Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
30/01/2002 15.15
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
1
Un semplice esempio
The newsvendor model:
Un venditore di giornali deve decidere di quanto rifornirsi
Acquista i giornali a 40 e li vende a 75
Non conosce a priori quale sar la domanda di giornali
Se si rifornisce in eccesso perde linvestimento (40 per invenduto)
Se si rifornisce in difetto perde potenziali clienti (stima 50 per cliente)
Se ad esempio i livelli di domanda fossero d=0,1,2,3
i Si = S Si Sj = ;
Calcolo (stima) degli esiti della scelta nei diversi stati della natura (payoff)
Vij, i=1,...,m; j=1,...,n
-50
-100
-150
-40
35
-15
-65
-80
-5
70
20
-120
-45
30
105
M.Paolucci, R.Pesenti
S1
...
Sn
A1
V11
...
V1n
...
...
Vij
...
An
Vm1
...
Vmn
M.Paolucci, R.Pesenti
3
ProdMix
rischio
incertezza
cj var. aleatorie
cj
p(cj)
Imperfezione dellinformazione
Inaffidabilit dei modelli
(insoddisfazione delle soluzioni)
Condizioni di rischio
la probabilit fornisce una misura del rischio di una decisioni
normalmente una probabilit soggettiva (stima)
Sono tre modelli artificiali (nella realt non si verificano quasi mai)
Si cerca di modellare le situazioni di informazione imperfetta o parziale
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
5
Strutturate
Non strutturate
Certezza
Ripetitivit
Operative
Obiettivo singolo
Procedure disponibili
Incertezza
Unicit
Strategiche
Obiettivi multipli contrastanti
Non esistono procedure
DM sempre razionali
Ruolo della DA
fornire strumenti metodologici che aiutano i DM a prendere decisioni
razionali, ossia consistenti con i loro giudizi di preferenza
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
7
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
9
ricavo 100.000
p=0,5
ricavo 23.000
p=0,5
18.000
Investimento
80000
Investimento
EV = 30.000
di 20.000
1-p=0,5
ricavo 0
10
di 5.000
-20000
1-p=0,5
ricavo 0
EV = 6.500
-5000
M.Paolucci, R.Pesenti
11
12
Tiene conto dei payoff delle alternative ma anche della diversa avversione o
propensione al rischio del DM
M.Paolucci, R.Pesenti
13
14
Scelta
1-p
XE
XD
U(XE)
EU(A1) = 50
U(XD)
U(XE) =100
p=0,5
80.000
1-p = 0,5
-20.000
p=0,5
18.000
U(X1) =95
1-p = 0,5
-5.000
U(X2) =75
U(XD)=0
Scelta
EU(A2) = 85
M.Paolucci, R.Pesenti
15
16
(continua)
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
17
18
A2
1-p = 0,5
U(X2) =75
Scelta
80.000
A2
p=0,85
1-p = 0,15
80.000
-20.000
U(X1) =95
1-p = 0,05 -20.000
A2
p=0,75
1-p = 0,5
80.000
U(X2) =75
1-p = 0,25
-20.000
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
19
20
pi
funzione
di utilit
XD
CMEi
Vj
500
Uj
1-p
Ai
XE
La CME il massimo valore che il DM disposto a pagare per una lotteria con
probabilit pi, ossia con EV pari ad Ai
Se p=0,5 EV=500p+2(1-p)=251
CME=21
M.Paolucci, R.Pesenti
0,5
2 21
251
500
M.Paolucci, R.Pesenti
21
22
DM propenso al rischio
(concava)
(convessa)
M.Paolucci, R.Pesenti
23
24
Calcolo di CME(x+D)
U(CME(x +D)) = iU(x+di)pi
2
i di pi =
da cui
U(x) +r(x)U(x) = 0
CME(x +D)
U-1(U(x)
+ U(x) var{D})
U(xmin) = 0
U(xmax) = 100
Nella prima equazione si sono approssimati in valori di U(.) con il suo sviluppo in serie
di Taylor fino al secondo grado in quanto la somma delle componenti di primo grado
uguale a 0.
