Università di Roma Tor Vergata Corso di Teoria dei Fenomeni Aleatori, AA 2012/13. Catene di Markov
|
|
- Gianpaolo Deluca
- 5 anni fa
- Visualizzazioni
Transcript
1 Catene di Markov SISTEMI CASUALI DINAMICI (PROCESSI) - UN ESEMPIO: I GUASTI Frequenza dei guasti: N GUASTI 0 T N T 0 T!
2 Catene di Markov SISTEMI CASUALI DINAMICI (PROCESSI) - UN ESEMPIO: I GUASTI Campionando il tempo con il passo Δ : PG ( ) Regolare Guasto 1- PG ( ) 1 (Sistema non soggetto a manutenzioni)
3 Catene di Markov SISTEMI CASUALI DINAMICI (PROCESSI) - UN ESEMPIO: I GUASTI PG ( ) Regolare Guasto PM ( ) 1-P(M) 1- PG ( ) : probabilità che il sistema sia riparato nell intervallo successivo al guasto. R G R 1- pg ( ) pg ( ) = G pm ( ) 1 -p(m) P : MATRICE DELLE PROBABILITA DI TRANSIZIONE T x: vettore di stato x = [ R G]
4 Esempio: SATELLITI e GUASTI C: in funzionamento corretto L: in guasto a lungo termine L p L q p B B: in guasto a breve termine q L C B M: in manovra M q M p M q B
5 Catene di Markov Premessa PROCESSI STOCASTICI X(t) A valori continui TEMPO-CONTINUI ( A PARAMETRO CONTINUO TEMPO-DISCRETI: t è un insieme di valori discreti - esempio: A valori discreti o STATI :
6 Catene di Markov Cenni Storici Le catene di Markov sono particolari processi a valori discreti, o stati, introdotti da Andrei A. Markov ( ), allievo di Tschebyshev. Il loro studio si è diffuso dalla metà del Novecento per le applicazioni ai Sistemi fisici, biologici, sociali, economici in cui le probabilità di un evento dipendono dal risultato immediatamente precedente.
7 Catene di Markov Un particolare tipo di processo a valori discreti è costituito dalle catene di Markov, in cui il processo può assumere un valore (lo stato del processo) all interno di un dato insieme finito o numerabile. Il processo è definito mediante le probabilità di passare da uno stato ad un altro (probabilità di transizione).
8 Catene di Markov tempo-discreto La sequenza di variabili aleatorie: X 1,X 2,... forma una catena di Markov tempo discreta se per ogni n (n = 1, 2, ) e per tutti valori possibili delle variabili aleatorie X 1,X 2,... si ha: P X n j X1 i 1,X 2 i 2,...,X n1 in1 PXn j Xn1 in1 cioè se la probabilità che lo stato del processo all istante n sia j dipende solamente dallo stato all istante precedente n 1.
9 Catene di Markov omogenee Una catena di Markov è omogenea se le probabilità di transizione (passaggio da uno stato ad un altro) sono costanti (non dipendono dal tempo). Nel seguito consideriamo il caso omogeneo.
10 Un processo Catena di Markov tempo-continua X t a valori interi non negativi è una catena di Markov tempo continua se, per ogni s: P X ts j X t i, X l P X ts j X t i 0 t s 0 t t+s tempo
11 Esempio di una catena di Markov a 4 stati (A,B,C,D) 0.3 A B C 0.2 D 1 P Matrice di transizione
12 La Matrice di Transizione La somma delle probabilità di transizione da un generico stato verso tutti gli altri e verso se stesso deve essere pari ad 1: N j1 P ij 1 i=1,2,3,...,n essendo N il numero di stati del processo. Una matrice con queste caratteristiche (somma unitaria degli elementi di ogni riga) è detta stocastica. Equivalentemente: T P u = u con u =[1,1...1]
13 Esempio: Contatore t 1 2 M FINESTRA NEL TEMPO
14 Esempio: Contatore (segue) p p p 0 1 L L M q q q q Esempio: M = 1000, L 1 = 480, L 2 = NB: = probabilità dello stato j P = q 0 0 p q 0 p q p 0 1
15 La Matrice di Transizione a 2 passi P 2 N PP ij ik kj k1 La matrice delle probabilità di transizione a due passi costituita da tutti gli elementi 2 P ij 2 P,, si ottiene come prodotto (righe x colonne) delle matrice delle probabilità di transizione per se stessa: 2 2 P PP P
16 La Matrice di Transizione a n passi Per la generica probabilità di transizione a tre passi: N 3 2 ij ik kj P P P Più in generale, indicando con k P P P P P P ij n P : La matrice n P P X j X i ij nm m n P di elementi n P si ottiene moltiplicando P ij per se stessa n 1 volte: P n P n
17 La Matrice di Transizione Le espressioni utilizzate del tipo: N nm n m P P P ij ik kj k1 sono chiamate equazioni di Chapman Kolmogorov. Per ricavare le probabilità degli stati del processo all istante n occorre conoscere le probabilità dello stato iniziale.
