltà dello stesso, l approssmazone mglora con l aumentare del numero delle prove. In generale dcamo allora che: relatvamente ad un espermento aleatoro A, che può essere osservato molte volte nelle stesse condzon, la probabltà d un evento è l lmte a cu tende l rapporto tra l numero d prove che hanno avuto esto favorevole ad l numero totale d prove fatte (ndpendent una dall'altra) quando queste tendono ad essere un numero molto grande. Ad esempo, supponamo d prendere n esame un comune dado non omogeneo ed d voler calcolare la probabltà de numero uno, esso non ha la stessa probabltà d presentars degl altr numer. Per determnare allora le nuove probabltà dovremo effettuare un grande numero lanc come campon ed vedere quante volte l rsultato è stato quello sperato; cascuna probabltà è qund determnable come lmte, al crescere del numero delle prove, del rapporto fra la frequenza degl est favorevol ed l numero delle prove stesse. Anche n questo caso s verfca che la probabltà p è un numero reale compreso tra 0 e 1, estrem nclus. La formulazone è forzatamente vaga, perché l aleatoretà delle prove non permette d precsare entro quanto tempo ed entro qual lmt l approssmazone è valda e soprattutto l esgenza che le prove successve sano fatte tutte nelle stesse condzon; cosa che a rgor d logca sono s può realzzare. Questa defnzone c garantsce l applcabltà solo cas ben determnat, come lanc successv d un dado, ma ad osservare bene la defnzone non sarebbe applcable neppure n questo caso, n quanto lanc non rsulteranno ma perfettamente sml tra loro, uno perché ch lanca non e detto che esegu l lanco perfettamente nella stessa manera del precedente ed po l dado lancato pù volte, ne var urt s modca. In realtà l campo d applcabltà della concezone frequentsta è molto vasto, n quanto s utlzza questa concetto per studare process dove s possedono dat statstc d fenomen n condzon analoghe, anche se non hanno perfettamente le stesse condzon. Occorre sottolneare che con questa concezone la probabltà d un evento non può essere calcolata a pror, ma vene determnata solo dopo aver effettuato delle osservazon spermental e che essa non ha sgnfcato separatamente da tal prove; noltre ha senso parlare d probabltà solo all'nterno d una certa popolazone. In generale non s può dre quante prove samo necessare, perché l numero delle prove dpende dal fenomeno n esame. La defnzone soggettva d Probabltà Esstono molt event aleator per cu non è possble valutare la probabltà ne secondo le concesson classca e neppure secondo la concezone frequenzsta. Cerchamo d calcolare la probabltà che ha un laureato n matematca d trovare lavoro, la probabltà per un cclsta d vncere una gara. S mpone nsomma n molt cas l esgenza d consderare l evento sngolo e d rferre a questo la probabltà. Da questa esgenza è nata la concezone soggettva, che s può fare rsalre a Davde Bernull e che è stata rpresa e svluppata recentemente, soprattutto da Bruno d Flett( ) e L. Jmmy Savane. L'esgenza d rendere maggormente operatvo l concetto d probabltà, per aumentarne qund anche l campo d applcabltà. La probabltà soggettva è l "grado d fduca che una persona coerente attrbusce al verfcars d un evento ". 6

9 La probabltà perde cos la sua caratterstca assoluta d numero ntrnsecamente legato all evento, per dpendere dalla persona che lo valuta e dalle nformazon dsponbl. La defnzone data non è ancora operatva ed è necessara una defnzone pù precsa, uno de mod per renderla operatva è fare rfermento alle scommesse defnendo la probabltà come: Il prezzo equo da pagare se l evento s verfch. Ad esempo se Tzo è dsposto a scommettere 3 euro contro 4 euro sul fatto che s verfch un certo evento, attrbusce n tal modo mplctamente a tale evento una probabltà par a 3/(3+4) (crca l 43%). La frazone che esprme la probabltà ha numeratore uguale a quanto Tzo è dsposto a puntare e denomnatore par alla sua puntata sommata a quella d uno sfdante nvocato a convaldare la valutazone. Tale somma rappresenta anche quanto cascuno de due partecpant alla scommessa vncerebbe a seguto della puntata. S parla d prezzo equo, e questo rchede una precsazone, che vene data dalla condzone d equtà, detta anche coerenza. Charamo subto questo punto, prendamo una moneta modfcata opportunamente n modo che la probabltà d ottenere testa sa 1/4 mentre quella d ottenere croce 1/2. S osserv che c e una certa ncoerenza n quanto la probabltà che s ottenga o testa o croce no è uguale ad uno. La condzone d coerenza mpone che la somma delle due probabltà sa uguale ad uno. In generale quando un ente od una persona organzza un goco(s pens alle lottere o al totocalco), trattene una parte della somma raccolta, ed entro cert lmt è gusto, anche se la condzone matematca d equtà no è verfcata. La defnzone assomatca d Probabltà Le defnzon date prma prvlegano cascuno un aspetto dverso del contenuto ntutvo della probabltà ed hanno evdent dfferenze operatve; ed non sono esent da crtche. Con lo svluppo degl stud matematc, soprattutto con l applcazone della logca formale all anal de fondament matematc e della scenza n genere, s gunge ad una mpostazone che da alla probabltà una defnzone medante una sere d assom, analogamente a quanto s può fare per le altre part della matematca. L'mpostazone assomatca della probabltà venne proposta da Andrey Nkolaevch Kolmogoroff nel 1933 n Grundbegrffe der Wahrschenlchketsrechnung (Concett fondamental del calcolo delle probabltà), svluppando la rcerca che era orma crstallzzata sul dbattto fra quant consderavano la probabltà come lmt d frequenze relatve ( mpostazone frequentsta) e quant cercavano un fondamento logco della stessa. La sua mpostazone assomatca s mostrava adeguata a prescndere dall'adesone a una o all'altra scuola d pensero. 1) Gl event sono sottonsem d uno spazo S, e formano una classe addtva A. 2) Ad ogn a appartenente alla classe A è assegnato un numero reale non negatvo P( a) e ma superore ad uno, detto probabltà d a. 3) P(S)=1, ovvero la probabltà d un evento certo è par ad 1 4) Se l'ntersezone tra a e b è vuota, allora P(a U b)=p(a)+p(b) 5) Se A(n) è una successone decrescente d event e al tendere d n all'nfnto l'ntersezone degl A(n) tende a 0, allora lm P ( A( n)) = 0 n S può verfcare che le tre postazon arrvano tutte alle stesse legg matematche, espresse dagl assom della probabltà e cò rene naturale prendere tal legg come base per una costruzone assomatca. La teora matematca s può qund svluppate a partre da quest assom, senza precsare la defnzone d probabltà da cu provengono. 7

