PROBLEMI SULL IDENTIFICAZIONE COL METODO PEM
|
|
- Fabiano Piazza
- 5 anni fa
- Visualizzazioni
Transcript
1 PROBLEMI SULL IDENTIFICAZIONE COL METODO PEM G. Picci 12 gennaio 2012 N.B. : Quando serve la dizione rumore bianco è da interpretare secondo il contesto come processo i.i.d. Il processo di ingresso si suppone sempre (almeno) ergodico del secondo ordine. Esercizio n. 1 Si vuole identificare una serie temporale usando un modello AR di ordine 1, y(t) + ay(t 1) = e(t) supponendo che i dati siano generati da un processo di rumore bianco gaussiano y(t) = e 0 (t), e 0 (t) N(0, λ 2 0) Trovare il limite a cui converge (per T ) lo stimatore a minimo errore di predizione â T e calcolarne la varianza asintotica (cioè l espressione asintotica della varianza). Esercizio n. 2 Per identificare il sistema vero y(t) = b 0z a 0 z 1 u(t) + e(t) := ŷ(t, θ 0) + e 0 (t) in cui {y(t)} e {u(t)} sono processi stazionari e {e(t)} è bianco di varianza σ 2, scorrelato da {u(t)}, si minimizza il seguente criterio, V N (θ) := 1 N t=n (y(t) ŷ(t, θ)) 2 (1) t=1 Secondo voi, questo è un metodo che minimizza l errore di predizione? (giustificare la risposta) 1
2 Si scriva l equazione ricorsiva a cui soddisfa ŷ(t, θ) e, usando il teorema ergodico, si determini l insieme dei punti di minimo di V (θ) := lim N V N(θ) Dire cosa accade allo stimatore, diciamolo ˆθ N, che minimizza V N (θ), per N. Si ha consistenza? Esercizio n. 3 Per identificare il sistema (vero) con retroazione nascosta, y(t) + a 0 y(t 1) = b 0 u(t 1) + e 0 (t) (2) u(t) = f 0 y(t 1) + e 1 (t) (3) dove e 0 ed e 1 sono rumori bianchi scorrelati (la connessione si suppone stabile e y stazionario), si usa una classe di modelli ARMAX del tipo, y(t) + a y(t 1) = b u(t 1) + e(t) (4) in cui si assume u e (assenza di reazione). Determinare l insieme dei punti di minimo dell errore asintotico di predizione, ( ) V (θ) := E 0 ɛ 2 a θ (t) θ =. b Cosa accade allo stimatore ˆθ N per N? Esercizio n. 4 Descrivere i punti nello spazio dei parametri θ = [a 1, a 2, c ] in cui il modello ARMA, y(t) + a 1 y(t 1) + a 2 y(t 2) = e(t) + ce(t 1) non è identificabile a priori. Esercizio n. 5 Si vogliono identificare dei dati osservati generati da un processo a media mobile del tipo y(t) = e 0 (t) c 0 e 0 (t 1) c 0 < 1 dove e 0 è rumore bianco di varianza λ 2 0, mediante un modello AR di ordine 2, y(t) a 1 y(t 1) a 2 y(t 2) = e(t) 2
3 Trovare l insieme dei valori del parametro θ := [a 1 a 2 ] T a cui converge (quando la numerosità campionaria N ) lo stimatore a minimo errore di predizione ˆθ N. Lo stimatore ˆθ N è consistente? Esercizio n. 6 Si consideri il seguente sistema vero con rumore additivo colorato y(t) = b 0 u(t 1) + (1 + a 0 z 1 ) 1 e 0 (t) dove u e e 0 sono bianchi e scorrelati, di varianze σ 2 e λ 2 rispettivamente. Per identificare i parametri di questo sistema si usa un modello ARX di struttura speciale, del tipo: (1 + az 1 )y(t) = b(1 + az 1 )u(t 1) + e(t) in cui il vettore dei parametri incogniti è θ := [a, b]. Calcolare il limite a cui tende la stima a minimo errore asintotico di predizione ˆθ N, per N e la sua varianza. Esercizio n. 7 Si supponga di voler identificare un modello ARMAX scalare vero, senza reazione A 0 (z 1 ) y(t) = B 0 (z 1 ) u(t) + C 0 (z 1 ) e 0 (t) usando un modello dello stesso genere, ma non necessariamente dello stesso ordine, A θ (z 1 ) y(t) = B θ (z 1 ) u(t) + C θ (z 1 ) e(t) Nei metodi a minimizzazione dell errore di predizione si minimizza la varianza dell errore asintotico di predizione V (θ) := E 0 [ ɛ 2 θ (t) ] dove ɛ θ (t) = ŷ 0 (t t 1) ŷ θ (t t 1) + e 0 (t) che, a meno di una costante, misura la distanza tra i due predittori di Wiener. Scrivere l espressione della varianza V (θ) usando un integrale nel dominio della frequenza in cui intervengono gli spettri di y, u. Considerare il caso in cui i processi osservati y, u sono congiuntamente stazionari ed ergodici. 3
4 Studiare quando accade che minimizzando V (θ) si minimizza anche una distanza tra i modelli 1. Esercizio n. 8 Si vuole identificare una serie temporale usando un modello ARMA di ordine 1, y(t) + ay(t 1) = e(t) + ce(t 1) mentre i dati osservati sono in realtà generati dal processo y(t) = e 0 (t) + c 0 e 0 (t 1) dove e 0 (t) è rumore bianco di varianza λ 2 0. Trovare l insieme dei valori del parametro θ := [a c] T a cui converge (quando la numerosità campionaria N ) lo stimatore a minimo errore di predizione ˆθ N. Lo stimatore ˆθ N è consistente? Si può dare un espressione per la sua varianza asintotica? e se sì, qual è la sua varianza asintotica? Esercizio n. 9 Si vuole identificare una serie temporale usando un modello AR di ordine 1, y(t) + ay(t 1) = e(t) supponendo che i dati siano generati da un processo di rumore bianco y(t) = e 0 (t), var [e 0 (t)] = λ 2 0 Trovare il limite a cui converge (per T ) lo stimatore a minimo errore di predizione â T e calcolarne la varianza asintotica. Si può affermare che questo stimatore è efficiente? Esercizio n. 10 Si vuole identificare il parametro a nel modello di un segnale a tempo continuo t R, del tipo ẏ(t) + ay(t) = w(t) ( ) dove w(t) è un rumore bianco a tempo continuo di covarianza E{w(t)w(s)} = σ 2 δ(t s) 1 Cioè una distanza (possibilmente pesata) tra A 0(z 1 ) e A θ (z 1 ), B 0(z 1 ) e B θ (z 1 ) etc. 4
