Sistema a singolo servente
|
|
- Gianmarco Nicoletti
- 5 anni fa
- Visualizzazioni
Transcript
1 Sistema a sgolo servente Servente Cliente arrivo Clienti coda Cliente servizio Cliente uscita empi di terarrivo A, A 2, v.a. IID (i.e., hanno la stessa funzione di distribuzione e sono dipendenti) empi di servizio S, S 2, v.a. IID (dipendenti dagli A i ) Coda FIFO
2 Sistema a sgolo servente Servente Cliente arrivo Clienti coda Cliente servizio Cliente uscita Stato iziale: coda vuota e servente libero Criterio di arresto: siano trascorsi = 8,6 m. Osservazione: il numero n di clienti serviti è una v.a. dipendente dai valori osservati degli A i e S i
3 Misure di prestazione I: attesa media coda d Un sgolo run della simulazione restituisce un certa attesa media coda degli n clienti osservati. ale valore dipende dalle sequenze di numeri casuali A i e S i generati. Un diverso run produce, generale, un diversa attesa media. Qudi, l attesa media su un sgolo run è essa stessa una v.a. associata ai possibili esiti dell esperimento sgolo run. Il nostro obiettivo è ottenere una stima del valor medio della v.a. attesa media coda. Intuitivamente, d (fito) di run si ottiene dalla media di un numero elevato
4 Stima di d Stima da un sgolo run: ritardi osservati D, D 2,, D n dˆ n i= = n D i D, D 2,, D n non sono IID (e.g. può essere D =, D 2 >). d è una statistica tempo-discreta (discrete-time) quanto è misurata rispetto al numero di clienti (che è una quantità discreta). L unità di misura è il tempo.
5 Misure di prestazione II: lunghezza media della coda Q diverso da d quanto calcolato lungo un periodo di tempo contuo e non sull sieme (discreto) dei clienti (contuous-time o timebased statistic). Quantità adimensionata. Defizione: Q = i= ip i+ ( ) Q è la media pesata dei possibili valori i della lunghezza della coda dopo che sia trascorso un tempo
6 Stima di Q Una stima di Q da una simulazione si ottiene dalle stime delle probabilità p i () Qˆ = ipˆ ( cui pˆ i ( Calcolo di Allora: pˆ pˆ i+ i ) Qˆ = ( ) ( ) + i= i+ ) ˆ ( ) è la proporzione osservata durante la simulazione = i pˆ ( ) empo di simulazione empo totale durante la simulazione cui la coda ha lunghezza i = i... Qˆ = i i i= = p i q( t) dt
7 3,5 q(t ) Esempio 3 2,5 2,5,5 arrivi,4,6 2, 3,8 4, 5,6 5,8 7,2 partenze 2,4 3, 3,3 4,9 8,6= 6
8 3,5 q(t ) Esempio 3 2,5 2,5,5,6 2, 2,4 3, 3,3 3,8 4. 4,9 5,6 5,8 7,2 8,6= 6,4 = (.6.) + (4. 3.) + ( ) = 3.2 = (2..6) + (3. 2.4) + (4.9 4.) + ( ) = 2 = (2.4 2.) + ( ) =.7 3 = ( ) =.4 2.3
9 Esempio 3,5 q(t ) 3 2,5 2,5,5,6 2, 2,4 3, 3,3 3,8 4. 4,9 5,6 5,8 7,2 8,6= 6,4 = 3.2 = =. 7 3 =. 4 ii ˆ i= ( 3.2) + ( 2.3) + (2.7) + (3.4) Q = = =.5 8.6
10 3,5 3 2,5,5,5 q( t ) 2 Esempio ( 2.3) ( 2.7) ( 3.4) ii ˆ i= ( 3.2) + ( 2.3) + (2.7) + (3.4) Q = = = La somma a numeratore cocide con l area sotto q(t ) Qˆ q( t) dt =
11 Misure di prestazione III: fattore atteso di utilizzo del servente ρ proporzione attesa del tempo [, ] cui il servente è occupato ( ρ ) da un sgolo run: proporzione osservata del tempo cui il servente è stato occupato Defizione geometrica (media tempo contua): ˆρ B( t) dt = Bt ()= servente occupato al tempo t altrimenti Misura utilizzata nell dividuazione di colli di bottiglia reti con diversi serventi
12 B(t ) Esempio,4,6 2, 2,4 3, 3,3 3,8 4. 4,9 5,6 5,8 7,2 8,6= 6 arrivi partenze Coda vuota
13 B(t ) Esempio,6 2, 2,4 3, 3,3 3,8 4. 4,9 5,6 5,8 7,2 8,6= 6,4 (3.3.4) + ( ) ˆ = = 8.6 ρ.9
14 Risultati osservati vs. valori teorici Dati (sistema M/M/): tempo di terarrivo: Exp() tempo di servizio: Exp(.5) λ = tasso di arrivo µ = 2 tasso di servizi n = Risultati di run vs. valori teorici: ˆ =.43 d Qˆ =.48 ˆ ρ =.46 d =.5 Q =.5 ρ =.5 Osservazioni: I risultati dipendono dalla sequenza di numeri casuali (A i, S i ) generati. Qudi, i risultati non rappresentano La risposta ma una stima dei valori attesi delle quantità di teresse. I risultati dipendono da e dallo stato iziale (sistema vuoto, servente libero).