10 Per meglo charre l postazone assomatca, bsogna charre l concetto d evento spazo camponaro e funzone d probabltà. Spazo camponar In probabltà lo spazo camponaro è un nseme cu punt vengono utlzzat per rappresentare gl stat che un partcolare sstema può assumere. Se, ad esempo, samo nteressat allo studo della caduta d una pallna sul pavmento, dovremo mmagnare un rettangolo: suo punt rappresenteranno possbl punt d mpatto della pallna col pavmento. Se lo studo d tale fenomeno vene mpostato dal punto d vsta probablstco, tale rettangolo prenderà l nome d spazo camponaro. Defnzone: lo spazo camponaro, ndcato con S è l nseme d tutt possbl rsultat(o punt campon) d un espermento. Esemp 1) Se l espermento consste nel lanco d una moneta lo spazo camponaro S rsulta uguale all nseme {T,C}. 2) Se l espermento consste nel lanco d un dado allora lo spazo camponaro S rsulta uguale all nseme {1,2,3,4,5,6}. 3) Se l espermento consste nel lanco d due monete lo spazo camponaro S rsulta uguale all nseme {(T,T);(T,C);(C,T);(C,C)} 4) Se l espermento consste nel lanco d due dad allora lo spazo camponaro S rsulta uguale all nseme ( 1,1 ) ( 1,2 ) ( 1,3) ( 1,4 ) ( 1,5 ) ( 1,6 ) ( 2,1) ( 2,2) ( 2,3) ( 2,4) ( 2,5) ( 2,6) ( 3,1 ) ( 3,2) ( 3,3) ( 3,4) ( 3,5) ( 3,6) ( 4,1) ( 4,2) ( 4,3) ( 4,4) ( 4,5) ( 4,6) ( 5,1 ) ( 5,2) ( 5,3) ( 5,4) ( 5,5) ( 5,6) ( 6,1) ( 6,2) ( 6,3) ( 6,4) ( 6,5) ( 6, 6) Uno spazo camponar vene defnto dscreto se è costtuto da un numero fnto d punt o da una successone nfnta d punt, mentre vene defnto contnuo se è costtuto da uno o pù ntervall d punt. Il termne camponaro sta a specfcare l fatto che l espermento è casuale, pertanto l rsultato è solo un campone d molt est probabl. Rappresentazone d uno spazo Camponaro 1) Lanco d una moneta. C T x 8

11 2) Lanco d un dado ) Lanco d due monete. y (C,T) (T,T) (C,C) (T,C) x 4) Lanco d due dat. y x 9

12 Evento Nella Teora della probabltà, un evento è un nseme d rsultat (un sottonseme dello spazo camponaro) al quale vene assegnata una probabltà. Tpcamente, qualsas sottonseme dello spazo camponaro è un evento (per esempo tutt gl element dell'nseme delle part d uno spazo camponaro sono event), ma quando s defnsce uno spazo d probabltà è possble escludere cert sottonsem dello spazo camponaro dagl event possbl. Funzone d Probabltà Sarebbe dffcle trovare una funzone d probabltà che fornsse valor corrspondent alla probabltà per ogn possble sottonseme A d uno spazo camponaro S, n quanto l numero de sottonsem d S rsulterebbe grande anche se S contene poch element. Fortunatamente, per spazz camponar contenent soltanto un numero fnto, o una successone nfnta,d punt dello spazo camponaro è suffcente assegnare una probabltà ad ogn punto dello spazo camponaro. Il valore della probabltà d A, per qualsas sottonsem A, s determna allora faclmente dalla probabltà assegnata a sngol punt camponar per mezzo del terzo assoma della probabltà formalzzato dopo. S ha qund che la probabltà d A: P ( A) = P A Dove la sommatora vene fatta sulla probabltà d tutt punt camponar che gaccono n A. 10

13 Insemstca Il concetto d nseme costtusce l'elemento fondante d gran parte delle esposzon della matematca moderna: la gran parte de test ntroduttv a buona parte delle aree della matematca nza con nozon d teora degl nsem. Intutvamente con l termne nseme s ndca una collezone d oggett chamat element dell'nseme. Cò che caratterzza l concetto d nseme e lo dfferenza da concett analogh sono essenzalmente le seguent propretà: Un elemento può appartenere o non appartenere a un determnato nseme, non c sono ve d mezzo (come accade nvece per gl nsem sfocat); Un elemento non può comparre pù d una volta n un nseme. Gl element d un nseme non hanno un ordne d comparzone. Gl element d un nseme lo caratterzzano unvocamente: due nsem concdono se e solo se hanno gl stess element. Per rappresentare gl nsem vengono usat dagramm d Elero-Venn, che sono un convenente sstema d rappresentazone. Lo spazo camponaro, d qualsas tpo sa, vene sempre rappresentato con l nseme ambente l quale è un rettangolo entro l quale s trovano tutt punt(event). Gl event A 1,A 2,, che sono sottonsem de punt d questo rettangolo, sono rappresentat da punt che gaccono all nterno d lnee curve chuse. A 1 S A 2 11