18 Probabilità degli Stati all istante n Se si dispongono delle probabilità iniziali (i 1,2,...,N ): P X i 1 i le probabilità degli stati all istante n si ottengono mediante il Teorema della Probabilità Totale: N n P X j P X i P X j X i P n 1 n 1 i ij i1 i1 N
19 Probabilità degli Stati all istante n Se il vettore (trasposto) delle probabilità di stato è: si ha: n T x PX,,..., n 1 P Xn 2 P Xn N e quindi: T n n 1 x x T P T n 1 n x x T P
20 Il concetto di Raggiungibilità Uno stato j è raggiungibile da uno stato i se esiste almeno un istante n tale che n P 0. ij Un insieme C di stati si dirà chiuso se da stati appartenenti a C non è possibile raggiungere stati esterni a C. Nella matrice delle probabilità di transizione: Pij 0 ic, j C.
21 STATI RICORRENTI E TRANSITORI Lo stato è transitorio se esiste uno stato raggiungibile da, mentre non è raggiungibile da. Lo stato è ricorrente se: cioè, se non è transitorio.
22 Il concetto di Stato Assorbente Se l insieme C è costituito da un singolo stato, questo si chiama assorbente. Per il generico stato assorbente si ha quindi: Pii 1 Pij 0 j i B C A E 1 p D Uno stato assorbente è transitorio. La figura mostra una Catena di Markov con un insieme chiuso (B, C, D) ed uno stato assorbente E.
23 Catena di Markov Regolare Se esiste un numero finito m tale che in m passi tutti gli stati sono raggiungibili a partire da qualsiasi stato, cioè: ( m) ij P 0 i, j la catena viene detta regolare. Per una catena regolare esiste quindi almeno una potenza della matrice delle probabilità di transizione i cui elementi sono tutti non nulli.
24 Teorema di Markov Ci sono condizioni sotto le quali le probabilità di stato convergono al passare del tempo (esistono finiti i limiti): lim P X j j 1,...,N n n Tali condizioni sono date dal Teorema di Markov: Se la catena è regolare (cioè esiste un m tale che ( m) ij P 0 i, j), allora esistono delle quantità j tali che: lim P n ij n i 1, 2,..., N j
25 Vettore Limite delle Probabilità di Stato Le probabilità di stato j, per n che tende ad infinito, a partire dallo stato iniziale i esimo avente probabilità i 1,2,...,N, si ottengono dalle relazioni: i n n lim P j n i ij n n n i 0 N N N i ij i j j i j n i0 i0 i0 N n lim x lim P X j lim P cioè sono uguali alle probabilità limite di transizione.
26 Vettore Limite delle Probabilità di Stato Il vettore limite delle probabilità di stato deve essere, per le sue caratteristiche, invariante, cioè tale che (in virtù della relazione già vista T n 1 n x x T P ) sia: T P T può essere determinato risolvendo il sistema di equazioni lineari corrispondente a questa relazione di invarianza.
27 ESEMPIO DI VETTORE LIMITE 1-pG pg P = ; x = p 1-p M M x x 1 2 Con Risolvendo G G cioè
28 Applicazioni Processi di Nascita e Morte Teoria delle file di attesa (teoria delle code) Molte altre
SISTEMI CASUALI DINAMICI (PROCESSI) ESEMPIO: I GUASTI (Ipotesi Markoviana) Frequenza dei guasti: N Guasti = N/T X X X X X X X
CATENE DI MARKOV SISTEMI CASUALI DINAMICI (PROCESSI) ESEMPIO: I GUASTI (Ipotesi Markoviana) Frequenza dei guasti: N Guasti = N/T X X X X X X X X X 0 T 0 T! Δ 0, 1,, 0 Δ 1 Δ Δ 1Δ Δ Δ ESEMPIO: I GUASTI (Ipotesi
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE CATENE DI MARKOV TEMPO CONTINUE Definizioni Sia dato un processo stocastico x(t) che può assumere valori discreti appartenenti ad un insieme se accade che il processo è una catena
DettagliNote sulle Catene di Markov
Note sulle Catene di Markov ELAUT Prof. Giuseppe C. Calafiore Sommario Queste note contengono un estratto schematico ridotto di parte del materiale relativo alle Catene di Markov a tempo continuo e a tempo
Dettagli5. Catene di Markov a tempo discreto (CMTD)
5. Catene di Markov a tempo discreto (CMTD) Carla Seatzu, 8 Marzo 2008 Definizione: CATENA Le catene sono p.s. in cui lo stato è discreto : X{x,x 2, }. L insieme X può essere sia finito sia infinito numerabile.