Reti di Telecomunicazioni. Sistemi a coda M/M/1
Reti di Telecomunicazioni Sistemi a coda M/M/1 Ing. Francesca Lo Piccolo e-mail: francesca.lopiccolo@uniroma2.it Un ringraziamento particolare al Prof. Andrea Detti, autore delle presentazioni da cui è
DettagliAnalisi statistica dell output prodotto dalla simulazione
Analisi statistica dell output prodotto dalla simulazione Teso di riferimento: Steven Lavenberg "Computer Performance Modeling Handbook" Academic Press, Il simulatore realizza un adeguato modello del
DettagliUniversità di Bergamo. Dipartimento di Ingegneria dell Informazione e Metodi Matematici. Laboratorio di Reti. Prof.
Università di Bergamo Dipartimento di Ingegneria dell Informazione e Metodi Matematici Laboratorio di Reti Prof. Fabio Martignon 1 Università di Bergamo Dipartimento di Ingegneria dell Informazione e Metodi
Dettagli9 - Esercizi su Test di Ipotesi e Media Pesata
9 - Esercizi su Test di Ipotesi e Media Pesata Esercizio 1: Prese due risme di fogli di carta, la misura della lunghezza di un campione di 10 fogli presi a caso da ciascuna delle due risme fornisce i seguenti
DettagliDISTRIBUZIONI DI CAMPIONAMENTO
DISTRIBUZIONI DI CAMPIONAMENTO 12 DISTRIBUZIONE DI CAMPIONAMENTO DELLA MEDIA Situazione reale Della popolazione di tutti i laureati in odontoiatria negli ultimi 10 anni, in tutte le Università d Italia,
DettagliLa teoria delle code
La teoria delle code Ludovica Crosato INTRODUZIONE La Teoria delle code (o delle file d attesa) rappresenta l analisi dei fenomeni di attesa che si possono manifestare in presenza della domanda di un servizio,
Dettagli- 4 - La multiplazione statistica nelle reti a pacchetto
Politecnico di Milano Dipartimento di Elettronica e Informazione - 4 - La multiplazione statistica nelle reti a pacchetto Laboratorio di Reti di Telecomunicazione Premessa Useremo NS e nscript per studiare
DettagliTeoria delle File di Attesa Una coda, o fila di attesa, si forma quando degli utenti attendono di essere serviti da uno o più serventi.