5 ( δ è l impulso unitario di Dirac) campionando il processo y con periodo h e usando a questo scopo una stringa di N campioni successivi {y(k) := y(kh) ; k = 1,..., N }. Allo scopo si dimostri che l equazione del sistema campionato, supponendo di approssimare w(t) con la v.a. w(kh) nell intervallo [kh, (k + 1)h ], è del tipo y(k) = θy(k 1) + v(k) k = 1,..., N dove v è rumore bianco discreto. Trovare le espresioni di θ e della varianza, q, di v(k). Mostrare che per h sufficentemente piccolo si può pensare che q sia indipendente da a (o da θ). Invece per h grande (rispetto alla costante di tempo del sistema ( )) q dipende da a. Scrivere l equazione precedente come modello lineare e scrivere l espressione dello stimatore ai minimi quadrati di θ. Confrontare questa espressione con quella dello stimatore PEM e dire in cosa differiscono. Supponendo che i dati siano generati da un modello vero del tipo ( ) si discuta la consistenza dei due stimatori di θ per h piccolo. Cosa accade se h è grande? Esercizio n. 11 Si vogliono identificare dei dati osservati generati da un processo a media mobile del tipo y(t) = e 0 (t) c 0 e 0 (t 1) c 0 < 1 dove e 0 è rumore bianco di varianza λ 2 0, mediante un modello AR di ordine 2, y(t) a 1 y(t 1) a 2 y(t 2) a 3 y(t 3) = e(t) Trovare l insieme dei valori del parametro θ := [a 1 a 2 a 3 ] T a cui converge (quando la numerosità campionaria N ) lo stimatore a minimo errore di predizione ˆθ N. Lo stimatore ˆθ N è consistente? Esercizio n. 12 Si consideri il seguente sistema vero con rumore additivo colorato y(t) = b 0 u(t 1) + v 0 (t), (1 + a 0 z 1 )v 0 (t) = e 0 (t) 5
6 dove u è un ingresso misurabile e u ed e 0 sono entrambi bianchi e scorrelati, di varianze σ 2 e λ 2 rispettivamente. Per identificare questo sistema si usa un modello ARX del tipo: (1 + az 1 )y(t) = bu(t 1) + e(t) in cui il vettore dei parametri incogniti è θ := [a, b]. Calcolare il limite a cui tende la stima a minimo errore asintotico di predizione ˆθ N, per N. Esercizio n. 13 Si consideri lo stesso sistema vero con rumore additivo colorato y(t) = b 0 u(t 1) + (1 + a 0 z 1 ) 1 e 0 (t) dove u e e 0 sono bianchi e scorrelati, di varianze σ 2 e λ 2 rispettivamente. Per identificare i parametri di questo sistema si usa un modello ARX di struttura speciale, del tipo: (1 + az 1 )y(t) = b(1 + az 1 )u(t 1) + e(t) in cui il vettore dei parametri incogniti è θ := [a, b]. Lo stimatore PEM ˆθ N è in questo caso consistente? Calcolare il limite a cui tende ˆθ N, per N e la sua varianza. Esercizio n. 14 Si vuole identificare il seguente sistema vero di tipo MA y(t) = e 0 (t) + c 0 e 0 (t 2) dove e 0 è bianco di varianze λ 2 0, usando un modello MA di ordine inferiore y(t) = e(t) + ce(t 1) con il metodo a minimizzazione dell errore di predizione. Verificare se valgono le condizioni per la consistenza della stima e poi calcolare la stima MPE, ĉ, supponendo che la numerosità campionaria N. Qual è la varianza asintotica di questo stimatore? Esercizio n. 15 Riportare la definizione di consistenza per uno stimatore, specificando le ipotesi in cui ci si pone. 6
7 Si vogliono identificare dei dati osservati generati da un processo a media mobile del tipo y(t) = e 0 (t) + c 0 e 0 (t 1) c 0 < 1 dove e 0 è rumore bianco di varianza λ 2 0, mediante un modello AR di ordine 2, y(t) a 1 y(t 1) a 2 y(t 2) = e(t) Trovare l insieme dei valori del parametro θ := [a 1 a 2 ] T a cui converge (quando la numerosità campionaria N ) lo stimatore a minimo errore di predizione ˆθ N. Lo stimatore ˆθ N è consistente? Cambiando la classe di modelli nella classe ARMA di ordine 2 y(t) a 1 y(t 1) a 2 y(t 2) = e(t) + c 1 e(t 1) + c 2 e(t 2) si otterrebbe consistenza? (Giustificare la risposta) Esercizio n. 16 Si vuole identificare il seguente sistema vero di tipo MA y(t) = e 0 (t) + c 1 e 0 (t 1) + c 2 e 0 (t 2) dove e 0 è bianco di varianze λ 2 0, usando un modello MA di ordine inferiore y(t) = e(t) + θe(t 1) con il metodo a minimo errore di predizione. Verificare prima se valgono le condizioni per la consistenza dello stimatore e poi calcolare la stima MPE, ˆθ, supponendo che la numerosità campionaria N. Esercizio n. 17 Si identifica una serie temporale usando un modello AR- MAX di ordine 1, supponendo che non ci sia reazione y(t) + ay(t 1) = bu(t 1) + e(t) + ce(t 1), θ T = [a, b, c] mentre i dati sono in realtà generati dal sistema retroazionato y(t) + a 0 y(t 1) = b 0 u(t 1) + e 0 (t) + c 0 e 0 (t 1), var {e 0 (t)} = λ 2 0 dove u(t) = c 0 a 0 y(t). b 0 7
