|
|
- Arrigo Bello
- 4 anni fa
- Visualizzazioni
Transcript
1 8(+#.%09:;<%:% 8(+#.%0901.)#'2',(3'").%1'%%?"1.55'%1')(?','% % :;=%65>"+'#?'%@(#,A%1'%'1.)#'2',(3'").%BC8%
2 8(+#.%09:;<%;% Gli algoritmi di identificazione MEP si dividono in due grandi categorie: Algoritmi batch: si tratta di algoritmi in cui i dati osservati vengono elaborati tutti insieme e la determinazione del modello viene quindi effettuata una volta acquisiti tutti i dati Algoritmi ricorsivi: si tratta di algoritmi in cui i dati osservati vengono elaborati una alla volta magari contestualmente alla fase di acquisizione nel loro ordine temporale
3 Algoritmo di identificazione dei minimi quadrati batch 8(+#.%09:;<%D% Ricordiamo che il primo passo e` quello di stabilire la famiglia di modelli da utilizzare alla quale poi corrisponde una famiglia di predittori Consideriamo modelli di tipo ARX: per semplicita` d ora in avanti non indichiamo piu`
4 8(+#.%09:;<%E% Applichiamo la teoria della stima ai minimi quadrati. Quindi: E` fondamentale osservare come il predittore abbia una struttura lineare rispetto al vettore dei parametri incogniti
5 8(+#.%09:;<%F% L errore di predizione e`: dove e` la variabile misurata in uscita dal sistema che viene identificato e che viene predetta all istante dal predittore Si considera la funzione di costo quadratica:
6 8(+#.%09:;<%G% Obiettivo del problema delle regressione lineare sara` quindi quello di minimizzare l errore determinando un vettore per cui questo minimo venga raggiunto Si definisce la funzione di costo quadratica Stimatore ai minimi quadrati
7 8(+#.%09:;<%H% Indicando con la componente i-esima del vettore ed osservando che
8 Imponendo 8(+#.%09:;<%I% convertendo l uguaglianza tra vettori riga in un uguaglianza tra vettori colonna si puo` mettere in evidenza il vettore : Equazioni normali dei minimi quadrati (q eqz. in q incognite) Se e` non singolare Formula dei minimi quadrati
9 Verifichiamo che sia un minimo valutando la definitezza della matrice simmetrica 8(+#.%09:;<%J% si ha e`una matrice simmetrica e semidefinita positiva e` un minimo locale di
10 8(+#.%09:;<%:K% Considerando quindi la forma quadratica si hanno i due casi possibili:
11 8(+#.%09:;<%::% Quindi: Se unico minimo globale Se e` uno degli infiniti minimi globali La condizione e` detta condizione di identificabilita`
12 L algoritmo dei MQ e` riferito ai modelli ARX per comodita`. Pero` cio` che conta e` la linearita` nei parametri. Esempio 8(+#.%09:;<%:;% Si supponga che il sistema da identificare sia descritto da un modello XAR: in cui solo il parametro e` incognito. E questo modello ha la struttura di un ARX(1,2):
13 8(+#.%09:;<%:D% Tuttavia identificare il modello di partenza in questo modo e` poco efficiente in quanto: non si usa l informazione per cui. Inoltre i parametri dipendono in realta` da uno solo ed anche questa informazione non viene utilizzata. Infine stimare tre parametri per ottenerne uno non e` efficiente. Riscriviamo il modello cosi`: Ponendo (sono ambedue quantita` note): con ed ora si procede nel modo consueto
14 8(+#.%09:;<%:E% Esempio Si supponga che il sistema da identificare sia descritto da un modello non lineare: in realta`, ponendo si ottiene la struttura lineare ed ora si procede nel modo consueto
15 Analisi asintotica dell algoritmo MQ batch 8(+#.%09:;<%:F% Abbiamo visto che in generale per i metodi MEP sotto opportune ipotesi la stima converge asintoticamente all insieme dei minimi della funzione La funzione del sistema vero si puo` valutare solo conoscendo il modello Supponiamo che significa supporre che esista che: il che, nel nostro caso, (parametrizzazione vera) tale Se e` stabile (zeri di con ) allora la stazionarieta` di e di implica la stazionarieta` di