Nella seconda equazione si sono approssimati in valori di U-1 (.) con il suo sviluppo in
serie di Taylor, tenendo presente che la derivata di una funzione inversa uguale
allinverso della derivata della funzione diretta.
La funzione r(x) detta Pratt-Arrow measure of [absolute] risk aversion. Se il DM
avverso al rischio r(x) 0, in quanto U(x) 0 e U(x) 0.
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
25
26
r(x) = r = costante
r(x) decrescente in x
U(x) = a - b e-rx
ragionevole ritenere che il DM abbia la stessa r per lotterie diverse se queste
coinvolgono valori paragonabili.
r(x) costante implica che lavversione al rischio del DM non dipende dalla disponibilit del
capitale, ma solo dalla variabilit dei possibili risultati della lotteria. Equivalentemente:
Il DM decide se partecipare a una lotteria solo in base alle probabilit dei vari premi e ai loro
valori relativi. Il DM ritiene che i CME di due lotterie, i cui premi corrispondenti hanno le
stesse probabilit e hanno valori che differiscono per una costante Q, a loro volta differiscono
per la stessa costante Q.
Esempio, se il DM ritiene che vale la pena partecipare ad una lotteria con costo 1000 dove vi
il 50% di probabilit di ricavare 500 e il 50% di probabilit di ricavare 2000, allo stesso
modo riterr che vale la pena partecipare ad una lotteria con costo 10000 dove vi il 50% di
probabilit di ricavare 9500 e il 50% di probabilit di ricavare 11000.
Il DM diventa meno sensibile a possibili variazioni del proprio capitale finale. Il DM tanto
meno disponibile a pagare un premio di rischio per evitare tali variazioni tanto pi piccole
sono le variazioni rispetto al capitale.
Esempio, il DM potrebbe ritenere che non vale la pena partecipare ad una lotteria con costo
1000 dove vi il 50% di probabilit di ricavare 500 e il 50% di probabilit di ricavare 2000,
ma che valga la pena partecipare ad una lotteria con costo 10000 dove vi il 50% di
probabilit di ricavare 9500 e il 50% di probabilit di ricavare 11000.
Si noti che non vale lo stesso ragionamento per valori in proporzione, e.g., costo 10000, premi
5000 e 20000.
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
27
28
Investimento
richiesto
Ricavo atteso
in caso di
successo
Probabilit a
priori di
successo
Investimento
effettuato o
rifiutato
100
200
60%
effettuato
150
250
70%
rifiutato
120
300
85%
effettuato
40
70
60%
rifiutato
90
150
75%
da decidere
Stima
U(0)
Correttezza
stima
Valore con
utilit 0
Valore con
utilit 100
60%
sovrastima
-100
100
70%
sottostima
-150
100
85%
sovrastima
-120
180
60%
sottostima
-40
30
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
29
30
Nellipotesi ragionevole che si possa usare una r(x) = r per tutti gli investimenti deve
valere che
e-0r
0.60(a - b
e-100r)
+ 0.40(a - b
0 r 0.0153
Investimento D: U(0) 0.60U(40) + 0.40 U(-30)
e100r)
(*)
r 0.0033
Dai risultati ottenuti per i diversi investimenti si deduce che 0.0035 r 0.0040
Investimento E: si calcola U(0)= 0.75U(60) + 0.25 U(-90) per r0, ottenendo r=0,0090
da cui si deduce che per 0.0035 r 0.0040 si ha U(0) 0.75U(60) + 0.25 U(-90).
