Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
|
|
- Agnello Cattaneo
- 4 anni fa
- Visualizzazioni
Transcript
1 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza di Variabili Aleatorie Sistema di Variabili Aleatorie Vettore Aleatorio Spesso si usa il simbolismo vettoriale per una sequenza (sistema) di variabili aleatorie. 1
2 Vettori Aleatori colonna e riga 1 N X.. X.. X T 1 N X X X
3 Funzioni di Distribuzione e Densità N-dimensionali Date N variabili aleatorie X,X,...,X 1 N la Distribuzione Congiunta di esse è data da: F x, x,..., x 1 N P X x, X x,..., X x 1 1 N N 3
4 Distribuzione e Densità Congiunta Tale funzione, definita per ogni monotona non decrescente con x i ed inoltre: F,..., 1 x i tra e è La derivata della distribuzione rispetto ai suoi argomenti: f x,..., x 1 N N F x,..., x x x... x 1 N 1 N è la Densità Congiunta delle variabili aleatorie X i. 4
5 Funzioni di Distribuzione e Densità N-dimensionali P X,..., X D 1 N f x,..., x dx dx D 1 N 1 N Saturando rispetto ad alcune variabili l integrale (ponendo pari ad i corrispondenti termini della funzione di distribuzione) si ottiene la densità (distribuzione) congiunta delle rimanenti variabili. 5
6 Esempio: N 4 F x, x F x,,x, f x, x 1 3 f x,x, x, x dxdx 6
7 Le variabili aleatorie Variabili Aleatorie Indipendenti indipendenti se gli eventi X ogni i. Allora: X i sono dette (mutuamente) i i x sono indipendenti per pertanto,...,... F x x F x F x 1 N 1 N,...,... f x x f x f x 1 N 1 N 7
8 Variabili Aleatorie Indipendenti Ogni sottoinsieme di un insieme di variabili aleatorie indipendenti è, a sua volta, un insieme di variabili indipendenti. Se N variabili aleatorie sono indipendenti a coppie, non è detto che esse siano (mutuamente) indipendenti. 8
9 Trasformazione di Variabili Aleatorie Date X 1,X,...,X N v.a. con densità congiunta le funzioni: f X x 1,x,...,x N Y g X, X,..., X N Y g X, X,..., X 1 N Y g X, X,..., X N N 1 N 9
10 Trasformazione di Variabili Aleatorie (segue) definiscono le N variabili aleatorie Y,Y,...,Y 1 N la cui densità congiunta si determina risolvendo: g 1 x1, x,..., xn y1 g,,..., x1 x xn y g,,..., N x1 x xn y N 10
11 Trasformazione di Variabili Aleatorie (segue) Se tale sistema non ha soluzione per alcuni valori di y i, allora per tali valori: f,..., Y y1 yn 0 Se il sistema ammette un'unica soluzione allora: f y,..., y Y 1 N f x,..., x X 1 N J x,..., x 1 N x,..., 1 x N, 11
12 dove: J x 1 g1 g1... x1 x N,..., x N gn g N... x1 xn è lo Jacobiano della trasformazione e J indica il valore assoluto del determinate di J x 1,..., x N. 1
13 Trasformazione di Variabili Aleatorie (segue) Se le soluzioni del sistema sono più di una, si f y,..., y i termini sommano nella espressione Y 1 N corrispondenti, in maniera del tutto analoga ai casi monodimensionali e bidimensionali. 13
14 La Matrice di Covarianza La covarianza delle variabili aleatorie X i e X j è: con E X X EX X ij i i j j i j i j i E X i j E X j 14
15 La Matrice di Covarianza Nel caso di N variabili aleatorie appartenenti a considerano le N coppie del tipo i j N R, si X,X e si valutano le relative covarianze (matrice N N): M X N 1 N N1 N NN 15
16 La Matrice di Covarianza Utilizzando il formalismo dei vettori colonna: X T con il vettore dei valori attesi X, X,...,X 1 N T X 1,,..., N M E X X EX X T T T X X X La matrice di covarianza è simmetrica: T X M = M X 16
17 Bivariata Gaussiana e Retta di Regressione Vettore Gaussiano bidimensionale (N = ): X X 1 X, 1 con 1 e varianze di X 1 e X, che sono correlate secondo un coefficiente di correlazione pari a. Matrice di covarianza vale: M X T 1 1 E X X 1 17
18 Bivariata Gaussiana e Retta di Regressione da cui risulta: -1 M X M X 1 det Applicando la definizione di multivariata reale per N = si ottiene la densità congiunta o Bivariata Gaussiana: 1 1 T f x exp x x X X det M X -1 M 18
19 Bivariata Gaussiana e Retta di Regressione 1 1 x x x x f X x 1,x exp La densità marginale è data da: 1 x 1 1 f X x 1 1 exp 1 1. f x,x 1 1 f X X x 1 x1 exp q X 1 f X x
20 con x 11 x11 x x x11 1 q x11 x11 x x Ovvero: q 1 x11 x 1 = 1 1 x x x x fx X x 1 x1 exp 1 1 0
21 ovvero una densità gaussiana con valor medio: e varianza: + x1 1 1 che diventa nulla per 1. Pertanto la curva di regressione: EX x x x coincide con la retta di regressione. 1 1
22 Bivariata Gaussiana: 0,, r 0 X Y X Y
23 Bivariata Gaussiana: 0, 4, 1, r 0 X Y X Y 3
24 Bivariata Gaussiana: 0,,, r 0.7 X Y X Y 4
25 Bivariata Gaussiana: 0, 4, 1, r 0.7 X Y X Y 5
26 Bivariata Gaussiana: 0,,, r 0.99 X Y X Y 6
27 Bivariata Gaussiana: 0, 4, 1, r 0.99 X Y X Y 7