16 L errore di predizione e`: 8(+#.%09:;<%:G% Ma trasposto da cui: e` uno scalare per cui coincide con il suo Se Se L algoritmo MQ converge q.c. alla parametrizzazione vera Non si e`in condizioni di identificabilita`
17 8(+#.%09:;<%:H% Valutiamo ora la varianza asintotica della stima: non dipende da per grande, la varianza della stima e` Passando alle media empiriche: Attenzione: la vale solo nell ipotesi
18 Procedura operativa di identificazione dei MQ batch 8(+#.%09:;<%:I% Si fissa l ordine del modello ARX da identificare A partire dai dati e si costruisce il vettore Si opera un test di singolarita` sulla matrice Se si calcola Si valuta l incertezza della stima e` una valutazione campionaria di dove Si valuta la bianchezza dell errore di predizione che e`fondamentale per verificare l adeguatezza del modello scelto (complessita` e struttura). il
19 Persistente eccitazione 8(+#.%09:;<%:J% Analizziamo la matrice e per fissare le idee focalizziamo l analisi al caso ARX(1,1): Si noti come gli elementi della matrice siano divergenti per
20 8(+#.%09:;<%;K% Notiamo che e quindi puo` essere invertibile solo se (un solo parametro da stimare). Fissata la complessita` del modello, la numerosita` dei dati deve comunque essere sufficientemente elevata E` conveniente quindi definire
21 Nel caso ARX(1,1) in esame: 8(+#.%09:;<%;:% dove Nel caso generale : dove e cosi` via
22 8(+#.%09:;<%;;% La definitezza positiva di e` quindi la condizione da soddisfare per avere stima unica almeno per un numero di dati sufficientemente elevato Consideriamo il test di Sylvester: una matrice quadrata simmetrica e` definita positiva se e solo se tutti i minori principali sono positivi, ovvero se e solo se
23 Quindi ovvero e` condizione necessaria affinche` sia invertibile 8(+#.%09:;<%;D% In generale, per un generico, si ha: che e` una matrice di Toeplitz (gli elementi sulle diagonali coincidono) e dipende solo da cioe` dalle condizioni sperimentali. Definizione. Il segnale d ingresso di ordine se e` non singolare. e` persistentemente eccitante Condizione necessaria per poter identificare un modello e` che il segnale sia persistentemente eccitante di ordine Nota. Dal test di Sylvester e` evidente che se allora e` p.e. di ordine e` p.e. di ordine
24 8(+#.%09:;<%;E% Problema della identificabilita` coi MQ nel caso di modelli ARX Analizzare l identificabilita` di un certo sistema tramite una data famiglia di modelli significa analizzare la cardinalita` dell insieme In generale: Condizioni sperimentali Struttura famiglia di modelli cardinalita` Nel nostro caso vogliamo analizzare l identificabilita` di un certo sistema tramite una data famiglia di modelli
25 Condizioni sperimentali 8(+#.%09:;<%;F% Anche se non e` detto che (cioe` che contenga un solo elemento). Esempio banale e supponiamo che nelle condizioni sperimentali in cui si opera l identificazione si abbia Evidentemente qualunque scelta di e` ammissibile per cui e` costituito da un infinita` di elementi.
26 Quindi: 8(+#.%09:;<%;G% Se le condizioni sperimentali possono essere progettate bisogna far si` che sia sufficientemente ricco in modo da garantire che contenga un solo elemento). Se per contro non e` possibile progettare le condizioni sperimentali bisogna ridurre la complessita` dei modelli (ovvero il numero di parametri) limitandosi di conseguenza ad identificare solo cio` che e` effettivamente identificabile Nel nostro caso, sufficientemente ricco significa p.e. di ordine Osserviamo che e` p.e. di ordine arbitrario in quanto in questo caso e` una matrice diagonale. Non e` detto peraltro che si tratti necessariamente della scelta migliore. L importante e` costruire segnali con un spettro adatto a sollecitare tutti i modi del sistema.