14 Per ogn coppa d event A 1,A 2 d uno spazo camponaro S s defnsce l nuovo evento A 1 A 2 (che è detto unone de due event) costtuto da tutt g element che sono o n A 1, o n A 2. A 1 A 2 ={x x A 1 oppure x A 2 } analogamente per ogn coppa d event A 1,A 2 d uno spazo camponaro S s defnsce l nuovo evento A 1 A 2 (che è detto ntersezone de due event) costtuto da tutt g element che sono e n A 1, e n A 2. A 1 A 2 ={x x A 1, x A 2 } Quando A 1 A 2 =, con tale smbolo s ndca l nseme vuoto, qund ndca l evento nullo, gl event A 1 e A 2 s dcono dsgunt. A 1 A 1 A 2 S A 2 12

15 Indchamo con A 1 - A 2, o anche A 1 \A 2 è l evento costtuto da tutt punt che appartengono ad A 1 ma no ad A 2, ossa A 1 \A 2 ={x x A 1, x A 2 } Per ogn evento A s defnsce un nuovo evento Ā alcune volte ndcato con A c, coè l nseme complementare d A che è costtuto da tutt punt dello spazo camponaro che appartengono ad A, ossa Ā =S-A 2 ={x x S, x A} Assom I) 0 P(A) 1 la probabltà d evento è compresa tra zero ed una. II) P(S)=1 la probabltà dell evento certo è uguale ad uno. III) Per ogn successone fnta o nfnta d event A 1,A 2,,tale che A A j =, per j, allora: P(A 1,A 2, )= P(A 1 )+P(A 2 )+ n (Ovvero P( A )= P(A), per successon fnta) = 1 n = 1 (Ovvero P( A)= P(A), per successon fnta) = 1 =1 13

16 IV) P(Ā)=1-P(A) dato un evento A la probabltà dell evento complementare è uno meno la probabltà d A. Infatt poché A Ā=S ed A Ā =, per l'assoma precedente possamo dre che P(A)+P(Ā)=P(S) da cu segue per l assoma due che P(A)+P(Ā)=1, ma allora P(Ā)=1-P(A) V) Se A B,P(A Β)=P(A)+P(B)-P(A B) la probabltà d due event compatbl A ed B e uguale alla somma delle probabltà d A e d B meno la probabltà dell evento comune. S A A B A Nel valutare l unone d due event compatbl capta che quando sommo la probabltà d A con B la probabltà dell evento comune come mostra n fgura rsult contata due volte pertanto è necessaro che sa tolta una volta. VI) Se A B, B C, A C, A B C allora: P(A Β C)=P(A)+P(B)+P(C)-P(A B)- P(A C)- P(B C)+ P(A B C) C S A A C A B C A B B C B Una verfca ntutva può avvenre esamnando grafco sopra mostrato. 14

17 Probabltà Condzonata. Supponamo d volere calcolare la probabltà che s verfch un evento B sotto la condzone che s sa gà verfcata l evento A, ndcheremo questa probabltà con P(B A). A tale scopo assumamo che lo spazo camponar contenga un numero fnto d punt. S A B L evento A è certo d verfcars solamente quando rduco lo spazo camponaro a sol punt che sono contenut all nterno d A. S vuole costrure qund una nuova funzone d probabltà sullo spazo camponaro A, n modo che se un punto a n A possede una probabltà doppa rspetto ad un punto b sempre n A la nuova funzone d probabltà mantenga tale relazone, n quanto non c è motvo che gnorando rsultat che non producano l verfcars d A, ess debbano alterare l rapporto d due o pù event d A. Per realzzare questo è suffcente trovare una costante c tale che moltplcando per essa la probabltà orgnara degl event la somma della nuova probabltà sua A sa uguale ad uno. Indchamo con π la nuova probabltà scelta nel seguente modo π =cp. 1 = π = cp = c p = cp(a) Come rsultato s ha che c=1/p(a) da cu la nuova funzone d probabltà è: A A π = P(A) Avendo defnto la probabltà del nuovo spazo camponaro rstretto, ora possamo calcolare la probabltà nel solto modo, qund la probabltà che s verfch l evento B sottoposto al verfcars d A è così ottenuta: p A B P(B A) = π = P(A) La prma somma è eseguta sull ntersezone de due event perchè sono sol event dello spazo camponaro A che corrspondo al verfcars dell evento B. La somma al numeratore nell espressone precedente è quella defnta P(A B) qund s ha : A B P(A B) P(B A) = P(A) Nel procedmento per l calcolo della nuova probabltà s è assunto che lo spazo camponaro contenga un numero fnto d event, ma questa defnzone d probabltà condzonata è usata anche per spaz camponar pù general. S verfca faclmente che la probabltà condzonata così defnta verfca tre assom dat prma s può assegnare tale verfca come eserczo alla classe. p A 15