28 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza Dato il vettore bidimensionale: Y Y Y con Y ~N0,1 e Y ~N0,1 indipendenti η 0,η 0 σ 1,σ 1 M Y EY Y I matrice identità Si vuole determinare la matrice A tale che il vettore: X A Y abbia matrice di covarianza assegnata: M X 1 ρ ρ 1 Docenti: Gaspare Galati Gabriele Pavan 8
29 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza M X EX X EAY Y A AEY Y A A A Calcolo degli autovalori di M X : det 1λ ρ Calcolo degli autovettori di M X : ρ 1 λ 0 1 λ ρ 0 λ λ1ρ 0 λ 1 ρ λ 1ρ v v v v v v Docenti: Gaspare Galati Gabriele Pavan 9
30 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza Calcolo degli autovettori di M X : M X v λ v M X v λ v Autovettore associato a λ 1ρ: 1 ρ ρ 1 v v 1ρv 1 ρv v v ρv v ρ v v v ρv v v ρ v v 1 v 1 normalizzato Docenti: Gaspare Galati Gabriele Pavan 30
31 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza Autovettore associato a λ 1ρ: 1 ρ ρ 1 v v 1ρv 1 ρv v v ρv v ρ v v v ρv v v ρ v v v 1 1 normalizzato Docenti: Gaspare Galati Gabriele Pavan 31
32 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza Matrice degli autovettori e degli autovalori: 1 1 U 1 Λ 1ρ ρ AUΛ / 1 1 M X UΛU M X A A UΛU A A 1 1ρ ρ Docenti: Gaspare Galati Gabriele Pavan 3
33 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza X ay by X ay by a b Jx,x a a f y f x b b ab Y A X 1 ρ detm X / 1 πdetm Y / exp 1 Y M Y Y 1 πdetm X / exp 1 X M X X Docenti: Gaspare Galati Gabriele Pavan 33
34 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza M X 1 ρ ρ 1 M X 1 ρ ρ 1 f x 1 π1 ρ exp 1 1 1ρ x x 1 ρ ρ 1 x x f x 1 π1 ρ exp 1 1 1ρ x ρx x x Docenti: Gaspare Galati Gabriele Pavan 34
35 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale v.a. Gaussiane indipendenti, con media e varianza : La densità congiunta vale: y f y exp N 1 1 i i Y N/ 1... N i1 i (1) e può essere scritta come l'esponenziale di una forma quadratica: Docenti: Gaspare Galati Gabriele Pavan 35
36 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale 1 T 1 f Y y exp y y c () dove è il vettore dei valori medi e 1 N diag,,..., è la matrice di covarianza (diagonale). La costante c è così definita: N exp c 1N... N det 1 N Come trasformare Y per avere X con assegnata M X? (3) Docenti: Gaspare Galati Gabriele Pavan 36
37 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale Supponendo i valori attesi di Y nulli, si consideri la seguente trasformazione: X U Y (4) con U matrice invertibile e ortogonale, cioè -1 T U U, -1 *T H (nel campo complesso U U U ). 1 f X x fy y det J yu dove J è lo Jacobiano della trasformazione T x y g x. Docenti: Gaspare Galati Gabriele Pavan 37
38 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale Nel caso in esame, essendo U ortogonale, si ha: J U T e det J 1 Pertanto utilizzando il teorema fondamentale con J U T si ha, dalle () e (4): 1 T f X x exp T x -1 T x c U U 1 T exp x -1 T U U x c Docenti: Gaspare Galati Gabriele Pavan 38
39 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale -1-1 T Possiamo indicare con A il prodotto U U ; si dimostra di seguito che A =M X. Si ricorda che se A ha autovalori distinti, come qui supponiamo, allora vale la decomposizione spettrale: A=U U dove U è la matrice unitaria le cui colonne sono gli autovettori di A e la matrice diagonale degli autovalori di A. T Docenti: Gaspare Galati Gabriele Pavan 39
40 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale Usando la regola A B B A e ricordando che -1 T U U, si ha che l inversa di A ha decomposizione: -1-1 T A =U U -1-1 pertanto se è vero che A =M X ne consegue che: M X =U U T Docenti: Gaspare Galati Gabriele Pavan 40
41 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale Si determini ora la matrice di covarianza di X: T T T MX E X X E UY Y U ricordando che T M E YY Y M U E YY U UU X T T T (5) Docenti: Gaspare Galati Gabriele Pavan 41
42 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale Inoltre si ha: X in quanto U è unitaria. L'espressione della multivariata reale gaussiana diviene: 1 1 T -1 f x exp x x X N 1 M X det M La matrice corrisponde alla matrice diagonale degli autovalori di M X, mentre la matrice U è la matrice ortogonale le cui colonne sono gli autovettori di M X. X Docenti: Gaspare Galati Gabriele Pavan 4
43 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale La trasformazione inversa della (4): T Y U X rende la matrice di covarianza M X in forma diagonale (ovvero trasforma X in un vettore Y di variabili indipendenti). Docenti: Gaspare Galati Gabriele Pavan 43