8 Trovare il limite a cui converge (per N ) la stima a minimo errore di predizione dei parametri a, b, c. Verificare se la legge di controllo viene identificata correttamente, i.e. lim N ĉ N â N ˆbN = c 0 a 0 b 0. Esercizio n. 18 Si vuole identificare il seguente sistema vero di tipo MA y(t) = e 0 (t) + c 0 e 0 (t 2) dove e 0 è bianco di varianze λ 2 0, usando un modello MA di ordine inferiore y(t) = e(t) + ce(t 1) e il metodo a minimizzazione dell errore di predizione. Verificare se valgono le condizioni per la consistenza della stima e poi calcolare lo stimatore asintotico PEM, ĉ, supponendo che la numerosità campionaria N. Esercizio n. 19 Si consideri il seguente modello lineare y(t) = θλ t + w(t) (5) dove w è bianco di varianza incognita σ 2 e λ 0. Si scriva l espressione dello stimatore MPE ˆθ(t), del parametro θ basata sull osservazione di t misure successive y(1),..., y(t). Discutere le proprieta asintotiche di questo stimatore (consistenza) al variare del parametro λ. Esercizio n. 20 Si osservano i segnali y(t) e u(t) generati dall seguente modello vero di tipo ARX dove y(t) = b 0 u(t 1) + e 0 (t), var e 0 (t) = λ 2 0 (6) u(t) = d 0 u(t 1) + w(t) (7) in cui w(t) è bianco di varianza σ 2, scorrelato da e 0 (t). Si vuole identificare il modello (13) avendo una conoscenza a priori sbagliata del ritardo, usando la classe di modelli ARX y(t) = bu(t 2) + e(t) (8) 8
9 Si scriva l espressione asintotica dello stimatore MPE, ˆb, del parametro b. Confrontare l errore asintotico di predizione del modello stimato con il valore ideale λ 2 0, nel caso d 0 = 0 e d 0 0. Esercizio n. 21 Si consideri il modello AR A(z 1 )y(t) = w(t) scritto nella forma di regressione lineare y(t) = ϕ(t) θ + w(t) (9) dove w è bianco di varianza incognita σ 2 e ϕ(t) è un vettore contenente gli ultimi n campioni di y. Si ricavi l espressione per l aggiornamento ricorsivo (alla Kalman) dello stimatore MPE ˆθ(t), del parametro θ basata sull osservazione di t misure successive y(1),..., y(t). Discutere le proprieta asintotiche di questo stimatore (consistenza). Esercizio n. 22 Per identificare il sistema vero y(t) + a 0 y(t 1) = b 0 u(t 1) + e 0 (t) (10) soggetto alla retroazione nascosta, u(t) = k 0 y(t) (11) (la connessione si suppone stabile e y stazionario), si usa una classe di modelli ARX del tipo, y(t) + a y(t 1) = b u(t 1) + e(t) (12) in cui si assume u e (assenza di reazione). Determinare l insieme dei punti di minimo dell errore asintotico di predizione (PE), ( ) V (θ) := E 0 ɛ 2 a θ (t) θ =. b Esercizio n. 23 Un processo stazionario a media zero {y(t)} è descritto da un modello di stato x(t + 1) = ax(t) + v(t) y(t) = x(t) + w(t) 9
10 [ ] q s dove var[v(t) w(t)] :=. Scrivere la densità spettrale del s r processo in funzione dei parametri θ := (a, q, s, r) (notare che c = 1). Discutere l identificabilità di questi parametri e dimostrare che la parametrizzazione è ridondante (ricordare che la descrizione del second ordine del processo è completamente determinata dal suo spettro di potenza). Mostrare che il modello d innovazione (a regime) ˆx(t + 1) = aˆx(t) + ke(t) y(t) = ˆx(t) + e(t) che dipende da tre parametri a, k e λ :=var[e(t)], è invece identificabile. Descrivere l insieme dei possibili parametri equivalenti θ := (a, q, s, r) che corrispondono a dati valori di a, k e λ. Suggerimento: usare l ARE che determina [ ] k e la definizione di λ. Si q s deve anche imporre che la matrice è semidefinita positiva. s r Esercizio n. 24 Si consideri la funzione di trasferimento polinomiale di tipo FIR p G θ (e jω ) = θ k e jω k. (13) k=1 di ordine p noto. Si vuole stimare la funzione di trasferimento partendo da osservazioni rumorose dell uscita u(t 1) y(t) = ϕ(t) θ + e(t) ϕ(t) =., t = 1, 2,..., N u(t p) dove θ = [ ] θ 1... θ p ed e(t) è un processo bianco che per ogni t è scorrelato da u t 1 (e quindi anche da ϕ(t)), di varianza λ 2. Si identifica il modello usando un metodo PEM. Discutere la consistenza dello stimatore ĜN(e jω ) := GˆθN (e jω ) e dare un espressione per la la sua varianza asintotica in funzione della frequenza. Discutere in particolare il caso in cui u è rumore bianco. 10
11 Esercizio n. 25 Si vuole identificare col metodo PEM un modello del tipo y(t) = (b 1 z 1 + b 2 z 2 )u(t) + e 0 (t), (14) in cui il rumore e 0 è i.i.d. di varianza var {e 0 } = λ 2 0. L ingresso è scorrelato da e 0 e ha densità spettrale S u (z) = σ 2 (1 λz 1 )(1 λz) in cui λ è un parametro variabile soggetto alla restrizione λ < 1. Assumendo che il modello vero appartenga alla classe (16), si chiede di studiare la varianza asintotica del guadagno stimato K = b 1 + b 2, del sistema, in funzione del parametro λ. Quale (spettro d ) ingresso nella classe assegnata dà la miglior stima di K?. Esercizio n. 26 Consideriamo un processo stazionario y(t) descritto da un modello del tipo: y(t) = m u(t k) b k + v(t), t = 1,..., N (15) k=1 dove u e v sono processi stazionari tra loro scorrelati, v ha media zero ma non è necessariamente bianco, e può avere variabili correlate. Introducendo i vettori y = [y 1,..., y N ], b = [b 1..., b m ] etc. si può riscrivere la relazione precedente come un modello lineare del tipo y = U b + v dove U è una matrice a elementi aleatori costruita con le variabili u(t). Scrivere l espressione dello stimatore ai minimi quadrati (non pesati) di b, supponendo che U abbia rango m (c.p. 1) e verificare che questo stimatore non è in generale corretto. Quale condizione ulteriore servirebbe per avere correttezza? Supponiamo di disporre di dati osservati del processo u, diciamoli {u(t) ; t = m + 1,..., 1,..., N} (che sono quindi quantità note deterministiche!) e consideriamo il modello (15) in cui sostituiamo le quantità note u(t k) al posto delle variabili aleatorie u(t k). Verificare che in questo caso lo stimatore ai minimi quadrati è invece generalmente corretto. 11