Teoria delle File di Attesa Una coda, o fila di attesa, si forma quando degli utenti attendono di essere serviti da uno o più serventi. Esempi: Studenti agli sportelli della segreteria Utenti di un centro
Dettagli- 4 - La multiplazione statistica nelle reti a pacchetto
Politecnico di Milano Dipartimento di Elettronica e Informazione - 4 - La multiplazione statistica nelle reti a pacchetto Laboratorio di Reti di Telecomunicazione Premessa Useremo NS e nscript per studiare
DettagliCorso di FONDAMENTI DI RETI DI TELECOMUNICAZIONI. Martino De Marco
Politecnico di Milano Sede di Cremona A.A. 2004/05 Corso di FONDAMENTI DI RETI DI TELECOMUNICAZIONI Martino De Marco (demarco@cremona cremona.polimi.it) ESERCITAZIONE VALUTAZIONE DELLE PRESTAZIONI Slide
DettagliTeoria delle File di Attesa
Teoria delle File di Attesa Una coda, o fila di attesa, si forma quando degli utenti attendono di essere serviti da uno o più serventi. Esempi: Studenti agli sportelli della segreteria Utenti di un centro
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stimatore media campionaria Il tempo in minuti necessario a un certo impiegato dell anagrafe
DettagliSTATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
DettagliSTATISTICA (2) ESERCITAZIONE 1. Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 1 29.01.2014 Dott.ssa Antonella Costanzo Esercizio 1. Modelli discreti di probabilità: le v.c. binomiale e geometrica (come caso particolare della v.c. binomiale negativa)
Dettagliarrivi in un tempo t è pari a λ*t, come si può ricavare dalla media su k della distribuzione di Poisson :
Sistema di coda ad un canale con arrivi poissoniani e tempi di servizio esponenziali. Si può dimostrare che assumere il tasso degli arrivi costante e pari a equivale ad assumere per gli intervalli fra
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE TEORIA DELLE CODE Teoria delle code Obiettivo Avere uno strumento analitico per determinare le condizioni di funzionamento di una rete in termini prestazionali La teoria delle
DettagliLa teoria delle code
La teoria delle code 3 marzo 205 Ing. foglietta.chiara@gmail.com Università degli Studi di Cassino e del Lazio Meridionale Agenda Reti di Aperte Reti di Aperte Sistema M/M/ I 2 Reti di Aperte Una coda
DettagliElementi di base su modello binomiale e modello normale
Elementi di base su modello binomiale e modello normale (alcune note) Parte 1: il modello binomiale Di fondamentale importanza nell analisi della qualità sono i modelli. I due principali modelli statistico-probablistici
DettagliSIMULAZIONE DI SISTEMI CASUALI 2 parte. Processi stocastici e teoria delle code. Processi stocastici
SIMULAZIONE DI SISTEMI CASUALI 2 parte Processi stocastici e teoria delle code Processi stocastici Generalità La distribuzione di Poisson (degli eventi rari) è caratterizzata dall avere una funzione di
Dettagli11 - Test del Chi-Quadro
11 - Test del Chi-Quadro rocedura generale di un fit ai dati: 1) Misure: (x 1,y 1 )...(x n,y n ), x 0, y = yi (gaussiani indipendenti) ) Ipotesi H 0 sul modello (Es. y = f(x) =A + Bx) 3) Metodo dei minimi
DettagliSistemi Discreti. Reti di Petri Stocastiche Automi stocastici Code e Reti di Code Algebra di processi
Sistemi Discreti Reti di Petri Stocastiche Automi stocastici Code e Reti di Code Algebra di processi 1 Code Introduzione Classificazione dei sistemi a coda Legge di Little Sistemi a coda singola Reti di
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
Dettagli1. i limiti di p che garantiscono un funzionamento stabile del sistema ;
Problema 1 Un router collega una rete locale ad Internet per mezzo di due linee dedicate, la prima di capacità C 1 = 2.048 Mbit/s e la seconda di capacità C 2 = 512 Kbit/s. Ciascuna linea è dotata di una
DettagliReti di Telecomunicazioni. Sistemi a coda
Reti di Telecomunicazioni Sistemi a coda Ing. Francesca Lo Piccolo e-mail: francesca.lopiccolo@uniroma2.it Un ringraziamento particolare al Prof. Andrea Detti, autore delle presentazioni da cui è stata
Dettagli5. Analisi dei dati di input
Anno accademico 2007/08 Analisi e scelta dei dati di input Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
Dettagli7 - Distribuzione Poissoniana
7 - Distribuzione Poissoniana Probabilita' (poissoniana) o densita' di probabilita' (gaussiana) 0.7 Poisson, λ=0.5 Gaussiana, µ=λ=0.5, σ= 0.6 0.5 0.4 0.3 0.2 0.1 0 0.5 0 0.5 1 1.5 2 2.5 3 3.5 4 n = numero
DettagliC.I. di Metodologia clinica
C.I. di Metodologia clinica Modulo 5. I metodi per la sintesi e la comunicazione delle informazioni sulla salute Quali errori influenzano le stime? L errore casuale I metodi per la produzione delle informazioni
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliStatistica. Capitolo 10. Verifica di Ipotesi su una Singola Popolazione. Cap. 10-1
Statistica Capitolo 1 Verifica di Ipotesi su una Singola Popolazione Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Formulare ipotesi nulla ed ipotesi alternativa
DettagliProcessi di Markov. Processi di Markov
Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Un
DettagliUlteriori Conoscenze di Informatica e Statistica. Popolazione. Campione. I risultati di un esperimento sono variabili aleatorie.