44 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Densità e distribuzioni condizionate La densità condizionata delle variabili aleatorie X n,..., X k+1 assumendo X k = x k,, X 1 = x 1, è pari a: f x,..., x f x n,...,xk1 x k,...,x 1 f x,..., x 1 n 1 k f x,..., x f x x,..., x f x,..., x 1 n n n1 1 n1 1 f x,..., x f x x,..., x... f x x, x f x x f x 1 n n n Docenti: Gaspare Galati Gabriele Pavan 44
45 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Densità e distribuzioni condizionate Per rimuovere variabili situate sulla sinistra o sulla destra della linea di condizionamento esiste la regola seguente. Ad esempio f x, x x 3 1 f integrando rispetto a x si ottiene: x, x, x 1 3 f x 1 1 f x,,,, 1 x3 f x3 x x1 dx f x1 x x3 dx f x f x f x x Docenti: Gaspare Galati Gabriele Pavan 45
46 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Densità e distribuzioni condizionate Per rimuovere le variabili a destra della linea di condizionamento, ad esempio supponiamo di voler eliminare x e x 3 da,,,,, f x x x x f x x x f x x x x Integrando ambo i membri rispetto a x e x 3, si ottiene:,,, f x x x x f x x x dx dx f x x si moltiplica per la densità condizionata di tali variabili, assumendo fisse le rimanenti variabili, e poi si integra. Docenti: Gaspare Galati Gabriele Pavan 46
Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliDistribuzione normale multidimensionale
Capitolo 2 Distribuzione normale multidimensionale La funzione di densità normale undimensionale ha la forma seguente Anderson, 1984 fx ce 1 2 Ax b2 ce 1 2 x bax b La costante di normalizzazione c è data
DettagliComputazione per l interazione naturale: fondamenti probabilistici (2)
Computazione per l interazione naturale: fondamenti probabilistici (2) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@di.unimi.it
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata
Il Concetto di Distribuzione Condizionata Se B è un evento, la probabilità di un evento A condizionata a B vale: ponendo: P A B P A B P B A x si giunge al concetto di distribuzione condizionata della v.a.
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Modello Lognormale La funzione di densità di probabilità lognormale è data:
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ( ln x a) 1 f ( x ) = exp x > 0 X b x b π in cui a e b sono due costanti, con b> 0. Se X è una v.a. lognormale allora Y lnx
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,
DettagliRichiami di algebra delle matrici a valori reali
Richiami di algebra delle matrici a valori reali Vettore v n = v 1 v 2. v n Vettore trasposto v n = (v 1, v 2,..., v n ) v n = (v 1, v 2,..., v n ) A. Pollice - Statistica Multivariata Vettore nullo o
Dettaglicon distribuzione gaussiana standard e si ponga
Laurea Triennale in Matematica, Università La Sapienza Corso di Probabilità, AA 6/7 Prova di Esonero Maggio 7 Testi e soluzioni degli esercizi proposti Siano Z, Z, Z variabili aleatorie indipendenti e
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
Dettagli3. Vettori, Spazi Vettoriali e Matrici
3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e
Dettagli3. Vettori, Spazi Vettoriali e Matrici
3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e
Dettagli25 - Funzioni di più Variabili Introduzione
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 25 - Funzioni di più Variabili Introduzione Anno Accademico 2013/2014 M. Tumminello
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliRichiami di Algebra Lineare
Richiami di Algebra Lineare Eduardo Rossi Università degli Studi di Pavia Corso di Econometria Marzo 2012 Rossi Algebra Lineare 2012 1 / 59 Vettori Prodotto interno a : (n 1) b : (n 1) a b = a 1 b 1 +
DettagliEsercitazione ENS su processi casuali (13 e 14 Maggio 2008)
Esercitazione ES su processi casuali ( e 4 Maggio 2008) D. Donno Esercizio : Calcolo di autovalori e autovettori Si consideri un processo x n somma di un segnale e un disturbo: x n = Ae π 2 n + w n, n
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
DettagliFacoltà di Ingegneria Calcolo delle Probabilità e Statistica Ingegneria Civile e A&T e Informatica
Facoltà di Ingegneria Calcolo delle Probabilità e Statistica Ingegneria Civile e A&T e Informatica Prima prova scritta A.A. 8-9 Durata della prova h Punteggi: ) + + ; ) + + + ; ) +. Totale. Esercizio Sia
DettagliVariabili casuali multidimensionali
Capitolo 1 Variabili casuali multidimensionali Definizione 1.1 Le variabili casuali multidimensionali sono k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità.