18 Defnzone: la probabltà d un evento B, nell potes che s sa ga verfcato l evento A, è chamata probabltà condzonata ed è defnta nel seguente modo: Quando P(A) 0. P(B A) P(A B) = P(A) Analogamente, per P(B) 0, s ha: P(A B) P(A B) = P(B) Dalla defnzone d probabltà condzonata s rcava la regola d moltplcazone della probabltà o regola delle probabltà composte. P(A B) = P(A) P(B A) se P(A) 0. Event ndpendent. P(A B) = P(B) P(A B) se P(B) 0. Ora supponamo che A e B sano due event tal che: P(B A)=P(B) e P(A)P(B)>0. Allora l evento B s dce ndpendente nel senso della probabltà, o pù brevemente ndpendente dall evento A, per cu s ha che l verfcas dell evento A non ha nfluenzato che B s verfch. Da cu abbamo che le formule precedent dventano: P(A B) = P(A) P(B) Vceversa se vale questa formula s ha: P(B A)=P(B) e P(A)P(B)>0. Defnzone: due event s dcono ndpendent se Estendamo la defnzone precedente a pù event: P(A B) = P(A) P(B) Defnzone: gl event A 1,A 2,,A n s dcono ndpendent se, qualunque sa l numero k, con 2 k n e comunque s scelgano k event A 1, A,, A fra gl n event 2 k dat, s ha P(A A,...A ) = P(A )P(A )...P(A 1 2 k 1 2 k Dalla defnzone s osserva subto che se gl n event sono ndpendent lo sono pure un numero qualsas d quest event. Naturalmente un nseme d event può essere ndpendent a due a due ma non esserlo globalmente. ) 16

19 Teorema (o regola) d Bayes. Sano H,H,..., event esclusv, con P(H 1 ) > 0, per =1,2,..,n, e tale che H S, dove S 1 2 Hn è lo spazo camponaro. Supponamo noltre un evento casuale A con P(A)>0. P(H A) = n P(H ) P(A H ) j= 1 P(H ) P(A H ) Dal teorema s rleva che la probabltà P(H A) a posteror delle cause, sono proporzonal alle corrspondent probabltà a pror P(H ) corrette per l fattore d correzone P(A H ). In altre parole, se è alta la probabltà che l evento A sa effetto della causa H, l fatto che l evento A s sa verfcato aumenta la probabltà, anche se non da la certezza, che a produrlo sa propro la causa. H Dmostrazone. Prendamo H,H,..., event esclusv, con P(H 1 ) > 0, per =1,2,..,n, e tale che H S, 1 2 Hn dove S è lo spazo camponaro; s dce che gl event camponaro come n fgura. j H j n U = 2 = costtuscono una partzone dello spazo n U = 2 = H 1 H 3 H 4 H 5 S A H 6 H 2 Ess rappresentano le n possbl cause d un rsultato spermentale. Sa po A un evento, con P(A)>0, voglamo calcolare la probabltà che H sa la causa del verfcars d A. Dalla formula della probabltà condzonata abbamo: P(H A) P(H A) = P(A) Dalla regola d moltplcazone della probabltà c da: Dalla sntes delle due formule s ottene: P(H A) = P(H ) P(A H ) P(H A) P(H ) P(A H ) = P(A) 17

20 L evento A è ottenuto dall unone degl nsem dsgunt H 1 A, H 1 A,., H n A, alcun degl nsem potrebbe essere anche vuot come s vede nella fgura seguente H 7 A=. H 1 H 1 A H 3 A H 2 A H 5 A A H 3 H 5 H 6 H 6 A H 4 A S H 7 H 2 H 4 Per l terzo assoma della probabltà s può qund scrvere che: P(A) = n j= 1 P(H j A) Applcando la regola d moltplcazone rcordata prma s ha: P(A) = n j= 1 P(H j ) P(A H j) Questa formula stablsca che P(A) è uguale ad una meda pesata d P(A H ) da cò segue l teorema d Bayes: P(H A) = n P(H ) P(A H ) j= 1 P(H ) P(A H ) j j 18

21 La verfca dell'apprendmento La verfca dell'apprendmento non deve essere un fatto solato, eccezonale dell'attvtà scolastca. Per cu l untà ddattca prevede due verfche ntermede oral ed una verfca sommatva fnale che sarà rportata d seguto. Gl alunn devono percepre alle prove d verfca come moment ordnar dell'attvtà scolastca che consentono d rlevare, a loro prma che a docent qual è la preparazone raggunta e d acqusre consapevolezza n ordne al progredre dell'apprendmento. La verfca deve essere percepta come un fatto quotdano, altamente formatvo poché favorsce l'abtudne a studare ogn gorno ed è ndspensable per accertare se c'è stato apprendmento. La contnua verfca dell'apprendmento è una esgenza sostanzale da cu scatursce la possbltà d attrbure vot quadrmestral n base ad un gudzo brevemente motvato, desunto da un congruo numero d nterrogazon e d esercz scrtt, grafc o pratc. Verfca 1. Un'urna contene 6 pallne rosse, 4 nere, 8 banche. S estrae una pallna; calcolare la probabltà d avere: a) una pallna banca; b) una pallna nera; c) una pallna non banca; 2. Un'urna contene 90 pallne numerate da 1 a 90; s estrae una pallna. Calcolare la probabltà d avere: a) un numero par; b) un numero superore a 20 ed nferore a 35; c) un numero la cu somma delle cfre sa 8; 3. Da un mazzo d 40 carte s estrae una carta. Calcolare la probabltà d avere: a) una carta d for; b) un numero dspar; c) una carta non fgura. 4. Da un mazzo d 52 carte s estrae una carta, calcolare la probabltà de seguent event: a) la carta sa o d for o d pcche; b) la carta sa o una fgura o un asso; c) la carta sa o un sette o una carta d pcche. 5. Da un'urna contenente 30 pallne numerate da 1 a 30 s estrae una pallna, calcolare la probabltà de seguent event: a) esce una pallna con un numero mnore d 10 o maggore d 25; b) esce una pallna con un numero dvsble per 4 o per 5; c) esce una pallna con un numero dvsble per 7 o per S lancano due dad, calcolare la probabltà de seguent event: a) due numer sono entramb par o entramb dspar; b) la somma de due numer è un multplo d 5; c) due numer sono egual fra loro o hanno per somma 4; d) almeno uno de due numer è par. 6. Da un mazzo d 40 carte s estrae una carta. Calcolare la probabltà che sa un "re", sapendo che è una fgura. 7. Da un mazzo d 52 carte s estrae una carta. Calcolare la probabltà che sa un numero par sapendo che non è fgura. 8. Un'urna contene 50 pallne numerate; s estrae una pallna. Calcolare la probabltà che sa un numero prmo, sapendo che la pallna uscta è un numero dspar. 9. S lanca 8 volte una moneta. Calcolare la probabltà d avere: a) per 5 volte testa; b) almeno per 5 volte testa. 10. S lanca 6 volte un dado. Calcolare la probabltà d avere: a) l numero 6 per due e due sole volte; b) un numero dvsble per 3 non pù d due volte. 19