12 Esercizio n. 27 Supponiamo sempre che u sia un ingresso misurabile e che il processo v dell esercizio precedente sia descritto da un modello ARMA incognito A(z 1 )v(t) = C(z 1 )e(t) in cui i polinomi A e C hanno ordine n noto. Riscrivere Il modello (15) come un modello di tipo Box-Jenkins oppure ARMAX e confrontare le dimensioni delle relative parametrizzazioni. Si vuole identificare il sistema usando una classe di modelli del tipo y(t) = m u(t k) b k + e(t), k=1 in cui e è rumore bianco (quindi usando il cosiddetto metodo dei minimi quadrati ). Scrivere la formula dello stimatore PEM del parametro b per questa classe di modelli, basato su un campione di N dati. Si chiede di verificare se questo stimatore è: corretto, consistente. (Suggerimento: Confrontare la formula dello stimatore PEM con quella dello stimatore ai minimi quadrati descritto al secondo punto dell esercizio precedente.) Esercizio n. 28 Si vuole identificare il sistema vero y(t) = b a 0 z 1 u(t 1) + C 0(z 1 )e 0 (t) a 0 < 1 dove u ed e 0 sono bianchi, scorrelati, di varianze rispettive σ 2 e λ 2 0 e C 0 (z 1 ) è un arbitrario polinomio monico a zeri dentro la circonferenza unità. Per l identificazione si usano modelli a errore di equazione (O.E.) di ordine 1, y(t) = b u(t 1) + e(t). 1 + az 1 dove e è rumore bianco. Trovare l insieme dei valori del parametro θ := [a b] T a cui converge (quando la numerosità campionaria N ) lo stimatore a minimo errore di predizione ˆθ N. Suggerimento: scrivere il predittore per il sistema vero senza esprimere e 0 (t) in funzione dei dati ingresso-uscita passati. 12
13 Esercizio n. 29 Supponiamo che il processo y sia generato dal modello vero di tipo AR (1 + a 0 z 1 )y(t) = e 0 (t), a 0 < 1 in cui e 0 è un processo i.i.d. di varianza λ 2 e si considerino le seguenti due classi di modelli AR M 1 (a) : M 2 (a 1, a 2 ) : (1 + az 1 )y(t) = e(t) (1 + a 1 z 1 + a 2 z 2 )y(t) = e(t) Calcolare le varianze asintotiche degli stimatori PEM del parametro a nel modello M 1 e del parametro a 1 nel modello M 2 e confrontarle tra loro. Le due varianze sono diverse. Perchè? Esercizio n. 30 Sia {y(t)} un processo i.i.d. di media µ e varianza σ 2, che supponiamo nota. Si vuole stimare µ usando la media campionaria ˆµ N = 1 N N y(k) Quanto grande dev essere N per avere ˆµ N µ 10 3 σ con probabilità del 97.5 %? k=1 Suggerimento: per una densità Gaussiana N(0, 1) la probabilità dell intervallo [ 2, 2] è Esercizio n. 31 Si vuole identificare col metodo PEM un modello del tipo y(t) = (1 bz 1 )u(t 1) + e 0 (t), (16) in cui il rumore e 0 è i.i.d. di varianza var {e 0 } = λ 2 0 e l ingresso ha densità spettrale S u (z) = σ 2 (1 θz 1 )(1 θz) in cui θ è un parametro variabile soggetto alla restrizione θ > 1. Assumendo che il modello vero appartenga alla classe (16), si chiede di studiare la varianza asintotica del parmetro stimato ˆb N in funzione di θ. Quale (spettro d ) ingresso nella classe assegnata dà la miglior stima di b?. 13
14 Esercizio n. 32 Si osservano i processi y(t) = ỹ(t)+m y e u(t) = ũ(t)+m u dove m y e m u sono termini di media non noti e le deviazioni ỹ, ũ soddisfano un equazione del tipo ỹ(t) + a 0 ỹ(t 1) = b 0 ũ(t 1) + e 0 (t), a 0 < 1 in cui il rumore e 0 è i.i.d. di varianza λ 2 0 e l ingresso, scorrelato da e 0, è anch esso rumore bianco i.i.d. di varianza σ 2. Per identificare il sistema si preferisce non togliere ai segnali le medie campionarie e si usa una classe di modelli del tipo y(t) µ y + a(y(t 1) µ y ) = b(u(t 1) µ u ) + e(t), ( ) parametrizzata dai parametri incogniti θ := [a b µ y µ u ]. Scrivere l espressione dell errore asintotico di predizione per questo modello supponendo di avere a disposizione dati {y(t), u(t)} per t = 1,..., N. Da quanti parametri dipende effettivamente ε θ? Scrivere l equazione vettoriale che si usa per il calcolo dello stimatore PEM di θ: y = Φ N θ + ε, y N e verificare se la matrice Φ N ha rango pieno. Secondo voi il modello ( ) è identificabile? Come potreste risolvere il problema usando invece un modello del tipo y(t) + ay(t 1) = bu(t 1) + e(t) + c, parametrizzata dal parametro θ := [a b c]? 14
Corso di Identificazione dei Modelli e Analisi dei Dati
Corso di Identificazione dei Modelli e Analisi dei Dati Prof. Sergio Bittanti Esercitazione di Laboratorio A.A. 2010-11 Sistemi dinamici lineari a tempo discreto 1. Si consideri il sistema dinamico a tempo
DettagliIDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI (Prof. S. Bittanti) Ingegneria Informatica 10 CFU. Appello 11 Settembre 2014 Cognome Nome Matricola
IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI (Prof. S. Bittanti) Ingegneria Informatica 10 CFU. Appello 11 Settembre 2014 Cognome Nome Matricola......... Verificare che il fascicolo sia costituito da