Dettagli3. Elementi di Algebra Lineare.
CALCOLO NUMERICO Francesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari 3. Elementi di Algebra Lineare. 1 Sistemi lineari Sia A IR m n, x IR n di n Ax = b è un vettore di m componenti.
DettagliScheda n. 7: primi elementi sui legami tra più variabili
Scheda n. 7: primi elementi sui legami tra più variabili October 27, 2008 Matrice di covarianza e di correlazione Supponiamo di esaminare n variabili X,..., X n, ad esempio X = reddito medio, X 2 = tasso
DettagliPunti di massimo o di minimo per funzioni di n variabili reali
Punti di massimo o di minimo per funzioni di n variabili reali Dati f : A R n R ed X 0 A, X 0 si dice : punto di minimo assoluto se X A, f ( x ) f ( X 0 ) punto di massimo assoluto se X A, f ( x ) f (
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliEsercizi su leggi Gaussiane
Esercizi su leggi Gaussiane. Siano X e Y v.a. indipendenti e con distribuzione normale standard. Trovare le densità di X, X +Y e X, X. Mostrare che queste due variabili aleatorie bidimensionali hanno le
DettagliPolitecnico di Milano Ingegneria Industriale Analisi e Geometria 2 Secondo Appello 7 Settembre 2016
Politecnico di Milano Ingegneria Industriale Analisi e Geometria Secondo Appello 7 Settembre 6 Cognome: Nome: Matricola: Es.: punti Es.: 7 punti Es.3: 7 punti Es.4: 7 punti Totale. Sia f : R 3 R 3 l applicazione
DettagliElementi di Algebra Lineare
Elementi di Algebra Lineare Corso di Calcolo Numerico, a.a. 2009/2010 Francesca Mazzia Dipartimento di Matematica Università di Bari 13 Marzo 2006 Francesca Mazzia (Univ. Bari) Elementi di Algebra Lineare
DettagliCorso di Geometria Ing. Informatica e Automatica Test 1: soluzioni
Corso di Geometria Ing. Informatica e Automatica Test : soluzioni k Esercizio Data la matrice A = k dipendente dal parametro k, si consideri il k sistema lineare omogeneo AX =, con X = x x. Determinare
Dettagliln x a 2 f x exp x 0
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ln x a 1 f x exp x 0 X b xb in cui a e b sono due costanti, con b 0. Se X è una v.a. lognormale allora Y lnx è distribuita
DettagliAnalisi delle corrispondenze
Analisi delle corrispondenze Obiettivo: analisi delle relazioni tra le modalità di due (o più) caratteri qualitativi Individuazione della struttura dell associazione interna a una tabella di contingenza
Dettagli4 Autovettori e autovalori
4 Autovettori e autovalori 41 Cambiamenti di base Sia V uno spazio vettoriale tale che dim V n Si è visto in sezione 12 che uno spazio vettoriale ammette basi distinte, ma tutte con la medesima cardinalità
DettagliSapienza Università di Roma Corso di laurea in Ingegneria Energetica Geometria A.A ESERCIZI DA CONSEGNARE prof.