DettagliCatene di Markov. Richiami teorici
Catene di Marov Richiami teorici Pagina di 4 Alcune definizioni L insieme di tutti i possibili risultati di un esperimento è detto spazio degli eventi dell esperimento. Lo spazio si indica con Ω ed un
DettagliVETTORI DI VARIABILI ALEATORIE
VETTOI DI VAIABILI ALEATOIE E. DI NADO 1. Funzioni di ripartizione congiunte e marginali Definizione 1.1. Siano X 1, X 2,..., X n v.a. definite su uno stesso spazio di probabilità (Ω, F, P ). La n-pla
DettagliPROCESSI STOCASTICI 1: ESERCIZI
PROCESSI STOCASTICI 1: ESERCIZI (1) ESERCIZIO: Date P e Q matrici stocastiche, dimostrare che la matrice prodotto P Q è una matrice stocastica. Dedurre che la potenza P n e il prodotto P 1 P 2 P n sono
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE CATENE DI MARKOV TEMPO DISCRETE Definizioni Catena: Processo stocastico in cui lo spazio degli stati è discreto o numerabile Processo stocastico tempo discreto: Si considerano
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,...,
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di PS-Probabilità P.Baldi Tutorato 9, 19 maggio 11 Corso di Laurea in Matematica Esercizio 1 a) Volendo modellizzare l evoluzione della disoccupazione in un certo ambito
DettagliProcessi stocastici A.A Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo
Processi stocastici A.A. 09 0 Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo G. Sanfilippo 20 maggio 200 Registro delle lezioni. Lezione del 3 Marzo 200, 8-, ore complessive 3 Richiami
DettagliEsercizio 1. Una obbligazione può avere rating A, B, C o D e passare da un rating all altro secondo la matrice di transizione
Esercizi di Calcolo delle Probabilità della 10 a Matematica, Università degli Studi di Padova). settimana (Corso di Laurea in Esercizio 1. Una obbligazione può avere rating A, B, C o D e passare da un
DettagliMATRICI E SISTEMI LINEARI
1 Rappresentazione di dati strutturati MATRICI E SISTEMI LINEARI Gli elementi di una matrice, detti coefficienti, possono essere qualsiasi e non devono necessariamente essere omogenei tra loro; di solito
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
DettagliMarkov Chains and Markov Chain Monte Carlo (MCMC)
Markov Chains and Markov Chain Monte Carlo (MCMC) Alberto Garfagnini Università degli studi di Padova December 11, 2013 Catene di Markov Discrete dato un valore x t del sistema ad un istante di tempo fissato,
DettagliUn modello di Markov per la determinazione del rendimento atteso di un obbligazione rischiosa
Un modello di Markov per la determinazione del rendimento atteso di un obbligazione rischiosa Analisi dei Sistemi Finanziari 1 Giugno, 2007 Cristina Manfredotti Dipartimento di Informatica, Sistemistica
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2013/2014 www.mat.uniroma2.it/~caramell/did 1314/ps.htm 04/03/2014 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
DettagliMetodo degli Elementi finiti: elementi monodimensionali Risoluzione di casi con più elementi
Metodo degli Elementi finiti: elementi monodimensionali Risoluzione di casi con più elementi 1 Metodo degli Elementi finiti: elementi monodimensionali Risoluzione di casi con più elementi 2 Metodo degli
DettagliElementi di Algebra Lineare Matrici e Sistemi di Equazioni Lineari
Elementi di Algebra Lineare Matrici e Sistemi di Equazioni Lineari Antonio Lanteri e Cristina Turrini UNIMI - 2016/2017 Antonio Lanteri e Cristina Turrini (UNIMI - 2016/2017 Elementi di Algebra Lineare
DettagliIstituzioni di Matematiche sesta parte
Istituzioni di Matematiche sesta parte anno acc. 2013/2014 Univ. Studi di Milano D.Bambusi, C.Turrini (Univ. Studi di Milano Istituzioni di Matematiche 1 / 27 index Matrici e operazioni tra matrici 1 Matrici