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it I risultati di un esperimento
DettagliModelli a code d attesa dei sistemi operativi
Definizioni Preliminari Topologie Tandem (1 dispositivo I/O Tandem (2 dispositivi I/O) Coda chiusa Coda aperta Definizioni Preliminari variabili aleatorie: il risultato di un esperimento dall esito incerto
DettagliAppunti di statistica ed analisi dei dati
Appunti di statistica ed analisi dei dati Indice generale Appunti di statistica ed analisi dei dati...1 Analisi dei dati...1 Calcolo della miglior stima di una serie di misure...3 Come si calcola μ...3
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE PRINCIPI GENERALI Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Simulazione a eventi discreti Una simulazione a eventi
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliAnalisi statistica classica. Analisi statistica in simulazione. Stima della media. Stima della media
Analisi statistica in simulazione Analisi statistica classica Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati Analisi dei dati di di input definizione
Dettagliγ 4 γ 2 λ 2 λ 4 r 42 γ 3 λ 3 r 24 r 04
Capitolo 5 Reti di code Tipicamente una risorsa non viene utilizzata in modo isolato, pi u facilmente diverse risorse sono interconnesse fra loro per costituire un unico sistema. Un esempio e offerto da
DettagliSTATISTICA VERIFICA D IPOTESI - 1
STATISTICA VERIFICA D IPOTESI - Verifica di ipotesi Nelle ultime elezioni il partito del Grifondoro ha preso il 28.64%: l attuale consenso è superiore? Il dado che stiamo lanciando è equilibrato? Il peso
DettagliProbabilità e Statistica
Probabilità e Statistica - 12.01.2016 Cognome e Nome............................................................................... C. d. L.:................................................Anno di Corso:
DettagliGli intervalli di confidenza. Intervallo di confidenza per la media (σ 2 nota) nel caso di popolazione Gaussiana
Statistica Lez. 1 Gli intervalli di confidenza Intervallo di confidenza per la media (σ nota) nel caso di popolazione Gaussiana Sia X una v.c Gaussiana di media µ e varianza σ. Se X 1, X,..., X n è un
DettagliProbabilità: teoremi e distribuzioni
Probabilità: teoremi e distribuzioni OBIETTIVO DIDATTICO DELLA LEZIONE Illustrare le più importanti distribuzioni di probabilità che vengono utilizzate in statistica Distribuzioni di probabilità 1. La
DettagliEsame di Sistemi ad Eventi Discreti
Esame di Sistemi ad Eventi Discreti - 16.12.2008 Esercizio 1 (esame completo/recupero prima parte) Un macchinario è programmato per task. Ciascun task è composto da subtask, che possono essere di tipo
DettagliDISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34
DISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34 Distribuzione Binomiale 2 / 34 La più importante distribuzione di probabilità per variabili casuali discrete è la distribuzione binomiale. Questa distribuzione
Dettagliλ è detto intensità e rappresenta il numero di eventi che si
ESERCITAZIONE N 1 STUDIO DI UN SISTEMA DI CODA M/M/1 1. Introduzione Per poter studiare un sistema di coda occorre necessariamente simulare gli arrivi, le partenze e i tempi di ingresso nel sistema e di
DettagliAPPUNTI DI STATISTICA INFERENZIALE. Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO
APPUNTI DI STATISTICA INFERENZIALE Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO PREREQUISITI VARIABILE ALEATORIA (QUANTITATIVA): è una funzione che associa un numero reale ad ogni
DettagliTre esempi di sistemi di congestione. Analisi delle loro simulazioni in linguaggio Simula
Tre esempi di sistemi di congestione Analisi delle loro simulazioni in linguaggio Simula Generalità introduttive Una larga classe di sistemi reali : Sistemi di produzione Sistemi di traffico e di comunicazione
DettagliDistribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
DettagliReti di Comunicazione e Internet
Politecnico di Milano Dipartimento di Elettronica e Informazione Reti di Comunicazione e Internet Laboratorio 3. Multiplazione Statistica Agenda della lezione Multiplazione statistica Sistemi d attesa
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
DettagliCognome e Nome:... Corso di laurea:...