Sapienza Università di Roma Corso di laurea in Ingegneria Energetica Geometria A.A. 2015-2016 ESERCIZI DA CONSEGNARE prof. Cigliola Consegna per Martedì 6 Ottobre Esercizio 1. Una matrice quadrata A si
DettagliCorso di Geometria Meccanica, Elettrotecnica Esercizi 11: soluzioni
Corso di Geometria 0- Meccanica Elettrotecnica Esercizi : soluzioni Esercizio Scrivere la matrice canonica di ciascuna delle seguenti trasformazioni lineari del piano: a) Rotazione di angolo π b) Rotazione
DettagliRichiami di Algebra Lineare
Università di Pavia Richiami di Algebra Lineare Eduardo Rossi Vettori a : (n 1) b : (n 1) Prodotto interno a b = a 1 b 1 + a 2 b 2 +... + a n b n Modulo (lunghezza): a = a 2 1 +... + a2 n Vettori ortogonali:
DettagliANALISI MULTIDIMENSIONALE DEI DATI (AMD)
ANALISI MULTIDIMENSIONALE DEI DATI (AMD) L Analisi Multidimensionale dei Dati (AMD) è una famiglia di tecniche il cui obiettivo principale è la visualizzazione, la classificazione e l interpretazione della
DettagliAnalisi Statistica Multivariata Modulo Modelli Statistici
Analisi Statistica Multivariata Modulo Modelli Statistici Gianna Monti 8 novembre 013 1 Approfondimenti 1 1.1 Esercizi Esercizio 1 Galton e il suo allievo Karl Pearson condussero alcuni studi in merito
DettagliMATRICI ORTOGONALI. MATRICI SIMMETRICHE E FORME QUADRATICHE
DIAGONALIZZAZIONE 1 MATRICI ORTOGONALI. MATRICI SIMMETRICHE E FORME QUADRATICHE Matrici ortogonali e loro proprietà. Autovalori ed autospazi di matrici simmetriche reali. Diagonalizzazione mediante matrici
DettagliAnalisi delle corrispondenze
Capitolo 11 Analisi delle corrispondenze L obiettivo dell analisi delle corrispondenze, i cui primi sviluppi risalgono alla metà degli anni 60 in Francia ad opera di JP Benzécri e la sua equipe, è quello
DettagliAnalisi Matematica 2. Continuità, derivabilità e differenziabilità
Docente: E. G. Casini Università degli Studi dell Insubria DIPATIMENTO DI SCIENZA E ALTA TECNOLOGIA Corso di Studio in Matematica e Fisica Analisi Matematica ichiami di Teoria ed Esercizi con Svolgimento
DettagliPOTENZE DI MATRICI QUADRATE
POTENZE DI MATRICI QUADRATE In alcune applicazioni pratiche, quali lo studio di sistemi dinamici discreti, può essere necessario calcolare le potenze A k, per k N\{0}, di una matrice quadrata A M n n (R)
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
DettagliFM210 - Fisica Matematica I
FM21 - Fisica Matematica I Seconda Prova Scritta [16-2-212] Soluzioni Problema 1 1. Chiamiamo A la matrice del sistema e cerchiamo anzitutto gli autovalori della matrice: l equazione secolare è (λ + 2β)λ
DettagliEs. 1 Es. 2 Es. 3 Es. 4 Totale. Analisi e Geometria 2 Docente: 12 settembre 2013
Es. 1 Es. 2 Es. 3 Es. 4 Totale Analisi e Geometria 2 Docente: 12 settembre 213 Cognome: Nome: Matricola: Ogni risposta dev essere giustificata. Gli esercizi vanno svolti su questi fogli, nello spazio sotto
DettagliMETODI MATEMATICI PER LA FISICA
METODI MATEMATICI PER LA FISICA PROVA SCRITTA - 3 FEBBRAIO 6 Si risolvano cortesemente i seguenti problemi. PRIMO PROBLEMA (PUNTEGGIO: 6/3) Si calcoli l integrale SOLUZIONE DEL PRIMO PROBLEMA M=. (+ x
DettagliApplicazioni lineari e diagonalizzazione
Autovalori e autovettori Matrici associate a applicazioni lineari Endomorfismi semplici e matrici diagonalizzabili Prodotti scalari e Teorema Spettrale nel caso generale 2 2006 Politecnico di Torino 1
DettagliComputazione per l interazione naturale: Richiami di algebra lineare
Computazione per l interazione naturale: Richiami di algebra lineare Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it
Dettagli11 settembre Soluzione esame di geometria - Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura 3 ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliAPPUNTI DI ALGEBRA LINEARE
APPUNTI DI ALGEBRA LINEARE. Definizione Si dice spazio vettoriale (sul campo dei numeri reali R) un insieme V per il quale siano definite l operazione interna di somma (che ad ogni coppia di vettori e
DettagliCP110 Probabilità: Esame 13 settembre Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 13 settembre, 2012 CP110 Probabilità: Esame 13 settembre 2012 Testo e soluzione 1. (6 pts) Una scatola contiene 10 palline, 8 bianche
DettagliPROBLEMI DI FISICA MODERNA E MECCANICA QUANTISTICA. FISICA MODERNA anno accademico
PROBLEMI DI FISICA MODERNA E MECCANICA QUANTISTICA FISICA MODERNA anno accademico 007-008 () Sia dato un sistema che può trovarsi in tre stati esclusivi,, 3, e si supponga che esso si trovi nello stato
Dettagli2 Sistemi lineari. Metodo di riduzione a scala.