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliLezione 11. Somma di matrici Prodotto di una matrice per uno scalare Prodotto di matrici Determinante Sistemi lineari in forma matriciale
Lezione Somma di matrici Prodotto di una matrice per uno scalare Prodotto di matrici Determinante Sistemi lineari in forma matriciale Matrici. Somma Date due matrici n x m, A = A ij e B = B ij, con i =,,,
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2012/2013 www.mat.uniroma2.it/~caramell/did 1213/ps.htm 05/03/2013 - Lezioni 1, 2, 3 Breve introduzione al corso. Fenomeni deterministici
DettagliCatene di Markov. 8 ottobre 2009
Catene di Markov 8 ottobre 2009 Definizione 1. Si dice catena di Markov (finita) un sistema dotato di un numero finito n di stati {1, 2,..., n} che soddisfi la seguente ipotesi: la probabilità che il sistema
DettagliStazionarietà. IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 3: Processi Stocastici 3-1
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 3: Processi Stocastici Motivazioni Esempi Definizione Dualitá Stazionarietà 3-1 Motivazioni In molti settori scientifici sia tecnologici che economico-sociali
DettagliCircuiti a tempo discreto Raffaele Parisi
Università di Roma La Sapienza Laurea Specialistica in Ingegneria Elettronica Circuiti a tempo discreto Raffaele Parisi : Cenni alla sintesi di Circuiti TD Generalità sulle tecniche di progetto. Filtri
DettagliCorso di Laurea Magistrale in Ingegneria Informatica A.A. 2016/17 Processi stocastici e analisi di serie temporali
Corso di Laurea Magistrale in Ingegneria Informatica A.A. 206/7 Processi stocastici e analisi di serie temporali PROVA DI ESONERO SUI PROCESSI DI MARKOV DEL 6 DICEMBRE 206 Punteggi: : + + 4 2; 2: 2 5;
DettagliCorso di Automazione Industriale 1. Capitolo 6. Catene di Markov
Corso di Automazione Industriale 1 Capitolo 6 Catene di Markov 1 Catene di Markov a tempo discreto Una catena di Markov a tempo discreto (DTMC) è un sistema a stato e tempo discreti in cui l evoluzione
DettagliESERCIZI DATI A LEZIONE TPA - anno 2006 CAPITOLO 2
ESECIZI DATI A LEZIONE TPA - anno 2006 CAPITOLO 2 1. Una σ algebra è chiusa rispetto a intersezioni finite e numerabili, e rispetto a differenze e differenze simmetriche. 2. Una σ algebra è anche un algebra,
DettagliIstituzioni di Matematiche prima parte
Istituzioni di Matematiche prima parte anno acc. 2014/2015 Univ. Studi di Milano E.Frigerio, C.Turrini (Univ. Studi di Milano Istituzioni di Matematiche 1 / 30 index Generalità sugli insiemi 1 Generalità
DettagliI appello di CP per Informatica 19/6/2006
I appello di CP per Informatica 9/6/26 Istruzioni: per l esame completo occorre svolgere il primo esercizio e il terzo o (in alternativa al terzo) il quarto; a sostituzione del I esonero occorre svolgere
DettagliEsame di FONDAMENTI DI AUTOMATICA (9 crediti) SOLUZIONE
Esame di FONDAMENTI DI AUTOMATICA (9 crediti) Prova scritta 16 luglio 2014 SOLUZIONE ESERCIZIO 1. Dato il sistema con: si determinino gli autovalori della forma minima. Per determinare la forma minima
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
DettagliIstituzioni di Matematiche prima parte
Istituzioni di Matematiche prima parte anno acc. 2011/2012 Univ. degli Studi di Milano Cristina Turrini (Univ. degli Studi di Milano Istituzioni di Matematiche 1 / 33 index Generalità sugli insiemi 1 Generalità
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2014/2015 www.mat.uniroma2.it/~caramell/did 1415/ps.htm 02/03/2015 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
DettagliPROCESSI STOCASTICI A.A. 2010/2011. DIARIO DELLE LEZIONI
PROCESSI STOCASTICI A.A. 2010/2011. DIARIO DELLE LEZIONI Martedì 19/10/2010 (14-16) Richiami di teoria della probabilità: spazio di probabilità, alcune consequenze della definizione di funzione di probabilità,