27 Struttura della famiglia di modelli 8(+#.%09:;<%;H% Supponiamo che ma che la famiglia scelta abbia una complessita` maggiore di quella del sistema Esempio Evidentemente, comunque si costruiscano le condizioni sperimentali, sara` necessariamente costituito da un numero infinito di elementi in quanto puo` essere descritto da un infinita` di modelli appartenenti alla famiglia in cui vi siano fattori in comune. La famiglia non deve essere sovraparametrizzata Nel nostro caso strutturale significa avere non avere identificabilita` singolare nonostante
28 8(+#.%09:;<%;I% Riassumendo e` fattori comuni tra p.e. di ordine senza e La stima converge alla parametrizzazione vera Se p.e. di ordine e la stima non converge anche per alti valori di probabilmente la complessita` del modello va ridotta. Se la stima converge ma l errore di predizione non e` bianco significa che la famiglia di modelli e` inadeguata per cui o si aumenta l ordine dei modelli o se ne cambia la tipologia.
29 Esempio notevole 8(+#.%09:;<%;J% Si supponga che il sistema da identificare sia descritto da un ARMAX(1,1,1): in cui i processi e sono supposti scorrelati. Scegliamo la famiglia di modelli ARX(1,1): ed usiamo l algoritmo MQ per identificare il sistema con un modello ARX. La teoria asintotica assicura la convergenza ad uno dei punti di minimo della funzione
30 8(+#.%09:;<%DK% Ma dipende da e quindi, viste le ipotesi, si ha e quindi Poi
31 Ora, utilizzando l informazione sul sistema vero si ottiene: 8(+#.%09:;<%D:%
32 Pertanto: 8(+#.%09:;<%D;% e quindi l errore di stima del parametro vero, a parita` di, e` inversamente proporzionale al rapporto segnale rumore. Inoltre il valore vero puo` ottenersi solo per o per, e quindi solo nel caso in cui il modello ARMAX e` in realta` ARX. Vediamo l errore di predizione: che non e` bianco, a meno che non sia
8(+#.%0901.)#'2',(3'").%1'%% A"1.55'%1')(A','% :;=%>.#"1'%+',"+?'7'%%
8(+#.%09:;@8% %!"#$%&'($)%&*$%+&,$)-&)(&.&(&)/0-1%-23) (-++&(-),4%$+&(&#"&-.5-)%&*$%+&,-3) (&.&(&)/0-1%-2)4+'4+&3)#%-1&4.'4)+'$*-+2*$)
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`
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,
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
DettagliPROBLEMI SULL IDENTIFICAZIONE COL METODO PEM
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
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
DettagliMetodi computazionali per i Minimi Quadrati
Metodi computazionali per i Minimi Quadrati Come introdotto in precedenza si considera la matrice. A causa di mal condizionamenti ed errori di inversione, si possono avere casi in cui il e quindi S sarebbe
DettagliA =, c d. d = ad cb. c d A =
Geometria e Algebra (II), 271112 1 Definizione D ora innanzi, al posto di dire matrice quadrata di tipo n n o matrice quadrata n n diremo matrice quadrata di ordine n o in breve matrice di ordine n Il
DettagliAppunti su Indipendenza Lineare di Vettori
Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo
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
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
DettagliControllo Adattativo
Corso di Robotica 2 Controllo Adattativo Prof. Alessandro De Luca A. De Luca Motivazioni e approccio necessità dell adattamento nella legge di controllo incertezza sui parametri dinamici del robot scarsa
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
Dettagli7.9 Il caso vincolato: vincoli di disuguaglianza
7.9 Il caso vincolato: vincoli di disuguaglianza Il problema con vincoli di disuguaglianza: g i (x) 0, i = 1,..., p, (51) o, in forma vettoriale: g(x) 0, può essere trattato basandosi largamente su quanto