Sistemi lineari. Metodo di riduzione a scala. Esercizio.1 Utilizzando il metodo di eliminazione di Gauss, risolvere i seguenti sistemi lineari: 1. 3. x 1 x + 3x 3 = 1 x 1 x x 3 = x 1 + x + 3x 3 = 5 x 1
DettagliUniversita degli Studi di Roma Tor Vergata Facolta di Ingegneria: Elettronica. Corso di Geometria ed Algebra Docente F. Flamini
Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria: Elettronica Corso di Geometria ed Algebra Docente F. Flamini Capitolo IV - 3: Teorema Spettrale degli operatori autoaggiunti e Teorema
DettagliUniversita degli Studi di Roma Tor Vergata Facolta di Ingegneria Edile ed Edile/Architettura. Geometria Proiettiva Docente F.
Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria Edile ed Edile/Architettura Geometria Proiettiva Docente F. Flamini CONICHE PROIETTIVE: Classificazione e forme canoniche proiettive Si
DettagliMatrici triangolari [Abate, 3.2] Lezioni 05 e 06. Determinante di una matrice triangolare [Abate, es. 9.3] Matrici ridotte per righe.
Matrici triangolari [Abate, 32] Definizione Una matrice A = a ij ) R m,n si dice triangolare superiore se a ij = 0 per ogni i > j; triangolare inferiore se a ij = 0 per ogni i < j Lezioni 05 e 06 Una matrice
DettagliDaniela Lera A.A
Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2014-2015 Metodi per similitudine Matrici simili hanno gli stessi autovalori. Consideriamo trasformazioni per
DettagliEsercizi svolti. risolvere, se possibile, l equazione xa + B = O, essendo x un incognita reale
Esercizi svolti 1. Matrici e operazioni fra matrici 1.1 Date le matrici 1 2 1 6 A = B = 5 2 9 15 6 risolvere, se possibile, l equazione xa + B = O, essendo x un incognita reale Osservazione iniziale: qualunque
Dettagli0.1 Forme quadratiche
0.1. FORME QUADRATICHE 1 0.1 Forme quadratiche In questa sezione possiamo applicare il Teorema degli Assi Principali per giustificare alcune fatti che sono stati utilizzati nella riduzione a forma canonica
DettagliTEORIA DEI SISTEMI ANALISI DEI SISTEMI LTI
TEORIA DEI SISTEMI Laurea Specialistica in Ingegneria Meccatronica Laurea Specialistica in Ingegneria Gestionale Indirizzo Gestione Industriale TEORIA DEI SISTEMI ANALISI DEI SISTEMI LTI Ing. Cristian
DettagliIntroduzione al modello Uniforme
Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x () t x ( t ) q Tempo Discreto Continuo Segnale Analogico ( ) x t k t t Segnale
DettagliDistribuzioni di due variabili aleatorie
Statistica e analisi dei dati Data: 6 Maggio 206 Distribuzioni di due variabili aleatorie Docente: Prof. Giuseppe Boccignone Scriba: Noemi Tentori Distribuzioni congiunte e marginali Consideriamo due variabili
Dettagli1 Alcuni risultati sulle variabili Gaussiane multivariate
Il modello lineare-gaussiano e il filtro di Kalman Prof. P.Dai Pra 1 Alcuni risultati sulle variabili Gaussiane multivariate In questo paragrafo verranno enunciate e dimostrate alcune proprietà del valor
DettagliFONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA CHIMICA E DEI MATERIALI 27 GIUGNO 2016
FONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA CHIMICA E DEI MATERIALI 7 GIUGNO 06 MATTEO LONGO Ogni versione del compito contiene solo due tra i quattro esercizi 6-7-8-9. Esercizio. Considerare
DettagliScomposizione ai valori singolari.