DettagliTeoria delle Probabilità e Applicazioni programma 2004/05
Teoria delle Probabilità e Applicazioni programma 2004/05 Capitolo 1: esempio guida Lezioni: 8/3, 9/3 (5h) 1. Come modellizzare l esperimento infiniti lanci di una moneta equilibrata oppure l esperimento
DettagliSISTEMI DI EQUAZIONI LINEARI
SISTEMI DI EQUAZIONI LINEARI Date le rette di equazioni ax + by + c = 0 e a x + b y + c = 0 quanti punti hanno in comune? Per rispondere devo risolvere il sistema ax + by + c = 0 ቊ a x + b y + c = 0 e
DettagliTutorato XI Probabilità e Statistica a.a. 2014/2015
Tutorato XI Probabilità e Statistica a.a. 4/5 Argomenti: catene di Markov: probabilità e tempi medi di passaggio. Esercizio. Un topolino si sposta sui vertici di un grafo come nella Figura. 4 5 7 6 Ad
DettagliGEOMETRIA 1 prima parte
GEOMETRIA 1 prima parte Cristina Turrini C. di L. in Fisica - 2014/2015 Cristina Turrini (C. di L. in Fisica - 2014/2015) GEOMETRIA 1 1 / 44 index Relazioni in un insieme 1 Relazioni in un insieme 2 Gruppi,
DettagliAPPLICAZIONI. Im f = {b B a A tale che f (a) = b}.
APPLICAZIONI Diremo applicazione (o funzione) da un insieme A ad un insieme B una legge f che associa ad ogni elemento a A uno ed un solo elemento b B. Scriviamo f : A B e il corrispondente o immagine
DettagliMATRICI E SISTEMI LINEARI
MATRICI E SISTEMI LINEARI - PARTE I - Felice Iavernaro Dipartimento di Matematica Università di Bari 27 Febbraio 2006 Felice Iavernaro (Univ. Bari) Matrici e Sistemi lineari 27/02/2006 1 / 1 Definizione
DettagliCorso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 2018/19 - Esercitazione
Corso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (55AA) A.A. 28/9 - Esercitazione 28--9 La durata della prova è di due ore e mezzo. Le risposte devono essere
DettagliProva scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 2015/ Settembre 2016
Prova scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 205/206 20 Settembre 206 Esercizio. Un dado equilibrato viene lanciato ripetutamente. Indichiamo con X n il risultato dell n-esimo
DettagliLimiti della Distribuzione Binomiale
Limiti della Distribuzione Binomiale Giuseppe Sanfilippo 11 maggio 2012 1 Teorema di Bernoulli Sia X 1, X 2,..., X n... una successione di variabili aleatorie bernoulliane stocasticamente indipendenti
DettagliLuigi Piroddi
Automazione industriale dispense del corso (a.a. 2008/2009) 10. Reti di Petri: analisi strutturale Luigi Piroddi piroddi@elet.polimi.it Analisi strutturale Un alternativa all analisi esaustiva basata sul
DettagliTEMPUS PECUNIA EST COLLANA DI MATEMATICA PER LE SCIENZE ECONOMICHE FINANZIARIE E AZIENDALI
TEMPUS PECUNIA EST COLLANA DI MATEMATICA PER LE SCIENZE ECONOMICHE FINANZIARIE E AZIENDALI 2 Direttore Beatrice VENTURI Università degli Studi di Cagliari Comitato scientifico Umberto NERI University of
DettagliDefinizione di Sistema Dinamico
Capitolo 1. INTRODUZIONE 1.1 Definizione di Sistema Dinamico Esistono vari tipi di sistemi dinamici: tempo continui, tempo discreti, lineari, non lineari, a variabili concentrate, a variabili distribuite,
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE Modelli delle Sorgenti di Traffico Generalità Per la realizzazione di un modello analitico di un sistema di telecomunicazione dobbiamo tenere in considerazione 3 distinte sezioni
DettagliProprietà strutturali: Controllabilità e Osservabilità
CONTROLLI AUTOMATICI LS Ingegneria Informatica Proprietà strutturali: Controllabilità e Osservabilità Prof. Claudio Melchiorri DEIS-Università di Bologna Tel. 051 2093034 e-mail: claudio.melchiorri@deis.unibo.it
DettagliPreCorso di Matematica - PCM Corso M-Z