DettagliCorso di Geometria BIAR, BSIR Esercizi 2: soluzioni
Corso di Geometria 2- BIAR, BSIR Esercizi 2: soluzioni Esercizio Calcolare il determinante della matrice 2 3 : 3 2 a) con lo sviluppo lungo la prima riga, b) con lo sviluppo lungo la terza colonna, c)
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
DettagliNote sull algoritmo di Gauss
Note sull algoritmo di Gauss 29 settembre 2009 Generalità Un sistema lineare di m equazioni in n incognite x,..., x n è un espressione del tipo: a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n
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
DettagliParte 3, 1. Stabilità. Prof. Thomas Parisini. Fondamenti di Automatica
Parte 3, 1 Stabilità Parte 3, 2 Stabilità: - del movimento (vedere libro ma non compreso nel programma) - dell equilibrio - del sistema (solo sistemi lineari) Analizzeremo separatamente sistemi a tempo
DettagliStabilità: Stabilità. Stabilità: il caso dei sistemi dinamici a tempo continuo. Stabilità dell equilibrio
Parte 3, 1 Parte 3, 2 Stabilità: - del movimento (vedere libro ma non compreso nel programma) Stabilità - dell equilibrio - del sistema (solo sistemi lineari) Analizzeremo separatamente sistemi a tempo
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
DettagliStabilità per i sistemi dinamici a tempo discreto
Parte 3, 1 Stabilità per i sistemi dinamici a tempo discreto Parte 3, 2 Stabilità: Le definizioni delle proprietà di stabilità per i sistemi dinamici a tempo discreto sono analoghe a quelle viste per i
DettagliLeLing12: Ancora sui determinanti.
LeLing2: Ancora sui determinanti. Ārgomenti svolti: Sviluppi di Laplace. Prodotto vettoriale e generalizzazioni. Rango e determinante: i minori. Il polinomio caratteristico. Ēsercizi consigliati: Geoling
DettagliMovimento dello stato nei sistemi lineari
Parte 2, 1 Movimento dello stato nei sistemi lineari Parte 2, 2 Soluzione generale nel caso a tempo continuo Si consideri un sistema dinamico lineare libero (senza ingresso) Parte 2, 3 In generale abbiamo
DettagliCorso 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
DettagliAlgebra delle matrici
Algebra delle matrici Metodo di Gauss-Jordan per l inversione di una matrice. Nella lezione scorsa abbiamo visto che un modo per determinare l eventuale inversa di una matrice quadrata A consiste nel risolvere
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
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
DettagliMatematica per Analisi dei Dati,
Matematica per Analisi dei Dati, 230209 1 Spazio vettoriale R n Sia n un intero positivo fissato Lo spazio vettoriale R n e l insieme delle n ple ordinate di numeri reali, che rappresenteremo sempre come
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dott.ssa M.C. De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Risoluzione di Equazioni non lineari Sia
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
DettagliIl metodo delle osservazioni indirette
Il metodo delle osservazioni indirette Teoria della stima ai minimi quadrati Il criterio di massima verosimiglianza Sia data una grandezza η e si abbiano n osservazioni indipendenti l i (i=1,...,n) di
DettagliLEZIONE 3. a + b + 2c + e = 1 b + d + g = 0 3b + f + 3g = 2. a b c d e f g
LEZIONE 3 3.. Matrici fortemente ridotte per righe. Nella precedente lezione abbiamo introdotto la nozione di soluzione di un sistema di equazioni lineari. In questa lezione ci poniamo il problema di descrivere
DettagliNOTE DI ALGEBRA LINEARE v = a 1 v a n v n, w = b 1 v b n v n