22 Valutazone. DESCRITTORI PUNTI Interpretazone de dat 0-1 Indvduazone e conoscenza delle formule necessare alla rsoluzone de quest 0-1 Grado d svluppo 0-2 Correttezza mpostazone e lneartà procedmento 0-2 Correttezza ne calcol 0-2 Autonoma e creatvtà 0-2 Totale 10 Ogn eserczo assegnato verrà valutato con dec punt l campto ha un punteggo totale d cento punt. S raggunge la suffcenza con 60punt. Recupero. Osservato che l argomento non rsulta spesso a pù d semplce comprensone, una volta termnate le vare verfche oral e scrtte del caso, se rsultat ottenut da tutt non saranno soddsfacent. S predsporranno de grupp d lavoro format da ch meglo ha assmlato gl argoment a fare da docente ad ch ancora non raggunge rsultat soddsfacent. In questo modo l corso rsulterà d approfondmento per ch è gà n grado d lavorare n modo autonomo sugl argoment e d recupero per ch ancora no ha acqustato quella autonoma suffcente a padroneggare bene l argomento. Eventualmente solo per un numero mnmo d alunn s potranno realzzare cors pomerdan. Conclusa l opera d recupero verrà effettuata una verfca del recupero effettvamente ottenuto facendo un punto della stuazone paragonando rsultat d partenza con quell d arrvo. 20

Calcolo delle Probabilità

Calcolo delle Probabilità alcolo delle Probabltà Quanto è possble un esto? La verosmglanza d un esto è quantfcata da un numero compreso tra 0 e. n partcolare, 0 ndca che l esto non s verfca e ndca che l esto s verfca senza dubbo.

Dettagli

LA COMPATIBILITA tra due misure:

LA 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

Dettagli

Macchine. 5 Esercitazione 5

Macchine. 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

Dettagli

Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti

Il 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

Dettagli

Università degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno

Università degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno Unverstà degl Stud d Cassno, Anno accademco 004-005 Corso d Statstca, Pro. M. Furno Eserctazone del 5//005 dott. Claudo Conversano Eserczo Ad un certo tavolo d un casnò s goca lancando un dado. Il goco

Dettagli

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Ministero 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

Dettagli

PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -

PROCEDURA 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

Dettagli

Lezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse

Lezione 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

Dettagli

La verifica delle ipotesi

La 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:

Dettagli

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa 2012-2013 lezione 13: 24 aprile 2013

Dipartimento 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

Dettagli

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

* 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

Dettagli

MACROECONOMIA A.A. 2014/2015

MACROECONOMIA 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

Dettagli

Statistica e calcolo delle Probabilità. Allievi INF

Statistica 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:

Dettagli

Variabili statistiche - Sommario

Variabili 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

Dettagli

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

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

Dettagli

STATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea. Scienze e tecniche neuropsicologiche Modulo 3 Statistica Inferenziale

STATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea. Scienze e tecniche neuropsicologiche Modulo 3 Statistica Inferenziale STATISTICA PSICOMETRICA a.a. 004/005 Cors d laurea Scenze e tecnche neuropscologche Modulo 3 Statstca Inferenzale Probabltà Dstrbuzon d probabltà Dstrbuzon camponare Stma ntervallare Verfca delle potes

Dettagli

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2012-2013 Esercitazione: 4 aprile 2013

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2012-2013 Esercitazione: 4 aprile 2013 Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2012-2013 Eserctazone: 4 aprle 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/41? Aula "Ranzan B" 255 post 1 2 3 4 5 6 7 8 9

Dettagli

LA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE

LA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE Lezone 6 - La statstca: obettv; raccolta dat; le frequenze (EXCEL) assolute e relatve 1 LA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE GRUPPO MAT06 Dp. Matematca, Unverstà

Dettagli

TITOLO: L INCERTEZZA DI TARATURA DELLE MACCHINE PROVA MATERIALI (MPM)

TITOLO: 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

Dettagli

3. Esercitazioni di Teoria delle code

3. 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

Dettagli

Circuiti di ingresso differenziali

Circuiti 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

Tutti gli strumenti vanno tarati

Tutti 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

Dettagli

CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI

CAPITOLO 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: )

Dettagli

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII

RETI 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

Dettagli

Analisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:

Analisi 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

Dettagli

A. AUMENTO DELLA SPESA PUBBLICA FINANZIATO ESCLUSIVAMENTE TRAMITE INDEBITAMENTO

A. AUMENTO DELLA SPESA PUBBLICA FINANZIATO ESCLUSIVAMENTE TRAMITE INDEBITAMENTO 4. SCHMI ALTRNATIVI DI FINANZIAMNTO DLLA SPSA PUBBLICA. Se l Governo decde d aumentare la Spesa Pubblca G (o Trasferment TR), allora deve anche reperre fond necessar per fnanzare questa sua maggore spesa.