PreCorso di Matematica - PCM Corso M-Z DOCENTE: M. Auteri Outline Docente: Auteri PreCorso di Matematica 2016 2 Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti
DettagliProcessi stocastici. variabile casuale: funzione da uno spazio campione S a valori nello spazio E R X(t) : S E. spazio degli stati del processo
Processi stocastici Processo stocastico: famiglia di variabili casuali {X(t) t T} definite su uno spazio di probabilità indiciate dal parametro t (tempo) X(t) variabile casuale: funzione da uno spazio
DettagliLezione del dove a 1, a n e b sono numeri reali assegnati, detti coefficienti e termine noto dell equazione;
Le lezioni del 60 e 010 si riferiscono al Capitolo 1 Introduzione ai sistemi lineari Di seguito si elencano gli argomenti svolti, descrivendoli sinteticamente dando i riferimenti a tale capitolo, oppure
DettagliLuigi Piroddi
Automazione industriale dispense del corso (a.a. 2008/2009) 8. Reti di Petri: rappresentazione algebrica Luigi Piroddi piroddi@elet.polimi.it Rappresentazione matriciale o algebrica E possibile analizzare
DettagliCapitolo 2 - Modelli di sistemi: processi stocastici
Capitolo 2 - Modelli di sistemi: processi stocastici I processi stocastici costituiscono una classe di modelli di sistemi che permette lo studio e l analisi dei sistemi. In questo capitolo introduciamo
DettagliProblema. Sistemi lineari. Problema. Problema. Quali sono i potenziali in ogni nodo? Leggi di Kirkoff e di Ohm:
Problema 4 Ω 3 3 Ω 2 2 Ω 40 V Sistemi lineari 2 Ω Ω 2 Ω Ω 5 6 7 8 Ω 4 Ω Ω 0 V Quali sono i potenziali in ogni nodo? 2 4 Ω Problema 3 3 Ω 2 2 Ω 40 V 4 Ω Problema 3 3 Ω 2 2 Ω 40 V 2 Ω Ω 2 Ω Ω 2 Ω Ω 2 Ω Ω
DettagliIII Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2013/14 Nome: 16 luglio
III Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 013/14 Nome: 16 luglio 014 Email: Quando non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliCorrezione di Esercizi 4 di Calcolo delle Probabilità e Statistica. Mercoledì 4 maggio 2016
Correzione di Esercizi di Calcolo delle Probabilità e Statistica. Mercoledì maggio 6 Chun Tian. Answer of Exercise Figure. Catena di Markov.. (a) Le classi di equivalenza e i loro periodi. Da Figure, si
DettagliControllabilità e raggiungibilità
TDSC Parte 4, 1 Controllabilità e raggiungibilità Definizioni e proprietà per i sistemi dinamici TDSC Parte 4, 2 Definizioni generali Che cosa si intende per controllabilità o per raggiungibilità?! Facendo
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 7 - CALCOLO NUMERICO CON MATRICI Richiami teorici Operazioni fondamentali Siano A = {a ij } e B = {b ij }, i = 1,..., m, j = 1,..., n due
DettagliCorso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 2018/19 - Prova scritta
Corso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 208/9 - Prova scritta 209-0-09 La durata della prova è di due ore e mezzo. Le risposte devono essere
Dettagli1.4.2 Proprietà di Markov. Catene di Markov a tempo continuo
PROCESSI DI NASCITA E MORTE 35 14 PROCESSI DI NASCITA E MORTE Molti sistemi a coda possono essere ben rappresentati mediante i cosiddetti processi di nascita e morte che sono importanti processi in teoria
DettagliPROCESSI STOCASTICI 1: ESERCIZI
PROCESSI STOCASTICI 1: ESERCIZI (1) ESERCIZIO: Date P e Q matrici stocastiche, dimostrare che la matrice prodotto P Q è una matrice stocastica. Dedurre che la potenza P n e il prodotto P 1 P 2 P n sono
DettagliCP110 Probabilità: Esame del 15 settembre Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2009-2010, II semestre 15 settembre, 2010 CP110 Probabilità: Esame del 15 settembre 2010 Testo e soluzione 1. (6 pts) 10 carte numerate da 1 a 10 vengono
Dettaglidi transizione p n,m ( t) = P N(t + t) = m N(t) = n.