(**)
risolvendo numericamente la disequazione (**) si ottiene che per ogni r 0.0035, dove
0.0035 il valore minimo di r per cui la (**) vera, lutilit di 0 maggiore dellutilit
della lotteria corrispondente e che quindi linvestimento B non viene eseguito
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
31
32
Alberi decisionali
Formalizzano le decisioni in condizioni di rischio in base al criterio del
valore (utilit) attesa (Ipotesi: i payoff esprimono lutilit del DM)
Mettono in evidenza le conseguenze delle decisioni
Utili per studiare processi decisionali a stadi (sequenza di decisioni)
1
=
2
( x )2
2 2
Elementi:
e rx dx
e r = e
r + r
2 2
2
1
2
2 2
+ ( x ( r ))
2 2
dx r =
2( )
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
33
Alberi decisionali
Esempio
Esempi
eventi
A1
conseguenze
p1
Am
cm1
...
punto di
decisione
34
pn
alternative
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
35
36
Alberi decisionali
Alberi decisionali
Esempio
Esempio
annuncio
annuncio
p1
EVimm
g1
imm.
immissione
1-p1
f1
r1
p1
g1
1-p1
r1
EVimm=p1g1+(1-p1)r1
EVnon imm=p1h1
non annuncio
non annuncio
non
immissione
M.Paolucci, R.Pesenti
p1
h1
1-p1
p1
h1
non
imm.
M.Paolucci, R.Pesenti
37
Alberi decisionali
Alberi decisionali
Esempio
certamente
annuncio
EVimm
imm.
f1
p1
g1
1-p1
r1
non annuncio
non
imm.
p1
p2
g2
1-p2
r2
imm.
g3
EVi3 = p3 g3
EVni3 =p3 h3
h1
imm.
p2
f2
M.Paolucci, R.Pesenti
38
non
imm.
f3
p3
h2
non imm.
h3
p3 = 1
f3
p3
g3
imm.
1-p2
non
imm.
h3
M.Paolucci, R.Pesenti
39
40
Alberi decisionali
Alberi decisionali
Esempio
Esempio
Per t=2
Per t=1
p2
imm.
f2
non
imm.
g2
1-p2
r2
p2
h2
imm.
f1
non
imm.
g1
1-p1
r1
p1
h1
1-p2
p1
f2
f3
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
41
Alberi decisionali
42
g1=50
r1=60
p1=0,2
h2=75
g2=80
r2=100
p2=0,4
h3=80
g3=90
p3=1
dove
j =1
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
43
44
Vij
ann.
non ann.
Lij
ann.
non ann.
p=0,4
1-p=0,6
p=0,4
1-p=0,6
imm.
g1=50
r1=60
imm.
non imm.
h1=40
non imm.
10
60
EOL*
= 0 (imm.)
Ai dominata se esiste una Ak, ki, tale che Vij V kj j e vale Vij<Vkj per
= 56 (imm.)
almeno un j
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
45
46
ombrello
EV=0,8
non
ombrello
Normalmente una decisione viene presa a priori, i.e., prima che accadano
gli eventi che influenzeranno le conclusioni
-2
non piove
(p= 0,6)
piove
-10
non piove
non ombrello
-10
piove (p=0,4)
EVPI =6,2
ombrello
ombrello
non piove
(p= 0,6)
non ombrello
-2
7
M.Paolucci, R.Pesenti
47
48
EV
PI
Quanto sar disposta a pagare lAcme una spia industriale che le vendesse
linformazione su ci che far la concorrenza?
90
f 3 = 1 max
80
j =1
p ( S j )V
max
j
80
100
f 2 = 0 , 4 max + 0 , 6 max
= 92
75
90
50
60
f 1 = 0 , 2 max
+ 0 , 8 max
= 83 , 6
40
92
EVPI = EV PI EV
EVPI = EV PI EV = 83 , 6 81 , 6 = 2
M.Paolucci, R.Pesenti
49
50
Your company is considering whether it should tender for two contracts (MS1 and MS2) on offer from a government
department for the supply of certain components. The company has three options:
tender for MS1 only; or
tender for MS2 only; or
tender for both MS1 and MS2.