DettagliAPPUNTI SUL CONTROLLO PREDITTIVO
APPUNTI SUL CONTROLLO PREDITTIVO G. Picci a.a. 2007/2008 1 MPC per modelli I/O scalari Da scrivere... 2 MPC per modelli di stato Come visto in precedenza il calcolo del predittore dell uscita su cui basare
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
DettagliLezione 20: Stima dello stato di un sistema dinamico
ELABORAZIONE dei SEGNALI nei SISTEMI di CONTROLLO Lezione 20: Stima dello stato di un sistema dinamico Motivazioni Formulazione del problema Osservazione dello stato Osservabilità Osservatore asintotico
DettagliCOMPITO DI IDENTIFICAZIONE DEI MODELLI ED ANALISI DEI DATI 23 luglio 2012
COMPITO DI IDENTIFICAZIONE DEI MODELLI ED ANALISI DEI DATI 23 luglio 2012 Domanda 1. Si assuma che un sistema fisico di interesse con ingresso u(t) (misurato) ed uscita y(t) si possa modellare tramite
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2013-2014) Metodi Numerici Appunti delle lezioni: Approssimazione di dati e funzioni Approssimazione ai minimi quadrati Docente Vittoria Bruni Email:
DettagliMetodi di identificazione
Metodi di identificazione Metodo di identificazione LS per sistemi ARX Sia yt un processo ARX generico con parametri ignoti: S: yt= B z A z ut 1 1 A z et ota: scegliere ut 1 è la scelta più generica possibile,
DettagliOsservatore di Luenberger
1 Osservatore di Luenberger In queste note verrà presentato l osservatore di Luenberger, uno stimatore dello stato per sistemi lineari. Si farà il caso di sistemi dinamici tempo-continui e tempo-discreti.
DettagliIdentificazione dei Modelli e Analisi dei Dati 6/5/1993
Identificazione dei Modelli e Analisi dei Dati 6/5/1993 3. Siano date due V.C. X e Y, di cui è supposta nota la ddp congiunta. Sia Xˆ (Y) uno stimatore di X basato sull'osservazione di Y. Ci si prefigge
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
Dettagli0 a a determinare la forma di Jordan e la matrice di cambio da base, al variare di a si discuta la stabilità di F al variare di a
Compito di SISTEMI E MODELLI 09/02/8: PARTE on è ammesso l uso di libri, quaderni o calcolatrici programmabili. Le risposte vanno giustificate. Saranno rilevanti per la valutazione anche l ordine e la
DettagliStima puntuale di parametri
Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Stima puntuale di parametri Ines Campa Probabilità e Statistica -
DettagliParte I Identificazione di modelli dinamici. 5: Analisi di sistemi dinamici alimentati da processi stazionari. Parte I 5, 1
Parte I 5, 1 Parte I Identificazione di modelli dinamici 5: Analisi di sistemi dinamici alimentati da processi stazionari Parte I 5, 2 Consideriamo un sistema dinamico lineare tempo-invariante con funzione
DettagliLezione 13 Maggio Ricapitolazione del Controllo Ottimo LQ
PSC: Progettazione di sistemi di controllo III rim. 2007 Lezione 13 Maggio 16 Docente: Luca Schenato Stesori: Comin, Dal Bianco,Fabris, Parmeggiani 13.1 Ricapitolazione del Controllo Ottimo LQ Ripassiamo
DettagliProbabilità e Statistica
Probabilità e Statistica Stima puntuale di parametri Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 018/019 Marco Pietro Longhi Prob. e Stat.
DettagliIDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 27 Luglio 2016 Cognome Nome Matricola
IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 27 Luglio 2016 Cognome Nome Matricola............ Verificare che il fascicolo sia costituito da
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
DettagliCampionamento e stima di parametri
Sia X una variabile aleatoria associata a un dato esperimento. Ripetiamo l esperimento n volte, ottenendo una famiglia di valori sperimentali della v.a. X : X = (X 1, X 2,..., X n ) ogni X i é una v.a.
DettagliPulse Amplitude Modulation (PAM) 2 Scelta delle risposte impulsive dei filtri in trasmissione e ricezione
Pulse Amplitude Modulation (PAM 1 Definizione La trasmissione di una sequenza di numeri {a k } mediante un onda PAM consiste nel generare, a partire dalla sequenza {a k } il segnale a tempo continuo u(t
DettagliTutorato di Complementi di Analisi Matematica e Statistica 30 maggio 2016
Tutorato di Complementi di Analisi Matematica e Statistica 30 maggio 2016 Esercizi possibili di probabilità e statistica Notazioni: U(a, b) è la distribuzione di probabilità uniforma nell intervallo (a,
DettagliCorso di probabilità e statistica
Università degli Studi di Verona Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Corso di probabilità e statistica (Prof. L.Morato) Esercizi Parte III: variabili aleatorie dipendenti e indipendenti,
DettagliProprietà asintotiche dello stimatore OLS
Università di Pavia Proprietà asintotiche dello stimatore OLS Eduardo Rossi Sequenze Consideriamo un infinita sequenza di variabili indicizzate con i numeri naturali: X 1, X 2, X 3,...,X N,... = {X N }
DettagliVALIDAZIONE DEL MODELLO
VALIDAZIONE DEL MODELLO Validazione del Modello Non è sufficiente stimare il vettore θ per dichiarare concluso il processo di identificazione. E necessario ottenere una misura della sua affidabilità L
DettagliStima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.
Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliSistemi lineari con ingresso stocastico
January 21, 2011 1 Media e densità spettrale 2 Processi a spettro razionale 3 MA 4 AR 5 ARMA 6 ARMAX Media e densità spettrale Media Ipotesi: Y (z) = G(z)U(z) 1 u(t) processo casuale stazionario in senso
DettagliCompito di SISTEMI E MODELLI 24/01/18: PARTE 1
Compito di SISTEMI E MODELLI 4//8: PARTE Non è ammesso l uso di libri, quaderni o calcolatrici programmabili. Le risposte vanno giustificate. Saranno rilevanti per la valutazione anche l ordine e la chiarezza
DettagliIdentificazione dei Modelli e Analisi dei Dati LS
Identificazione dei Modelli e Analisi dei Dati LS Prof. G. De Nicolao I prova in itinere - Novembre 007 Cognome.............................. Nome.............................. Matricola..............................
DettagliLezione 2 Aprile 19, Il filtro di Kalman: derivazione delle equazioni
PSC: Progettazione di sistemi di controllo III Trim. 2007 Lezione 2 Aprile 19, 2007 Docente: Luca Schenato Stesori: Schenato 2.1 Il filtro di Kalman: derivazione delle equazioni Si consideri il modello
DettagliPROVA SCRITTA DI STATISTICA (COD COD ) 7 luglio 2005 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A
PROVA SCRITTA DI STATISTICA (COD. 047 - COD. 403-37-377) 7 luglio 200 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A Esercizio (9 punti) Supponiamo di aver osservato la seguente
DettagliCOGNOME.NOME...MATR..
STATISTICA 29.01.15 - PROVA GENERALE (CHALLENGE) Modalità A (A) ai fini della valutazione verranno considerate solo le risposte riportate dallo studente negli appositi riquadri bianchi: in caso di necessità
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliPROBABILITÀ E STATISTICA - 23 Giugno 2017 Scrivere le risposte negli appositi spazi. Motivare dettagliatamente le risposte su fogli allegati
PROBABILITÀ E STATISTICA - 23 Giugno 2017 Scrivere le risposte negli appositi spazi. Motivare dettagliatamente le risposte su fogli allegati 1. - Un urna contiene 2 palline bianche e 28 nere; da essa vengono
DettagliIDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI (Prof. S. Bittanti) Ingegneria Informatica 10 CFU. Appello 07 Luglio 2014 Cognome Nome Matricola
IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI (Prof. S. Bittanti) Ingegneria Informatica 10 CFU. Appello 07 Luglio 2014 Cognome Nome Matricola............ Verificare che il fascicolo sia costituito da
DettagliStima puntuale. Stimare: attribuire un valore plausibile ad una grandezza. (parametro) non misurabile esattamente.
Stima puntuale Stimare: attribuire un valore plausibile ad una grandezza (parametro) non misurabile esattamente. Stimatore del parametro θ: ogni statistica T = t(x 1, X 2,..., X n ) utilizzata per stimare
DettagliStima puntuale di parametri
Probabilità e Statistica Esercitazioni a.a. 006/007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliUn tipico esame consiste di tre domande del tipo sottostante:
Un tipico esame consiste di tre domande del tipo sottostante: 1) Una situazione standard da analizzare: - un modello genetico suggerisce che la composizione genetica di una data popolazione in geni AA,
DettagliTEORIA DEI SISTEMI E DEL CONTROLLO LM in Ingegneria Informatica e Ingegneria Elettronica
TEORIA DEI SISTEMI E DEL CONTROLLO LM in Ingegneria Informatica e Ingegneria Elettronica http://www.dii.unimore.it/~lbiagiotti/teoriasistemicontrollo.html Stima dello stato in presenza di disturbi: il
DettagliSoluzione degli esercizi del Capitolo 13
Soluzione degli esercizi del Capitolo 3 Soluzione dell Esercizio 3. Il polinomio caratteristico desiderato è ϕ (s) = (s + 4) (s + ) = s 2 + 4s + 4 Uguagliando i coefficienti quelli del polinomio caratteristico
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:
DettagliEsperimentazioni di Fisica 1. Prova in itinere del 12 giugno 2018
Esperimentazioni di Fisica 1 Prova in itinere del 1 giugno 018 Esp-1 Prova in Itinere n. - - Page of 6 1/06/018 1. (1 Punti) Quesito L incertezza da associare alle misurazioni eseguite con un certo strumento
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
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
DettagliContenuto del capitolo
Capitolo 8 Stima 1 Contenuto del capitolo Proprietà degli stimatori Correttezza: E(Stimatore) = parametro da stimare Efficienza Consistenza Intervalli di confidenza Per la media - per una proporzione Come
Dettagli(a) Determinare lo stimatore di massima verosimiglianza θ di θ. (b) Calcolare la funzione di score e l informazione di Fisher.