Scomposizione ai valori singolari. Sia A R m n una matrice, non necessariamente quadrata. Si potrebbe considerare anche una matrice complessa ottenendo risultati analoghi. Abbiamo: Osservazione AA T R
DettagliAnalisi della correlazione canonica
Analisi della correlazione canonica Su un collettivo di unità statistiche si osservano due gruppi di k ed m variabili L analisi della correlazione canonica ha per obiettivo lo studio delle relazioni di
DettagliLa notazione usata è quella usuale nel caso scalare, ed è estesa al caso generale. Consideriamo una forma quadratica:
. SU ALCUNI OPERAORI DI DERIVAZIONE Alcune operazioni tipiche dell analisi matematica hanno un diretto riscontro in termini matriciali. Consideriamo ad esempio una forma lineare: f() l l + l +..l n n ;
DettagliVariabile aleatoria vettoriale
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Variabile aleatoria vettoriale Sommario della lezione 4 Esperimenti combinati VA vettoriali La Gaussiana multidimensionale Medie e
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
DettagliPolitecnico di Milano Ingegneria Industriale Analisi e Geometria 2 Secondo compito in itinere 30 Giugno 2016
Politecnico di Milano Ingegneria Industriale Analisi e Geometria Secondo compito in itinere Giugno 6 Cognome: Nome: Matricola: Es.: 9 punti Es.: 9 punti Es.: 6 punti Es.4: 9 punti Totale. Si consideri
DettagliVettore (o matrice) casuale (o aleatorio): vettore (o matrice) i cui elementi sono variabili aleatorie
Variabili (vettori e matrici) casuali Variabile casuale (o aleatoria): Variabile che può assumere un insieme di valori ognuno con una certa probabilità La variabile aleatoria rappresenta la popolazione
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 luglio 6 Vettori aleatori e funzioni di v.a. Esercizio Si lanciano due dadi equi. Qual è la probabilità che la somma sia? [ ] Siano X, X le v.a.
Dettagli(h + 1)y + hz = 1. 1 [5 punti] Determinare le eventuali soluzioni del seguente sistema di congruenze: 2x 5 mod 3 3x 2 mod 5.
Dipartimento di Matematica e Informatica Anno Accademico 07-08 Corso di Laurea in Informatica (L-) Prova scritta di Matematica Discreta ( CFU) 8 Luglio 08 [5 punti] Determinare le eventuali soluzioni del
DettagliMETODI MATEMATICI PER LA FISICA
METODI MATEMATICI PER LA FISICA SECONDO ESONERO - 6 GIUGNO 7 Si risolvano cortesemente i seguenti problemi PRIMO PROBLEMA (PUNTEGGIO: 3/3) Facendo uso delle proprietà della matrici di Pauli, si calcoli
DettagliCorso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010.
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010 Statistica Esercitazione 4 12 maggio 2010 Dipendenza in media. Covarianza e
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
DettagliLezione 2: Descrizione dei Da0. h2p://
Lezione 2: Descrizione dei Da0 h2p://www.mi.infn.it/~palombo/dida=ca/analisista0s0ca/lezioni/lezione2.pdf Funzione Densità di Probabilità q La variabile casuale assume valori diversi con diverse probabilità.
DettagliEsercizio 2. Consideriamo adesso lo spazio di funzioni V = {f : [0, 1] R}. Dire quali dei seguenti insiemi di funzioni sono sottospazi.
1 Esercizi 1.1 Spazi vettoriali Studiare gli insiemi definiti di seguito, e verificare quali sono spazi vettoriali e quali no. Per quelli che non lo sono, dire quali assiomi sono violati. x 1, x 2, x 3
DettagliTeoria dei segnali terza edizione
Capitolo 9 Segnali aleatori a tempo continuo e a tempo discreto SOLUZIONI DEGLI ESERCIZI Soluzione dell esercizio 9.3 Si osservi innanzitutto che, essendo il processo () t Gaussiano, anche il processo
DettagliRegistro Lezioni di Algebra lineare del 15 e 16 novembre 2016.
Registro Lezioni di Algebra lineare del 15 e 16 novembre 2016 Di seguito si riporta il riassunto degli argomenti svolti; i riferimenti sono a parti del Cap8 Elementi di geometria e algebra lineare Par5
DettagliRichiami di Algebra Lineare
Richiami di Algebra Lineare Fabrizio Silvestri December 14, 010 Matrice Sia R il campo dei numeri reali. Si indica con R m n l insieme delle matrici ad elementi reali con m righe ed n colonne. Se A R n
Dettagli8 novembre Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliBrevi richiami su variabili aleatorie e processi stocastici
Appendice Parte 9, 1 Brevi richiami su variabili aleatorie e processi stocastici Richiami di teoria della probabilita` Appendice Parte 9, 2 Esperimento casuale: analisi degli elementi caratteristici dei
DettagliMETODI MATEMATICI PER LA FISICA PROVA SCRITTA - 4 DICEMBRE 2018
METODI MATEMATICI PER LA FISICA PROVA SCRITTA - 4 DICEMBRE 18 Si risolvano cortesemente i seguenti problemi, sapendo che verranno valutati: 1 la correttezza del risultato ottenuto e della procedura utilizzata;
DettagliAutovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti)
Autovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti) April 14, 2011 (alcune note non complete sugli argomenti trattati: eventuali completamenti saranno aggiunti)
DettagliEsercizi di ripasso: geometria e algebra lineare.