If tenders are to be submitted the company will incur additional costs. These costs will have to be entirely recouped from the
contract price. The risk, of course, is that if a tender is unsuccessful the company will have made a loss.
The cost of tendering for contract MS1 only is 50,000. The component supply cost if the tender is successful would be
18,000.
The cost of tendering for contract MS2 only is 14,000. The component supply cost if the tender is successful would be
12,000.
The cost of tendering for both contract MS1 and contract MS2 is 55,000. The component supply cost if the tender is successful
would be 24,000.
For each contract, possible tender prices have been determined. In addition, subjective assessments have been made of the
probability of getting the contract with a particular tender price as shown below. Note here that the company can only submit
one tender and cannot, for example, submit two tenders (at different prices) for the same contract.
Option Possible Probability tender of getting prices ()
Contract MS1 only
130,000
0.20
115,000
0.85
MS2 only
70,000
0.15
65,000
0.80
60,000
0.95
MS1 and MS2
190,000
0.05
140,000
0.65
In the event that the company tenders for both MS1 and MS2 it will either win both contracts (at the price shown above) or no
contract at all.
M.Paolucci, R.Pesenti
Esempio:
Si consideri il problema proposto dal prof. Beasley in
http://mscmga.ms.ic.ac.uk/jeb/or/decmore.html e riportato nel lucido
seguente. In particolare:
Si determini la decisione ottima in base allEV.
Si determini inoltre la decisione ottima in presenza di informazione
perfetta e quindi si calcoli il valore EVPI.
M.Paolucci, R.Pesenti
51
52
0,20
62
0,80
-50
EV = 32,45
MS1
Determinazione
decisione ottima sulla
base di probabilit
soggettive.
0,85
47
TP = 115
EV = 32,45
0,15
-50
EV = -5,30
0,15
44
0,85
EV = 28,40
0,80
TP = 65
-14
0,20
-14
TP = Tender Price
0,95
34
0,05
-14
EV = Expected
Monetary Value
0,05
111
0,95
-55
0,65
61
0,35
-55
TP = 70
EV = 32,45
EV = 31,60
MS2
TP = 60
EV = 31,60
MS1 & 2
EV = -46,70
TP = 190
EV = 20,40
TP = 140
EV = 20,40
39
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
53
54
cliente accetta
TP=130 o
minore
cliente accetta
TP=115 o
minore, ma non
TP=130
cliente accetta
solo TP<115,
ma non
TP=115
TP = 130
62
-50
-50
TP = 115
47
47
-50
TP = 0*
-50
-50
-50
55
56
probabilit che il
cliente rifiuti un
TP=130, ma
accetti un TP=115
funzione di distribuzione
della probabilit che il
cliente accetti unofferta
di valore x
0,15
0,65
115
0,20
130
valore offerta
NB: larea sottesa dalla curva tra 115 e infinito (uguale a 0,85) indica la probabilit che il cliente accetti un TP=115
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
57
58
TP = 115
EV = 32,45
0,20
62
0,80
-50
0,85
47
0,15
-50
0,20
EVpi = 35,45
0,65
MS1
0,15
47
TP = 130
-50
TP = 115
TP = 130
47
TP = 115
-50
-50
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
59
60
62
0,20
0,65
47
MS1
0,15
-50
35,45
MS1
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
61
TP = 130
47
TP = 115
-50
TP = 115
44
TP = 70
0,65
39
TP = 65
0,15
34
TP = 60
-14
TP = 60
111
TP = 190
61
TP = 140
-55
TP = 140
0,20
0,65
EVpi = 35,45
0,15
MS1
EV = 36,35
EVpi = 36,35
0,15
MS2
0,05
MS1 & 2
0,05
0,60
EVpi = 22,90
62
0,35
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