NOTE DI ALGEBRA LINEARE 2- MM 9 NOVEMBRE 2 Combinazioni lineari e generatori Sia K un campo e V uno spazio vettoriale su K Siano v,, v n vettori in V Definizione Un vettore v V si dice combinazione lineare
DettagliESAME DI GEOMETRIA E ALGEBRA INGEGNERIA INFORMATICA (PROF. ACCASCINA) PROVA SCRITTA DEL 4 LUGLIO 2000 Tempo assegnato: 2 ore e 30 minuti
ESAME DI GEOMETRIA E ALGEBRA INGEGNERIA INFORMATICA (PROF ACCASCINA) PROVA SCRITTA DEL 4 LUGLIO 000 Tempo assegnato: ore e 30 minuti PRIMO ESERCIZIO [7 punti] 1 Dimostrare che, per ogni naturale n, ciascuna
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
DettagliSistemi II. Sistemi II. Elisabetta Colombo
Corso di Approfondimenti di Matematica per Biotecnologie, Anno Accademico 2011-2012, http://users.mat.unimi.it/users/colombo/programmabio.html 1 2 3 con R.C.+ o 1.10 Rango massimo e determinante con R.C.+
Dettagli62 CAPITOLO 3. STATISTICA DESCRITTIVA
62 CAPITOLO 3. STATISTICA DESCRITTIVA Raccogliamo su una popolazione di n individui i dati relativi a m caratteri (variabili) e riportiamoli in una matrice, dove le righe (n) sono relative ad individui
Dettagli, è Det(A) = a 11 a 22 a 12 a 21. ( il determinante della matrice che si ottiene da A. la 1 a riga e la 2 a colonna di A
G Parmeggiani, 2/12/2013 Algebra Lineare 1 A, corso di laurea SGI, aa 2013/2014 Nota 4: Calcolo di determinanti Sia A una matrice quadrata di ordine n Il determinante di A è un numero che dipende da A
DettagliMatematica II
Matematica II 29..0. Somma di due matrici. Siano m ed n due interi positivi fissati. Date due matrici A, B R m n di tipo m n, sommando a ciascun elemento di A il corrispondente elemento di B, si ottiene
DettagliEquivalentemente, le colonne di A sono linearmente indipendenti se e solo se
Lezioni di Algebra Lineare. Versione novembre 2008 VI. Il determinante Il determinante det A di una matrice A, reale e quadrata, è un numero reale associato ad A. Dunque det è una funzione dall insieme
DettagliSerie di Fourier. Tra queste funzioni definiamo un prodotto scalare nel seguente modo: date f, g V poniamo f (x) g (x) dx. f (x) [g (x) + h (x)] dx
Serie di Fourier Indichiamo con V l insieme delle funzioni f : R R che siano periodiche di periodo π, si abbia cioè f ( + π) = f (), e che risultino integrabili nell intervallo [, π]. Tra queste funzioni
DettagliDiagonalizzazione di matrici: autovalori, autovettori e costruzione della matrice diagonalizzante 1 / 13
Diagonalizzazione di matrici: autovalori, autovettori e costruzione della matrice diagonalizzante 1 / 13 Matrici diagonali 2 / 13 Ricordiamo che una matrice quadrata si dice matrice diagonale se a ij =
DettagliFattorizzazione QR e matrici di Householder
Fattorizzazione QR e matrici di Householder ottobre 009 In questa nota considereremo un tipo di fattorizzazione che esiste sempre nel caso di matrici quadrate non singolari ad entrate reali. Definizione
DettagliPossiamo scrivere le tre precedenti espressioni in un'unica equazione matriciale:
A1. Considerazioni sul cambio di un sistema di riferimento cartesiano ortogonale Sia xyz un sistema di riferimento cartesiano ortogonale di origine O e di riferimento cartesiano pure di origine O. un secondo
DettagliTOPOGRAFIA 2013/2014. Prof. Francesco-Gaspare Caputo
TOPOGRAFIA 2013/2014 L operazione di misura di una grandezza produce un numero reale che esprime il rapporto della grandezza stessa rispetto a un altra, a essa omogenea, assunta come unità di misura. L
DettagliG. Parmeggiani, 17/5/2018 Algebra Lineare, a.a. 2017/2018, numero di MATRICOLA PARI