Dettagli

Studio grafico-analitico di una funzioni reale in una variabile reale

Studio 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

Dettagli

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

Metodi 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

Dettagli

Introduzione al Machine Learning

Introduzione 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

Dettagli

NOTE 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 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

Dettagli

La retroazione negli amplificatori

La 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

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità

Dettagli

Relazioni tra variabili: Correlazione e regressione lineare

Relazioni 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

Dettagli

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Capitolo 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

Dettagli

Trigger di Schmitt. e +V t

Trigger di Schmitt. e +V t CORSO DI LABORATORIO DI OTTICA ED ELETTRONICA Scopo dell esperenza è valutare l ampezza dell steres d un trgger d Schmtt al varare della frequenza e dell ampezza del segnale d ngresso e confrontarla con

Dettagli

* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1

* * * 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

Dettagli

Principi di ingegneria elettrica. Lezione 6 a. Analisi delle reti resistive

Principi 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

Dettagli

Condensatori e resistenze

Condensatori e resistenze Condensator e resstenze Lucano attaa Versone del 22 febbrao 2007 Indce In questa nota presento uno schema replogatvo relatvo a condensator e alle resstenze, con partcolare rguardo a collegament n sere

Dettagli

Soluzione esercizio Mountbatten

Soluzione esercizio Mountbatten Soluzone eserczo Mountbatten I dat fornt nel testo fanno desumere che la Mountbatten utlzz un sstema d Actvty Based Costng. 1. Calcolo del costo peno ndustrale de tre prodott Per calcolare l costo peno

Dettagli

Dai circuiti ai grafi

Dai 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

Dettagli

Norma UNI CEI ENV 13005: Guida all'espressione dell'incertezza di misura

Norma 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

Dettagli

Università di Napoli Parthenope Facoltà di Ingegneria

Università 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

Dettagli

Newsletter "Lean Production" Autore: Dott. Silvio Marzo

Newsletter Lean Production Autore: Dott. Silvio Marzo Il concetto d "Produzone Snella" (Lean Producton) s sta rapdamente mponendo come uno degl strument pù modern ed effcac per garantre alle azende la flessbltà e la compettvtà che l moderno mercato rchede.

Dettagli

LEZIONE 2 e 3. La teoria della selezione di portafoglio di Markowitz

LEZIONE 2 e 3. La teoria della selezione di portafoglio di Markowitz LEZIONE e 3 La teora della selezone d portafoglo d Markowtz Unverstà degl Stud d Bergamo Premessa Unverstà degl Stud d Bergamo Premessa () È puttosto frequente osservare come gl nvesttor tendano a non

Dettagli

Risoluzione quesiti I esonero 2011

Risoluzione quesiti I esonero 2011 Rsoluzone quest I esonero 011 1) Compto 1 Q3 Un azenda a a dsposzone due progett d nvestmento tra d loro alternatv. Il prmo prevede l pagamento d un mporto par a 100 all epoca 0 e fluss par a 60 all epoca

Dettagli

Valore attuale di una rendita. Valore attuale in Excel: funzione VA

Valore attuale di una rendita. Valore attuale in Excel: funzione VA Valore attuale d una rendta Nella scorsa lezone c samo concentrat sul problema del calcolo del alore attuale d una rendta S che è dato n generale da V ( S) { R ; t, 0,,,..., n,... } n 0 R ( t ), doe (t

Dettagli

TEST D INGRESSO MATEMATICA 24/05/2011

TEST D INGRESSO MATEMATICA 24/05/2011 TEST D INGRESSO MATEMATICA // COGNOME NOME ISTITUTO COMPRENSIVO/SCUOLA MEDIA CITTA Legg attentamente. ISTRUZIONI PER LA COMPILAZIONE DEL QUESTIONARIO Inza a lavorare solo quando te lo drà l nsegnante e

Dettagli

Capitolo 7. La «sintesi neoclassica» e il modello IS-LM. 2. La curva IS

Capitolo 7. La «sintesi neoclassica» e il modello IS-LM. 2. La curva IS Captolo 7 1. Il modello IS-LM La «sntes neoclassca» e l modello IS-LM Defnzone: ndvdua tutte le combnazon d reddto e saggo d nteresse per le qual l mercato de ben (curva IS) e l mercato della moneta (curva

Dettagli

Concetti principale della lezione precedente

Concetti 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

Dettagli

Corso di laurea in Ingegneria Meccatronica. DINAMICI CA - 04 ModiStabilita

Corso di laurea in Ingegneria Meccatronica. DINAMICI CA - 04 ModiStabilita Automaton Robotcs and System CONTROL Unverstà degl Stud d Modena e Reggo Emla Corso d laurea n Ingegnera Meccatronca MODI E STABILITA DEI SISTEMI DINAMICI CA - 04 ModStablta Cesare Fantuzz (cesare.fantuzz@unmore.t)

Dettagli

PROGRAMMAZIONE DIDATTICA

PROGRAMMAZIONE DIDATTICA ISTITUTO ISTRUZIONE SUPERIORE STATALE CARLO GEMMELLARO CATANIA PROGRAMMAZIONE DIDATTICA ECONOMIA AZIENDALE A.S.: 2015/2016 Prof Pnzzotto Dana classe 5 b afm Obtv educatv OBTV ddattc trasversal Acqusre

Dettagli

CAPITOLO 3 Incertezza di misura Pagina 26

CAPITOLO 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

Dettagli

Strutture deformabili torsionalmente: analisi in FaTA-E

Strutture 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

Dettagli

3 CAMPIONAMENTO DI BERNOULLI E DI POISSON

3 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.