63
64
65
66
p(IEi | Sj)
M.Paolucci, R.Pesenti
67
68
ombrello
Normalmente una decisione viene presa a priori, i.e., prima che accadano
gli eventi che influenzeranno le conclusioni
EV=0,8
non
ombrello
-2
non piove
(p= 0,6)
piove
-10
non piove
Decisione senza
informazione
campionaria
piove
previsioni
pioggia
M.Paolucci, R.Pesenti
non
ombrello
EVSI
Decisione con
informazione
campionaria
M.Paolucci, R.Pesenti
ombrello
previsioni
no pioggia
non piove
-2
piove
-10
non piove
piove
ombrello
non
ombrello
non piove
-2
piove
-10
non piove
69
70
M.Paolucci, R.Pesenti
71
72
ombrello
non piove, 0.25
EVSI=3.25
non
ombrello
previsioni
pioggia, 0.48
EVSI=4.52
previsioni no
pioggia, 0.52
-2
0.75
-10
0.25
0.08
0.92
-2
0.08
-10
0.92
ombrello
EVSI=5.69
M.Paolucci, R.Pesenti
non
ombrello
M.Paolucci, R.Pesenti
73
74
Information, EVSI)
Si devono valutare
p(IEi) le prob. a priori degli esiti dellindagine
dellindagine IEi
m
posteriori)
n
EV SI i = p ( S j IE i ) Vij
Probabilit Totale
j =1
p ( IEi ) = p ( IEi S j ) p ( S j )
i =1
Teorema di Bayes
p ( S j IE i ) =
M.Paolucci, R.Pesenti
p ( IE i S j ) p ( S j )
p ( IE i )
M.Paolucci, R.Pesenti
75
76
Information, EVSI)
Si ottiene
Information, EVSI)
n
EV SI = p ( IE i ) p ( S j IE i ) Vij
i =1
j =1
m
n p ( IE i S j ) p ( S j ) Vij
= p ( IE i )
=
p ( IE i )
i =1
j =1
= p ( IE i S j ) p ( S j ) Vij
SIE = EVSI/EVPI
i =1 j =1
0 SIE 1
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
77
Un esercizio
78
Un esercizio
Bassa
Media
Alta
200
350
600
250
350
540
Test Mercato\Domanda
Bassa
Media
Alta
300
375
490
Favorevole
0.2
0.4
0.7
300
350
470
Invariato
0.2
0.3
0.2
Sfavorevole
0.6
0.3
0.1
p(Th/Sj)
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
79
80
Non sono disponibili le informazioni sulla probabilit degli stati futuri della
natura
MAXIMAX
Hurwicz
Laplace (equiprobabilit)
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
81
82
Criterio MAXIMAX
Problemi:
Gli stessi del MAXIMIN
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
83
84
Esempio
si pone
p(Sj) = 1/n j
Decisioni\Domanda
Bassa
Media
Alta
200
350
600
si sceglie
250
350
540
300
375
490
300
350
470
D dominata da C !!!
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
85
86
Esempio
Il problema della selezione della tecnologia (si scelga, ad esempio, = 0.4
per algoritmo di Hurwicz)
Guadagni (utilit)
Dec.\Dom.
Bassa
Media
Alta
MAXIMIN
MAXIMAX
=0.4
200
350
600
200
600
440
383
250
350
540
250
540
424
380
300
375
490
300
490
414
388
Equip
Decisioni
S1 (p)
S2 (1-p)
A1
V11
V12
A2
V21
V22
A3
V31
V32
A4
V41
V42
M.Paolucci, R.Pesenti
87
88
V22
V12
Break Even
Point
A2
A1
A4
Obiettivi Multipli
V41
V11
V21
V42
V31
V32
p
0
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
89
90
Obiettivi Multipli
Esempio di riferimento
spesso tali criteri sono discordi non quindi possibile agire in modo che
possano essere tutti soddisfatti al meglio;
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
91
92
Esempio di riferimento
max w = 10x2
2x1 + 4x2 + x3 15
3x1 + 2x2 + 2x3 23
z= 22,5
w* = 37,5
x1 + 3x2 + x3 18
xi 0
alle due soluzioni corrispondono ovviamente diversi valori delle xi e quindi
non pu essere presa una decisione che soddisfi entrambe gli obiettivi, bisogna
giungere ad un compromesso e scegliere uno dei punti della frontiera di
Pareto.