Statistica - corso base Prof. B. Liseo Prova di esame dell 8 gennaio 201 Cognome e Nome:................................................................... Corso di laurea:.......................................................................
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile casuale normale Da un analisi di bilancio è emerso che, durante i giorni feriali
DettagliPolitecnico di Milano Sede di Cremona A.A. 2012/13. Corso di RETI DI COMUNICAZIONE E INTERNET (Modulo 1)
Politecnico di Milano Sede di Cremona A.A. 2012/13 Corso di RETI DI COMUNICAZIONE E INTERNET (Modulo 1) Martino De Marco email: martino.demarco@mail.polimi.it skype: martino.demarco ESERCITAZIONE VALUTAZIONE
DettagliCatene di Markov a tempo continuo. Richiami teorici
Catene di Marov a tempo continuo Richiami teorici Pagina di 55 Data ultima revisione 2/5/ Definizione di catena di Marov a Una catena di Marov a è definita come: M(X, P(t)) t R + dove gli stati x,...,
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono
DettagliSoluzione Esercizio 1 (pag 1):
8 - Test di Ipotesi Esercizio 1: Dopo anni di esperienza e noto che la distribuzione della concentrazione di rame nel sangue umano e ben descritta da una distribuzione gaussiana di parametri μ=3.2 10-5
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
DettagliStatistica. Lezione 4
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 4 a.a 2011-2012 Dott.ssa Daniela
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
DettagliPROF. ING. UMBERTO CRISALLI Dipartimento di Ingegneria dell Impresa.
corso di Teoria e Tecnica della Circolazione + Trasporti e Territorio a.a. 2012-2013 ELEMENTI DI TEORIA DELLE CODE PROF. ING. UMBERTO CRISALLI Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma2.it
DettagliMODELLI A CODA. Corso di Tecniche di Simulazione, a.a. 2005/2006. Francesca Mazzia. Dipartimento di Matematica Università di Bari.
MODELLI A CODA Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) MODELLI A CODA 17/04/2006 1 /
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
DettagliStatistica Metodologica Avanzato Test 1: Concetti base di inferenza
Test 1: Concetti base di inferenza 1. Se uno stimatore T n è non distorto per il parametro θ, allora A T n è anche consistente B lim Var[T n] = 0 n C E[T n ] = θ, per ogni θ 2. Se T n è uno stimatore con
Dettagli5. Analisi dei dati di output
Anno accademico 2006/07 Analisi dei dati di Output Y 1, Y 2,..., Y m : output della simulazione. Le variabili casuali Y 1, Y 2,..., Y m non sono in generale indipendenti Se supponiamo però di avere effettuato
DettagliLaboratori di FONDAMENTI DI RETI DI TELECOMUNICAZIONI
Politecnico di Milano Sede di Cremona A.A. 2007/08 Laboratori di FONDAMENTI DI RETI DI TELECOMUNICAZIONI Fabio Zeri (gundam@metarete.it) Slide 1 Multiplazione Permette la condivisione di un mezzo trasmissivo
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ SCHEDA
DettagliIL PALLINOMETRO SCOPO
IL PALLINOMETRO SCOPO Verifica del fatto che gli errori casuali nella misura di una grandezza fisica ripetuta molte volte nelle stesse condizioni sperimentali seguono la distribuzione normale di Gauss.