Esercizi di ripasso: geometria e algebra lineare. Esercizio. Sia r la retta passante per i punti A(2,, 3) e B(,, 2) in R 3. a. Scrivere l equazione cartesiana del piano Π passante per A e perpendicolare
DettagliDefinizioni e operazioni fondamentali
MATRICI Definizioni e operazioni fondamentali Autovalori e autovettori Potenza Esponenziale Limiti, derivate e integrali Illustrazioni dal Testo di Riferimento per gentile concessione degli Autori 1 DEFINIZIONI
DettagliALGEBRA C. MALVENUTO
ALGEBRA CANALE A-L ESAME SECONDA PARTE SECONDO ESONERO 27 GENNAIO 22 C. MALVENUTO Istruzioni. Completare subito la parte inferiore di questa pagina con il proprio nome, cognome e firma. Scrivere solamente
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
DettagliParte 8. Prodotto scalare, teorema spettrale
Parte 8. Prodotto scalare, teorema spettrale A. Savo Appunti del Corso di Geometria 3-4 Indice delle sezioni Prodotto scalare in R n, Basi ortonormali, 4 3 Algoritmo di Gram-Schmidt, 7 4 Matrici ortogonali,
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 17-18, I semestre Settembre 18 Scritto del - 9-18 Cognome Nome Matricola Esercizio 1. Un urna contiene
DettagliCapitolo 3 Matrici. Marco Robutti. Facoltà di ingegneria Università degli studi di Pavia. Anno accademico
Capitolo 3 Matrici Marco Robutti Facoltà di ingegneria Università degli studi di Pavia Anno accademico 2017-2018 Tutorato di geometria e algebra lineare Definizione (Matrice) Una matrice A M R (k, n) è
DettagliStatistica. Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2010/2011 Statistica Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza
Dettagli24 giugno Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...
4 giugno 010 - Soluzione esame di geometria - 1 crediti Ingegneria gestionale - a.a. 009-010 COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore.
Dettagli11 luglio Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliProdotto scalare e matrici < PX,PY >=< X,Y >
Prodotto scalare e matrici Matrici ortogonali Consideriamo in R n il prodotto scalare canonico < X,Y >= X T Y = x 1 y 1 + +x n y n. Ci domandiamo se esistono matrici P che conservino il prodotto scalare,
DettagliESERCIZI DI ALGEBRA LINEARE (D) A = A = A = R 2,2. D5 Dire come bisogna scegliere i parametri h e k affinché la
ESERCIZI DI ALGEBRA LINEARE (D) D1 Nello spazio vettoriale R 2,2 si consideri l insieme { V = X R 2,2 XA = AX, A = ( 1 1 1 2 )} delle matrici che commutano con A. Verifiare che V = L(I 2, A). Verificare
DettagliESERCIZI DI ALGEBRA LINEARE (D) V = 1 2. Verificare che V è un sottospazio e determinarne una base. A =
ESERCIZI DI ALGEBRA LINEARE (D) D1 Nello spazio vettoriale R 2,2 si consideri l insieme V = { X R 2,2 XA = AX, A = ( 1 1 1 2 )} delle matrici che commutano con A. Verifiare che V = L(I 2, A). Verificare
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
DettagliEndomorfismi simmetrici
Endomorfismi simmetrici Endomorfismo simmetrico: Dato uno spazio vettoriale metrico V e un endomorfismo T appartenente a V. L endomorfismo si definisce simmetrico se e solo se (T(v),v2)=(v,T(v2)) per ogni
DettagliAnalisi multivariata per osservazioni appaiate. Analisi multivariata per osservazioni appaiate
Introduzione Notazione Modello additivo Verifica d ipotesi Sia X una variabile q-dimensionale, a valori reali, non degenere, osservata in k tempi diversi (τ 1, τ 2,..., τ k ), sulle stesse n unità statistiche
DettagliCORSO DI MATEMATICA II Prof. Paolo Papi ESERCIZI. 1). Stabilire quali dei seguenti sottoinsiemi di V sono sottospazi vettoriali. (a) V = R 3.
CORSO DI MATEMATICA II Prof Paolo Papi ESERCIZI ) Stabilire quali dei seguenti sottoinsiemi di V sono sottospazi vettoriali (a) V = R 3 () W = {(x,,x 3 ) x,x 3 R} (2) W 2 = {(x,,x 3 ) x,x 3 R} (3) W 3
DettagliVarianza totale e generalizzata Analisi Esplorativa
Varianza totale e generalizzata Analisi Esplorativa Aldo Solari 1 / 49 1 Varianza totale 2 Varianza generalizzata 3 Appendice 2 / 49 Variabilità Nel caso p = 1, la variabilità (o dispersione) presente
Dettagli