M.Paolucci, R.Pesenti
z* = 38
w= 11,66
93
94
Approccio congiuntivo
Approccio lessicografico
z* = 38
w= 11,66
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
95
96
w= 30,6
(5,2), soluzione
ottima per w
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
97
5
combinazione conica (o, come in
questo caso, convesso) delle
funzioni obiettivo
max a( x1 + 3x2) + b(3x1 + x2)
e.g., con a, b 0, a + b = 1
98
soluzione ottima
per 1/6 a 1/2
(5,2), soluzione
ottima per w, w* =
17
soluzione ottima
per 0 a 1/6
5
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
99
100
(4,4), soluzione
lessicografica,
considerando prima la
funzione obiettivo z
(5,2), soluzione
lessicografica,
considerando prima la
funzione obiettivo w
5
5
(5,2), soluzione ottima per
funzione obiettivo w
5
M.Paolucci, R.Pesenti
M.Paolucci, R.Pesenti
101
102
Esercizi
1. Valutare per punti la propria funzione di utilit tra gli 0 e i 10000 EUR.
2. Si stimi il valore di r per una funzione di utilit U(x) = a - b e-rx sapendo
che il DM ritiene la CME di una lotteria i cui premi sono distribuiti
uniformemente tra e .
3. I dati storici di una azienda indicano che nel passato recente sono stati
effettuati gli seguenti investimenti riportati in tabella. Stimare la funzione
di utilit del management aziendale con una funzione esponenziale a-be-rx
5
capitale
investito
A
soluzione di distanza
quadratica minima
rispetto alla marca
ideale A
0
198
261
299
1194
2499
1502
5
M.Paolucci, R.Pesenti
valore finale
probabilit
investimento valore finale
successo
se non vi
se vi
investimento successo
successo
0
0
0
0,28
2000
0
0,53
1300
0
0,72
1000
0
0,86
3000
0
0,95
5000
0
0,99
2500
0
M.Paolucci, R.Pesenti
103
104
Esercizi
3. Dato un capitale di 100 EUR si possono possono effettuare due tipi di
investimento. Il primo investimento ha una probabilit di successo di 0,5 e, nel
caso ci accada, vi sar un ritorno di 220 EUR, altrimenti si perde tutto. Il secondo
investimento richiede di spezzare il capitale in due tranche da 50 EUR. Entrambe
le tranche, ma in modo indipendente, sono investite in attivit che hanno
probabilit di successo di 0,5 e, nel caso ci accada, hanno un ritorno di 110 EUR,
altrimenti hanno ritorno nullo.
Supponendo di essere obbligati a scegliere uno dei due tipi di investimento
indicare quale si preferirebbe, nel caso in cui si sia avversi al rischio e nel caso in
cui si sia propensi al rischio.
Alla luce dei risultati ottenuti argomentare sul perch conviene diversificare il
rischio nel caso si debba investire in attivit in cui non si abbia il controllo sulle
probabilit di successo. Viceversa argomentare sul quali debbano essere le
condizioni che spingano una azienda a concentrarsi sul suo core business o
viceversa diversificarsi. Nel secondo caso indicare inoltre quando allazienda
conviene diversificarsi orizzontalmente e quando conviene diversificarsi
verticalmente. Presentare degli esempi numerici.
4. Svolgere gli esercizi proposti dal prof. Beasley alla pagina
http://mscmga.ms.ic.ac.uk/jeb/or/decmore.html. Per determinare la scelta ottima
utilizzare EV, ROI e la funzione di utilit determinata nellesercizio 2.
Commentare gli eventuali risultati discordi.
M.Paolucci, R.Pesenti
105