Dettagli

Dipartimento di Economia Aziendale e Studi Giusprivatistici. Università degli Studi di Bari Aldo Moro. Corso di Macroeconomia 2014

Dipartimento 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

Dettagli

Aritmetica e architetture

Aritmetica 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

Dettagli

Analisi dei flussi 182

Analisi dei flussi 182 Programmazone e Controllo Anals de fluss Clent SERVIZIO Uscta Quanto al massmo produce l mo sstema produttvo? Quanto al massmo produce la ma macchna? Anals de fluss 82 Programmazone e Controllo Teora delle

Dettagli

Lezione 2 le misure di sintesi: le medie

Lezione 2 le misure di sintesi: le medie Lezone le msure d sntes: le mede Cattedra d Bostatstca Dpartmento d Scenze spermental e clnche, Unverstà degl Stud G. d Annunzo d Chet-Pescara Prof. Enzo Ballone Lezone a- Statstca descrttva per varabl

Dettagli

STATISTICA DESCRITTIVA CON EXCEL

STATISTICA 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:

Dettagli

Ottimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO

Ottimizzazione 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

Dettagli

Moduli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013

Moduli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013 Modul su un domno a deal prncpal Maurzo Cornalba versone 15/5/2013 Sa A un anello commutatvo con 1. Indchamo con A k l modulo somma dretta d k cope d A. Un A-modulo fntamente generato M s dce lbero se

Dettagli

Prova di verifica n.0 Elettronica I (26/2/2015)

Prova di verifica n.0 Elettronica I (26/2/2015) Proa d erfca n.0 lettronca I (26/2/2015) OUT he hfe + L OUT - Fgura 1 Con rfermento alla rete elettrca d Fg.1, determnare: OUT / OUT / la resstenza sta dal generatore ( V ) la resstenza sta dall uscta

Dettagli

FORMAZIONE ALPHAITALIA

FORMAZIONE ALPHAITALIA ALPHAITALIA PAG. 1 DI 13 FORMAZIONE ALPHAITALIA IL SISTEMA DI GESTIONE PER LA QUALITA Quadro ntroduttvo ALPHAITALIA PAG. 2 DI 13 1. DEFINIZIONI QUALITA Grado n cu un nseme d caratterstche ntrnseche soddsfa

Dettagli

Leggere i dati da file

Leggere i dati da file Esempo %soluzon d una equazone d secondo grado dsp('soluzon d a^+b+c') anput('damm l coeffcente a '); bnput('damm l coeffcente b '); cnput('damm l coeffcente c '); deltab^-4*a*c; f delta0 dsp('soluzon

Dettagli

Test delle ipotesi Parte 2

Test 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

Dettagli

Calcolo della caduta di tensione con il metodo vettoriale

Calcolo 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

Dettagli

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE

STATISTICA 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

Dettagli

Il procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria.

Il procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria. SCELTA OTTIMALE DEL PROCEDIMENTO PER PESARE Il procedmento può essere pensato come una rcerca n un nseme ordnato, l peso ncognto può essere cercato con l metodo della rcerca bnara. PESI CAMPIONE IN BASE

Dettagli

Lezione 2 a - Statistica descrittiva per variabili quantitative

Lezione 2 a - Statistica descrittiva per variabili quantitative Lezone 2 a - Statstca descrttva per varabl quanttatve Esempo 5. Nella tabella seguente sono rportat valor del tasso glcemco rlevat su 10 pazent: Pazente Glcema (mg/100cc) 1 x 1 =103 2 x 2 =97 3 x 3 =90

Dettagli

Intelligenza Artificiale II. Ragionamento probabilistico Rappresentazione. Marco Piastra. Intelligenza Artificiale II - AA 2007/2008

Intelligenza 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

Dettagli

La taratura degli strumenti di misura

La taratura degli strumenti di misura La taratura degl strument d msura L mportanza dell operazone d taratura nasce dall esgenza d rendere l rsultato d una msura rferble a campon nazonal od nternazonal del msurando n questone affnché pù msure

Dettagli

Ricerca 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

Ricerca 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

Dettagli

PARENTELA e CONSANGUINEITÀ di Dario Ravarro

PARENTELA e CONSANGUINEITÀ di Dario Ravarro Introduzone PARENTELA e CONSANGUINEITÀ d Daro Ravarro 1 gennao 2010 Lo studo della genealoga d un ndvduo è necessaro al fne d valutare la consangunetà dell ndvduo stesso e la sua parentela con altr ndvdu

Dettagli

Esercitazioni del corso di Relazioni tra variabili. Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca

Esercitazioni del corso di Relazioni tra variabili. Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca Eserctazon del corso d Relazon tra varabl Gancarlo Manz Facoltà d Socologa Unverstà degl Stud d Mlano-Bcocca e-mal: gancarlo.manz@statstca.unmb.t Terza eserctazone Mlano, 8 febbrao 7 SOMMARIO TERZA ESERCITAZIONE

Dettagli

Programmazione e Controllo della Produzione. Analisi dei flussi

Programmazione e Controllo della Produzione. Analisi dei flussi Programmazone e Controllo della Produzone Anals de fluss Clent SERVIZIO Uscta Quanto al massmo produce l mo sstema produttvo? Quanto al massmo produce la ma macchna? Lo rsolvo con la smulazone? Sarebbe

Dettagli

VA TIR - TA - TAEG Introduzione

VA TIR - TA - TAEG Introduzione VA TIR - TA - TAEG Introduzone La presente trattazone s pone come obettvo d analzzare due prncpal crter d scelta degl nvestment e fnanzament per valutare la convenenza tra due o pù operazon fnanzare. S