Statistica Matematica, Anno Accademico 216/17, 27 Gennaio 217 ESERCIZIO 1 Siano X 1, X 2, X 3 variabili aleatorie indipendenti con legge X 1 Gamma(3,2), X 2 Gamma(5,1) e X 3 Gamma(4,3) Determinare la funzione
DettagliIDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 23 Luglio 2014 Cognome Nome Matricola
IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 23 Luglio 201 Cognome Nome Matricola............ Verificare che il fascicolo sia costituito da
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prova del
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 206/7 - Prova del 207-09-08 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
DettagliEquazioni differenziali
Equazioni differenziali Hynek Kovarik Università di Brescia Analisi Matematica 2 Hynek Kovarik (Università di Brescia) Equazioni differenziali Analisi Matematica 2 1 / 42 Equazioni differenziali Un equazione
DettagliCorso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio Esercizio 1
Corso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio 2015 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994
DettagliEsercitazione su Filtraggio Adattativo (17 Giugno 2008)
Esercitazione su Filtraggio Adattativo 17 Giugno 008) D. Donno Esercizio 1: Stima adattativa in rumore colorato Una sequenza disturbante x n è ottenuta filtrando un processo bianco u n con un filtro FIR
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
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
DettagliCompito di SISTEMI E MODELLI 24/06/19: PARTE 1
Compito di SISTEMI E MODELLI 4/6/9: PARTE on è ammesso l uso di libri, quaderni o calcolatrici programmabili Le risposte vanno giustificate Saranno rilevanti per la valutazione anche l ordine e la chiarezza
DettagliOld Faithful, Yellowstone Park. Statistica e biometria. D. Bertacchi. Dati congiunti. Tabella. Scatterplot. Covarianza. Correlazione.
Coppie o vettori di dati Spesso i dati osservati sono di tipo vettoriale. Ad esempio studiamo 222 osservazioni relative alle eruzioni del geyser Old Faithful. Old Faithful, Yellowstone Park. Old Faithful
DettagliEsercizi di Calcolo delle Probabilità e Statistica
Esercizi di Calcolo delle Probabilità e Statistica Master E C Andrea Garulli, Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato 3 volte. Qual è la probabilità
DettagliIl filtro di Kalman stazionario e il regolatore LQG
Il filtro di stazionario e il regolatore LQG P. Valigi Ottimizzazione e Controllo 30 Aprile 2014 L estensione di KF al caso stazionario/intervallo infinito Nell estensione del filtro di ad intervallo infinito
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
DettagliEsercitazione ENS su periodogramma (27 e 28 Maggio 2008) Esercizio 1: Autocorrelazione e stima della densità spettrale di potenza
sercitazione S su periodogramma (7 e 8 Maggio 008 D. Donno sercizio : Autocorrelazione e stima della densità spettrale di potenza Si consideri la sequenza x n di lunghezza = 8 campioni. x n è somma di
DettagliParte I Identificazione di modelli dinamici. 6: Teoria della stima e caratteristiche degli stimatori. Parte I 6, 1
Parte I 6, 1 Parte I Identificazione di modelli dinamici 6: Teoria della stima e caratteristiche degli stimatori Generalita` Parte I 6, 2 In generale abbiamo: dove sono i dati osservati e` la quantita`
DettagliECONOMETRIA APPLICATA PER L IMPRESA. Test di Radici Unitarie - Esercizio 5
Modelli Dinamici - Esercizio 5 1 ECONOMETRIA APPLICATA PER L IMPRESA Test di Radici Unitarie - Esercizio 5 Davide Raggi davide.raggi@unibo.it 16 marzo 2010 Modelli Dinamici - Esercizio 5 2 Introduzione
DettagliEsercizi sulla trasformata di Fourier di distribuzioni raccolti dai temi d esame
Esercizi sulla trasformata di Fourier di distribuzioni raccolti dai temi d esame Esercizio Sia T > 0 e f : R R la funzione reale T -periodica la cui restrizione all intervallo [0, T ] vale f(t) := t(t
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
DettagliIdentificazione dei Modelli e Analisi dei Dati
Identificazione dei Modelli e Analisi dei Dati Prof. G. De Nicolao Prova scritta - 18 Giugno 2013 Cognome Nome Matricola Firma Compilare a penna questo foglio all inizio della prova. Durante lo svolgimento
DettagliX n = αx n 1 + Y n. Si dimostri che. Usando la precedente relazione si dimostri che. e che. e si determini il limite di media e varianza quando n +.
Problema 1. Siano X, Y 1, Y,... variabili aleatorie indipendenti. Si supponga che X abbia media m e varianza σ e che le Y i abbiano distribuzione gaussiana con media µ e varianza σ. Dato α in (, 1, si
DettagliStatistica Metodologica
Statistica Metodologica Esercizi di Probabilita e Inferenza Silvia Figini e-mail: silvia.figini@unipv.it Problema 1 Sia X una variabile aleatoria Bernoulliana con parametro p = 0.7. 1. Determinare la media
DettagliStima dei Parametri. Corso di Apprendimento Automatico Laurea Magistrale in Informatica Nicola Fanizzi
Laurea Magistrale in Informatica Nicola Fanizzi Dipartimento di Informatica Università degli Studi di Bari 20 gennaio 2009 Sommario Introduzione Stima dei parametri di massima verosimiglianza Stima dei
Dettagli1. Si individuino tutti i valori del parametro α per i quali il sistema assegnato è asintoticamente stabile.