PROCESSI DI NASCITA E MORTE 33 14 PROCESSI DI NASCITA E MORTE Molti sistemi a coda possono essere ben rappresentati mediante i cosiddetti processi di nascita e morte che sono importanti processi in teoria
DettagliCorso di Controllo Digitale Equazioni alle Differenze e Z-trasformate a
Corso di Controllo Digitale Equazioni alle Differenze e Z-trasformate a Università degli Studi della Calabria Corso di Laurea in Ingegneria Elettronica. Ing. Domenico Famularo a Proprietà Letteraria Riservata
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 29 maggio 2007 Test di indipendenza su tabelle di contingenza. Catene di Markov Esercizio Per controllare l efficacia di un vaccino vengono scelti
DettagliNote per il corso di Geometria Corso di laurea in Ing. Edile/Architettura. 4 Sistemi lineari. Metodo di eliminazione di Gauss Jordan
Note per il corso di Geometria 2006-07 Corso di laurea in Ing. Edile/Architettura Sistemi lineari. Metodo di eliminazione di Gauss Jordan.1 Operazioni elementari Abbiamo visto che un sistema di m equazioni
DettagliRaggiungibilità e controllabilità
Capitolo. TEORIA DEI SISTEMI 4. Raggiungibilità e controllabilità Raggiungibilità. Il problema della raggiungibilità consiste nel determinare l insieme di stati raggiungibili a partire da un dato stato
DettagliOsservabilità e ricostruibilità
Capitolo. TEORIA DEI SISTEMI 5. Osservabilità e ricostruibilità Osservabilità: il problema dell osservabilità consiste nel determinare lo stato iniziale x(t ) mediante osservazioni degli ingressi u(t)
Dettagli3.3 Problemi di PLI facili
3.3 Problemi di PLI facili Consideriamo un generico problema di PLI espresso in forma standard min{c t x : Ax = b, x Z n +} (1) dove A Z m n con n m, e b Z m. Supponiamo che A sia di rango pieno. Sia P
DettagliMetodi di Geometria Algebrica per la ricostruzione statistica degli alberi filogenetici Luigi Biondi
Metodi di Geometria Algebrica per la ricostruzione statistica degli alberi filogenetici Luigi Biondi 20 Luglio 2011 Specie 1: ACGTACTACTGCAGTCCTAGCTGATCGT... Specie 2: ACTGTCGATCATGCTAATCGATGCATCG... Specie
DettagliSi noti che la matrice trasposta A ha lo stesso determinante. Questa proprietà è generale;
Ottavio Serra Matrici e determinanti In questa nota estenderemo a matrici quadrate di ordine n qualsiasi il concetto di determinante introdotto nelle scuole secondarie per matrici di ordine 2 come tecnica
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
DettagliEsercitazione 03: Sistemi a tempo discreto
0 aprile 06 (h) Alessandro Vittorio Papadopoulos alessandro.papadopoulos@polimi.it Fondamenti di Automatica Prof. M. Farina Analisi di investimenti Una banca propone un tasso d interesse i = 3% trimestrale
Dettagli1 Equazioni parametriche e cartesiane di sottospazi affini di R n
2 Trapani Dispensa di Geometria, Equazioni parametriche e cartesiane di sottospazi affini di R n Un sottospazio affine Σ di R n e il traslato di un sottospazio vettoriale. Cioe esiste un sottospazio vettoriale
DettagliCatene di Markov - Foglio 1
Catene di Markov - Foglio 1 1. Una pedina si muove su un circuito circolare a 4 vertici, numerati da 1 a 4. La pedina si trova inizialmente nel vertice 1. Ad ogni passo un giocatore lancia un dado equilibrato:
DettagliArgomento 13 Sistemi lineari
Sistemi lineari: definizioni Argomento Sistemi lineari Un equazione nelle n incognite x,, x n della forma c x + + c n x n = b ove c,, c n sono numeri reali (detti coefficienti) e b è un numero reale (detto
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
DettagliSpazi vettoriali. Indipendenza lineare.