DettagliRete di Telecomunicazione
Secondo Compitino (VO+NO) Corso di Reti di Telecomunicazioni, Siena, 2/4/2004 (2 h: 30min) Esercizio 1 Si consideri un sistema di trasmissione che gestisce i messaggi generati da N utenti. Ciascun utente
DettagliParametri e statistiche. Parametri e statistiche. Distribuzioni campionarie. Popolazione Parametri Valori fissi, Statistiche o Stimatori.
Parametri e statistiche Popolazione Parametri Valori fissi, spesso non noti Campione Statistiche o Stimatori Variabili casuali, le cui determinazioni dipendono dalle particolari osservazioni scelte Parametri
DettagliSTATISTICA ESERCITAZIONE. 1) Specificare la distribuzione di probabilità della variabile e rappresentarla graficamente;
0.00 0.05 0.10 0.15 0.20 STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 4 Maggio 2015 Esercizio 1 (Uniforme discreta) Si consideri l esperimento lancio di un dado non truccato. Sia X la variabile casuale
DettagliEsercitazione 5 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione del corso di Statistica Prof. Domenico Vistocco Alfonso Iodice D Enza May 30, 007 1 Esercizio Si consideri una popolazione caratterizzata dai numeri, 3, 6, 8, 11. Si considerino tutti i possibili
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE Analisi e scelta dei dati di input Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Dati di input Per l esecuzione di una
DettagliMODELLI STATISTICI, RICHIAMI
MODELLI STATISTICI, RICHIAMI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 11 Aprile 2006 Francesca Mazzia (Univ. Bari) MODELLI STATISTICI,
Dettagli1. variabili dicotomiche: 2 sole categorie A e B
Variabile X su scala qualitativa (due categorie) modello di regressione: variabili quantitative misurate almeno su scala intervallo (meglio se Y è di questo tipo e preferibilmente anche le X i ) variabili
DettagliEsercizio 1. Stima intervallare: IC per la media incognita (varianza ignota)
STATISTICA (2) ESERCITAZIONE 5 26.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota) Il responsabile del controllo qualità di un azienda che
DettagliComplementi di Probabilità e Statistica Laurea Magistrale Ing. Info. Soluzione degli Esercizi su catene di Markov a tempo continuo
Complementi di Probabilità e Statistica Laurea Magistrale Ing Info Soluzione degli Esercizi su catene di Markov a tempo continuo M Abundo Si può modellizzare il sistema mediante una coda del tipo M/M/n
DettagliAnalisi e scelta dei dati di input
Analisi e scelta dei dati di input Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) Analisi e
DettagliIntroduzione al modello Uniforme
Teoria dei Fenomeni Aleatori 1 AA 01/13 Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x t x q t Tempo Discreto Continuo 0
DettagliIl calcolo del VAR operativo mediante la metodologia stocastica parametrica. Simona Cosma
Il calcolo del VAR operativo mediante la metodologia stocastica parametrica Simona Cosma Contenuti Il VAR operativo: inquadramento concettuale La metodologia attuariale EVT (Extreme Value Theory) Il VAR
DettagliProblema tipico delle applicazioni idrologiche: qual'è la portata con tempo di ritorno T?
Problema tipico delle applicazioni idrologiche: qual'è la portata con tempo di ritorno T? Il problema dell'inferenza: dato un campione, individuare la distribuzione di probabilità da cui ha avuto origine.