Dettagli

Corso di Statistica (canale P-Z) A.A. 2009/10 Prof.ssa P. Vicard

Corso 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

Dettagli

Elementi di statistica

Elementi 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

Dettagli

Analisi Matenatica Lezione 1 23 settembre 2013

Analisi Matenatica Lezione 1 23 settembre 2013 Dpartmento d Scenze Statstche Anals Matenatca Lezone 1 23 settembre 2013 prof. Danele Rtell danele.rtell@unbo.t 1/24? Codce docente 030508 Codce corso 00013 Anals Matematca roflo scentfco del docente www.danelertell.name

Dettagli

1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x

1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x TEORIA 1) Le mede e le varanze calcolate su n osservazon relatve alle varabl quanttatve X ed Y sono tal che 1 e. Consderando le corrspondent varabl standardzzate delle seguent affermazon rsulta vera 1

Dettagli

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2011-2012 lezione 22: 30 maggio 2013

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2011-2012 lezione 22: 30 maggio 2013 Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2011-2012 lezone 22: 30 maggo 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/27? Eserczo Dmostrare che l equazone della frontera

Dettagli

La regressione. La Regressione. La Regressione. min. min. Var X. X Variabile indipendente (data) Y Variabile dipendente

La 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

Dettagli

ANALISI STATISTICA DELLE INCERTEZZE CASUALI

ANALISI 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

Analisi Class info sul corso Lezione 1 22 settembre 2014

Analisi Class info sul corso Lezione 1 22 settembre 2014 CLASS Bologna Anals Matematca @ Class nfo sul corso Lezone 1 22 settembre 2014 professor Danele Rtell danele.rtell@unbo.t 1/27? Codce docente 030508 Codce corso 00013 Anals Matematca roflo scentfco del

Dettagli

Indicatori di rendimento per i titoli obbligazionari

Indicatori di rendimento per i titoli obbligazionari Indcator d rendmento per ttol obblgazonar LA VALUTAZIONE DEGLI INVESTIMENTI A TASSO FISSO Per valutare la convenenza d uno strumento fnanzaro è necessaro precsare: /4 Le specfche esgenze d un nvesttore

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI 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..)

Dettagli

Analisi di mercurio in matrici solide mediante spettrometria di assorbimento atomico a vapori freddi

Analisi di mercurio in matrici solide mediante spettrometria di assorbimento atomico a vapori freddi ESEMPIO N. Anals d mercuro n matrc solde medante spettrometra d assorbmento atomco a vapor fredd 0 Introduzone La determnazone del mercuro n matrc solde è effettuata medante trattamento termco del campone

Dettagli

Questo è il secondo di una serie di articoli, di

Questo è il secondo di una serie di articoli, di DENTRO LA SCATOLA Rubrca a cura d Fabo A. Schreber Il Consglo Scentfco della rvsta ha pensato d attuare un nzatva culturalmente utle presentando n ogn numero d Mondo Dgtale un argomento fondante per l

Dettagli

Esercitazioni del corso: STATISTICA

Esercitazioni 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

Dettagli

LE CARTE DI CONTROLLO

LE CARTE DI CONTROLLO ITIS OMAR Dpartento d Meccanca LE CARTE DI CONTROLLO Carte d Controllo Le carte d controllo rappresentano uno degl struent pù portant per l controllo statstco d qualtà. La carta d controllo è corredata

Dettagli

Corso di Laurea in Lingue e Culture Moderne

Corso di Laurea in Lingue e Culture Moderne Dpartmento d Stud Umanstc Corso d Laurea n Lngue e Culture Moderne (L-11 classe n Lngue e Culture Moderne) Manfesto degl Stud A.A. 2014/2015 ART. 1 Obettv formatv specfc e descrzone del corso formatvo

Dettagli

Regressione Multipla e Regressione Logistica: concetti introduttivi ed esempi

Regressione 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

Dettagli

Per il seminario di cultura formale - Dottorato GIA

Per il seminario di cultura formale - Dottorato GIA Per l semnaro d cultura formale - Dottorato GIA Luca Mar, dcembre 003 Lezone 1: la matematca come strumento per pensare Cnque ncontr, da 1 ora e mezza cascuno. Con questo tempo complessvo a dsposzone,

Dettagli

Test sul calcolo della probabilità

Test sul calcolo della probabilità Test sul calcolo della probabilità 2 Test sul calcolo della probabilità Test sul calcolo della probabilità. La probabilità p di un evento E, quando si indica con E il suo complementare, è : a) 0 se E è

Dettagli

Esame di Statistica Corso di Laurea in Economia

Esame di Statistica Corso di Laurea in Economia Esame d Statstca Corso d Laurea n Economa 9 Gennao 0 Cognome Nome atr. Teora S dmostr la propretà d lneartà della meda artmetca. Eserczo Una casa edtrce è nteressata a valutare se tra lettor d lbr esste

Dettagli

LE FREQUENZE CUMULATE

LE FREQUENZE CUMULATE LE FREQUENZE CUMULATE Dott.ssa P. Vcard Introducamo questo argomento con l seguente Esempo: consderamo la seguente dstrbuzone d un campone d 70 sttut d credto numero flal present nel terrtoro del comune

Dettagli

MODELLISTICA DI SISTEMI DINAMICI

MODELLISTICA DI SISTEMI DINAMICI CONTROLLI AUTOMATICI Ingegnera Gestonale http://www.automazone.ngre.unmore.t/pages/cors/controllautomatcgestonale.htm MODELLISTICA DI SISTEMI DINAMICI Ing. Federca Gross Tel. 059 2056333 e-mal: federca.gross@unmore.t

Dettagli

Calibrazione. Lo strumento idealizzato

Calibrazione. 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

Dettagli

DBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2

DBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2 DBMS multmedal A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2 DBMS multmedal Def: Sono DBMS che consentono d memorzzare e recuperare dat d natura multmedale:

Dettagli