Spazi vettoriali Indipendenza lineare Nel piano vettoriale G 2, fissato un punto O ed identificati i vettori con i segmenti orientati con origine in O, informalmente si puo dire che che due vettori sono
DettagliReti nel dominio del tempo. Lezione 7 1
Reti nel dominio del tempo Lezione 7 1 Poli (o frequenze naturali) di una rete Lezione 7 2 Definizione 1/2 Il comportamento qualitativo di una rete dinamica dipende dalle sue frequenze naturali o poli
DettagliCP110 Probabilità: Esame del 25 gennaio, Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2009-2010, II semestre 25 gennaio, 2011 CP110 Probabilità: Esame del 25 gennaio, 2011 Testo e soluzione 1. (6 pts Un mazzo di 20 carte contiene 15 carte
DettagliSommario lezioni di geometria
Sommario lezioni di geometria C. Franchetti November 12, 2006 1 Geometria analitica nel piano 1.1 Distanza di due punti Siano P 1 = (x 1, y 1 ), P 2 = (x 2, y 2 ) due punti del piano, se d(p 1, P 2 ) indica
DettagliCONTROLLI AUTOMATICI LS Ingegneria Informatica. Analisi modale
CONTROLLI AUTOMATICI LS Ingegneria Informatica Analisi modale Prof. Claudio Melchiorri DEIS-Università di Bologna Tel. 5 9334 e-mail: claudio.melchiorri@unibo.it http://www-lar.deis.unibo.it/~cmelchiorri
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 4 Abbiamo visto: Distribuzioni discrete Modelli probabilistici nel discreto Distribuzione uniforme
DettagliSistemi lineari 1 / 41
Sistemi lineari 1 / 41 Equazioni lineari Una equazione lineare a n incognite, è una equazione del tipo: a 1 x 1 + a 2 x 2 + + a n x n = b, dove a 1,,a n,b sono delle costanti (numeri) reali. I simboli
DettagliESERCIZI SULLE MATRICI
ESERCIZI SULLE MATRICI Consideriamo il sistema lineare a, x + a, x + + a,n x n = b a, x + a, x + + a,n x n = b a m, x + a m, x + + a m,n x n = b m di m equazioni in n incognite che ha a, a,n A = a m, a
DettagliPROCESSI STOCASTICI 1: INTEGRAZIONI
PROCESSI STOCASTICI 1: INTEGRAZIONI 1. Definizioni e risultati sparsi Def. Dato un insieme I, si chiama processo stocastico con spazio degli stati I una famiglia {X t } t T di variabili aleatorie a valori
DettagliLaboratorio di Calcolo Numerico Laboratorio 8: Vettori e Matrici
Laboratorio di Calcolo Numerico Laboratorio 8: Vettori e Matrici Claudia Zoccarato E-mail: claudia.zoccarato@unipd.it Dispense: Moodle Dipartimento ICEA 03 Maggio 2017 Richiami In MATLAB, ogni variabile
DettagliMotivazioni. Sistemi lineari. Obiettivo. Il problema
Motivazioni Sistemi lineari Metodo di eliminazione di Gauss Molti problemi si possono rappresentare mediante un sistema lineare La soluzione di un sistema lineare costituisce un sottoproblema di moltissime
Dettaglia a 1n A = a n1... a nn a 11 x a 1n x n = b 1 a n1 x a nn x n = b n ] sono determinati. 2- La matrice A = [ a ij
Recupero. 2, Determinanti. 1. Determinanti Consideriamo una matrice A = a 11... a 1n.. a n1... a nn quadrata di ordine n ad elementi in R. Sappiamo che sono equivalenti la affermazioni 1- tutti i sistemi
Dettagli3. Trovare, se esiste, una funzione di ingresso che porti il sistema da x(0) = x allo stato 0.
Esempio Per il sistema a tempo discreto x(k + ) = Ax(k) + Bu(k) avente: A =, B =, si considerino i seguenti quesiti:. Il sistema è raggiungibile? è controllabile?. Lo stato x = [ ] è raggiungibile? è controllabile?.
DettagliIngegneria Informatica. Prof. Claudio Melchiorri DEIS-Università di Bologna Tel
CONTROLLI AUTOMATICI LS Ingegneria Informatica Sistemi a Dati Campionati Prof. DEIS-Università di Bologna Tel. 51 29334 e-mail: claudio.melchiorri@unibo.it http://www-lar lar.deis.unibo.it/people/cmelchiorri
DettagliApprossimazione numerica
Approssimazione numerica Laboratorio di programmazione e calcolo (Chimica e Tecnologie chimiche) Pierluigi Amodio Dipartimento di Matematica Università di Bari Approssimazione numerica p.1/10 Problema
DettagliGeometria Prova scritta, appello unico, sessione autunnale Corso di laurea in fisica A.A 2017/2018 Canali A C, e L Pa
Geometria Prova scritta, appello unico, sessione autunnale Corso di laurea in fisica A.A 27/28 Canali A C, e L Pa Durata: 2 ore e 3 minuti Simone Diverio Alessandro D Andrea Paolo Piccinni 7 settembre
Dettagli