Appello di Fondamenti di Automatica (Gestionale) a.a. 2017-18 7 Settembre 2018 Prof. SILVIA STRADA Tempo a disposizione: 2 h. ESERCIZIO 1 Si consideri il sistema dinamico lineare invariante a tempo continuo
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015 1 2 3 4 5 6 7 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliProcessi AR. = σ ρ. Esercizio proposto:
Laboratorio del 5/10/06 Processi AR Esercizio proposto: Processo reale AR(1) con autocorrelazione R ( m) Rappresentazione di una possibile realizzazione, grafico del coefficiente di autocorrelazione e
DettagliTecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
DettagliEsercizi sulla convoluzione e la trasformata di Laplace di distribuzioni raccolti dai temi d esame
Esercizi sulla convoluzione e la trasformata di Laplace di distribuzioni raccolti dai temi d esame Esercizio 1 Sia U(p) la funzione, definita in un sottoinsieme di C, U(p) := log p2 + a 2 p 2, dove si
DettagliSistemi lineari - Parte Seconda - Esercizi
Sistemi lineari - Parte Seconda - Esercizi Terminologia Operazioni elementari sulle righe. Equivalenza per righe. Riduzione a scala per righe. Rango di una matrice. Forma canonica per righe. Eliminazione
DettagliRaggiungibilità e Controllabilità Esercizi risolti
Raggiungibilità e ontrollabilità Esercizi risolti 1 Esercizio Dato il seguente sistema dinamico LTI a tempo discreto descritto dalle matrici A e B: [ [ 1 k k A, B 0 1 + k 1 studiare le proprietà di raggiungibilità
DettagliMinimi quadrati e massima verosimiglianza
Minimi quadrati e massima verosimiglianza 1 Introduzione Nella scorsa lezione abbiamo assunto che la forma delle probilità sottostanti al problema fosse nota e abbiamo usato gli esempi per stimare i parametri
Dettagli1 Serie temporali. 1.1 Processi MA
1 Serie temporali Un processo stocastico 1 {X t, t T }, dove T = N o T = Z, si dice stazionario se (X 1,..., X n ) e (X k+1,...,x k+n ) hanno la stessa distribuzione per ogni n 1 e per ogni k T. Un processo
DettagliRichiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche
Richiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche Ludovico Biagi Politecnico di Milano, DIIAR ludovico.biagi@polimi.it (materiale didattico preparato in
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
Dettagli1.4. Siano X B(1, 1/2) e Y B(1, 1/2) variabili aleatorie indipendenti. Quale delle seguenti affermazioni é falsa? E(X + Y ) = 1 V ar(x + Y ) = 1/2
Statistica N. Crediti: Cognome: Laurea Triennale in Biologia Nome: 4 settembre 2012 Matricola: 1. Parte A 1.1. Siano x 1, x 2,..., x 10 i dati relativi al peso di 10 neonati espressi in chilogrammi e y
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prova del
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (69AA) A.A. 06/7 - Prova del 07-07-07 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate. Problema
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
9.3. IL METODO DEI MINIMI QUADRATI IN FORMALISMO MATRICIALE 121 9.3 Il metodo dei minimi quadrati in formalismo matriciale Per applicare il MMQ a funzioni polinomiali, ovvero a dipendenze di una grandezza
DettagliElementi di Probabilità e Statistica - 052AA - A.A
Elementi di Probabilità e Statistica - 05AA - A.A. 014-015 Prima prova di verifica intermedia - 9 aprile 015 Problema 1. Dati due eventi A, B, su uno spazio probabilizzato (Ω, F, P), diciamo che A è in
Dettaglisi tracci il grafo corrispondente si determinino tutti i sottosistemi chiusi (in particolare massimale e minimali) e la molteplicità (eventuale)
Compito di SISTEMI E MODELLI 3/7/7: PARTE Non è ammessa l uso di libri, quaderni o calcolatrici programmabili. Le risposte vanno giustificate. Saranno rilevanti per la valutazione anche l ordine e la chiarezza
DettagliProva scritta di Teoria dei Segnali: nuovo ordinamento
Prova scritta di Teoria dei Segnali: nuovo ordinamento 1. Dati i segnali x(t) = rect[(t-2)/2] e y(t) = 2rect[(t+3)/2], si calcoli il prodotto di convoluzione tra x(t) e y(t), 2. Si calcoli la trasformata
DettagliMetodi Statistici per il Marketing. #05 Elementi di statistica inferenziale e di teoria dei campioni
Corso di Metodi Statistici per il Marketing LUISS A.A. 2017-2018 #05 Elementi di statistica inferenziale e di teoria dei campioni 15 Marzo 2018 Alessio Guandalini (Docente: P. D Urso) #05 Elementi di statistica
DettagliPROVA SCRITTA DI FONDAMENTI DI AUTOMATICA A.A. 2003/ giugno Soluzione
PROVA SCRITTA DI FONDAMENTI DI AUTOMATICA A.A. 23/24 giugno 24 Esercizio In riferimento allo schema a blocchi in figura. y r s s s2 y 2 K s dove Domanda.. Determinare una realizzazione in equazioni di
DettagliMassimi e minimi vincolati
Massimi e minimi vincolati Vedremo tra breve un metodo per studiare il problema di trovare il minimo e il massimo di una funzione su di un sottoinsieme dello spazio ambiente che non sia un aperto. Abbiamo
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 6 Abbiamo visto: Definizione di popolazione, di campione e di spazio campionario Distribuzione
DettagliStatistica 2. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo
Statistica 2 Esercitazioni Dott. L 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it
DettagliENS Esame del 30 giugno 2010
ENS Esame del 30 giugno 00 L allievo é invitato a dare una ragionata e succinta risposta a tutti gli argomenti proposti, per dimostrare il livello di preparazione globale. I calcoli devono essere sviluppati
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
DettagliProcesso di identificazione
Processo di identificazione Problemi a scatola trasparente il modello viene ottenuto partendo dalla descrizione delle parti costituenti il sistema e delle leggi che lo regolano. Il problema dell identificazione
DettagliProprietà strutturali e leggi di controllo. Stima dello stato e regolatore dinamico
Proprietà strutturali e leggi di controllo Stima dello stato e regolatore dinamico Stima dello stato e regolatore dinamico Stimatore asintotico dello stato Esempi di progetto di stimatori asintotici dello
DettagliEsercizi di riepilogo Lezioni
Esercizi di riepilogo Lezioni 16-17-18 1 Es1: Statistiche del secondo ordine [Pap, 9-2] Si ha un processo X con Determinare media, varianza, e covarianza delle v.a. Z=X(5) e W=X(8) Il processo X è stazionario?
DettagliNel modello omoschedastico la varianza dell errore non dipende da i ed è quindi pari a σ 0.
Regressione [] el modello di regressione lineare si assume una relazione di tipo lineare tra il valore medio della variabile dipendente Y e quello della variabile indipendente X per cui Il modello si scrive
DettagliElementi di Probabilità e Statistica - 052AA - A.A
Elementi di Probabilità e Statistica - AA - A.A. -6 Prova scritta - giugno 6 Problema. (pt 9) Supponiamo che ad un centralino arrivino n chiamate, agli istanti aleatori T, T,..., T n.. Supponiamo che T,
Dettagli05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
Dettagli