Dettagli5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana)
5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana) Esercizio 1: Una variabile casuale e caratterizzata da una distribuzione uniforme tra 0 e 10. Calcolare - a) la probabilità
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliI modelli probabilistici
e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:
DettagliPEREQUAZIONE CON LEGGI DI SOPRAVVIVENZA
Siano PEREQUAZIONE CON LEGGI DI SOPRAVVIVENZA qˆ, = a, a +, K, ω le stime delle probabilità di morte q, = a, a +, K, ω, di un modello di sopravvivenza non parametrico ottenute secondo un approccio di stima
DettagliMetodi e Modelli Matematici di Probabilità per la Gestione Prova scritta 12/01/2009
Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta 12/01/2009 Esercizio 1 (20 punti). Esaminiamo il controllo passaporti in un aeroporto in entrata per gli Stati Uniti, controllo
DettagliEsperimentazioni di Fisica 1. Prova d esame del 18 febbraio 2019 SOLUZIONI
Esperimentazioni di Fisica 1 Prova d esame del 18 febbraio 2019 SOLUZIONI Esp-1-Soluzioni - - Page 2 of 8 1. (12 Punti) Quesito. La misurazione della massa di una certa quantità di una sostanza liquida
Dettaglit (h) h (mm)
Esercizio n 1 Con riferimento all equazione di Horton per il calcolo dell infiltrazione si assuma un tasso iniziale di infiltrazione f 0 =5 cm/h, un valore del tasso costante f c =1 cm/h ed una costante
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Tassi e proporzioni Classi nominali:
DettagliCorso di Idrologia A.A Piogge intense. Antonino Cancelliere. Dipartimento di Ingegneria Civile e Ambientale Università di Catania
Corso di Idrologia A.A. 2011-2012 Piogge intense Antonino Cancelliere Dipartimento di Ingegneria Civile e Ambientale Università di Catania Elaborazione delle piogge intense Obiettivi: 1. Determinazione
DettagliSimulazione Numerica
Fondamenti di Ricerca Operativa T-A a.a. 2016-2017 Simulazione Numerica Andrea Lodi, Enrico Malaguti, Daniele Vigo Novembre 2016 Simulazione numerica Tecnica che permette di condurre esperimenti su modelli
Dettagli' $ Teoria del traffico & % 1
Teoria del traffico Andamento della distribuzione di Poisson P(k) = (λt)k k! e λt 1 k=0 k=1 k=2 k=3 0.8 0.6 P(k) 0.4 0.2 0 0 1 2 3 4 5 λt Proprietá La sovrapposizione di h processi di Poisson aventi frequenze
DettagliLe frequenze riportate in tabella possono essere considerate il risultato di un esperimento
0,9 0,8 0,7 0,6 0,5 0,4 0,3 Livello di alcol Frequenza assoluta Frequenza relativa Frequenza cumulativa assoluta Frequenza cumulativa relativa 0-0, 77 0,773 77 0,773 0,-0,4 6 0,070 93 0,843 0,4-0,6 0,048
DettagliEsercizio 1. La variabile casuale G, somma di due V.C. normali, si distribuisce anch essa come una normale.
Esercizio 1. La V.C. Y segue una distribuzione normale con media 45 e varianza 9. La V.C. X segue una legge normale con media 12 e varianza 4. Calcolare come si distribuisce e quali sono i parametri della
DettagliMODELLI DI ASSEGNAZIONE PER LE RETI STRADALI
MODELLI DI ASSEGNAZIONE PER LE RETI STRADALI CORSO DI PROGETTAZIONE DEI SISTEMI DI TRASPORTO - I MODELLI DI ASSEGNAZIONE L ASSEGNAZIONE DELLA DOMANDA AD UNA RETE DI TRASPORTO CONSISTE NEL CALCOLARE I FLUSSI
DettagliCONFRONTO TRA LA MEDIE DI DUE CAMPIONI INDIPENDENTI
CONFRONTO TRA LA MEDIE DI DUE CAMPIONI INDIPENDENTI ipotesi sul confronto tra le medie di due campioni indipendenti Obiettivo: decidere, attraverso il confronto tra le medie dei due campioni indipendenti,
DettagliUniversità di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi
Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove
DettagliEsperimentazioni di Fisica 1. Prova d esame del 20 febbraio 2018 SOLUZIONI
Esperimentazioni di Fisica 1 Prova d esame del 20 febbraio 2018 SOLUZIONI Esp-1-Soluzioni - - Page 2 of 6 01/02/2018 1. (12 Punti) Quesito. In un esperimento è stata misurata la grandezza Y in funzione
DettagliDipartimento di Sociologia e Ricerca Sociale. Corso di Laurea in Sociologia. Insegnamento di Statistica (a.a ) dott.ssa Gaia Bertarelli
Dipartimento di Sociologia e Ricerca Sociale Corso di Laurea in Sociologia Insegnamento di Statistica (a.a. 2018-2019) dott.ssa Gaia Bertarelli Esercitazione n. 6 1. Si consideri un campione di 69 persone
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità.
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica Le distribuzioni teoriche di probabilità. La distribuzione di probabilità binomiale Corso di laurea
Dettagli