G Parmeggiani, 17/5/2018 Algebra Lineare, aa 2017/2018, Scuola di Scienze - Corsi di laurea: Studenti: Statistica per l economia e l impresa Statistica per le tecnologie e le scienze numero di MATRICOLA
DettagliIDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 20: Stima puntuale. Stimatore lineare a MEQM. Esempi. Motivazioni
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 20: Stima puntuale Motivazioni Stima puntuale Indice di qualitá della stima Stimatore a MEQM Stimatore lineare a MEQM Il caso gaussiano Esempi 20-1
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
DettagliCORSO DI GEOMETRIA DETERMINANTE A.A. 2018/2019 PROF. VALENTINA BEORCHIA
CORSO DI GEOMETRIA DETERMINANTE AA 2018/2019 PROF VALENTINA BEORCHIA INDICE 1 Definizione induttiva di determinante 1 2 Caratterizzazione delle matrici quadrate di rango massimo 5 3 Regole di Laplace 6
DettagliANALISI DI SERIE TEMPORALI CAOTICHE (1)
ANALISI DI SERIE TEMPORALI CAOTICHE (1) Problematiche Ricostruzione dello stato Dimensione di embedding C. Piccardi e F. Dercole Politecnico di Milano ver. 28/12/2009 1/15 Per studiare e comprendere appieno
Dettagli! X (92) X n. P ( X n X ) =0 (94)
Convergenza in robabilità Definizione 2 Data una successione X 1,X 2,...,X n,... di numeri aleatori e un numero aleatorio X diremo che X n tende in probabilità a X escriveremo X n! X (92) se fissati comunque
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
DettagliRiassumiamo le proprietà dei numeri reali da noi utilizzate nel corso di Geometria.
Capitolo 2 Campi 2.1 Introduzione Studiamo ora i campi. Essi sono una generalizzazione dell insieme R dei numeri reali con le operazioni di addizione e di moltiplicazione. Nel secondo paragrafo ricordiamo
DettagliAnalisi Matematica 2
Analisi Matematica Appunti delle lezioni tenute dal Prof. A. Fonda Università di Trieste CdL Matematica a.a. 07/08 La derivata direzionale In questa sezione E sarà un sottoinsieme aperto di R N x 0 un
DettagliEquazioni differenziali Problema di Cauchy
Equazioni differenziali Problema di Cauch Primo esempio - Risolvere l equazione '( ) = g( ) con g( ) :[ a, b] R continua Teor. fondamentale del calcolo integrale ( ) = + g ( t )dt Primo esempio - Osserviamo
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
DettagliIl problema della migliore approssimazione. Teorema 3.2 Il problema 3.1 ammette sempre almeno una soluzione.
3. Spazi di Hilbert Wir müssen wissen. Wir werden wissen. Noi abbiamo il dovere di conoscere. Alla fine conosceremo.) David Hilbert 1862-1943) Il problema della migliore approssimazione Problema 3.1 Migliore
Dettagli3 Soluzione di sistemi lineari
3 Soluzione di sistemi lineari Prima di addentrarci nello studio dei metodi numerici, è doveroso introdurre le matrici e alcune strutture particolari di matrici nonchè alcuni concetti fondamentali quali
DettagliRango di una matrice e teorema di Rouché-Capelli
Rango di una matrice e teorema di Rouché-Capelli Sappiamo che a una matrice m n, A, è associata l applicazione lineare L A : R n R m, L A (X) = AX, X R n. Definizione 1. Lo spazio nullo di A, N (A), è
DettagliIl metodo dei minimi quadrati
Il metodo dei minimi quadrati 1 Posizione del problema Introduciamo la problematica con un semplice esempio pratico. Supponiamo di avere a disposizione una certa quantità x di oggetti tutti uguali tra
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
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
DettagliArgomenti trattati nella settimana novembre Il libro cui faccio riferimento, se non specificato altrimenti, è Lang, Algebra lineare
Argomenti trattati nella settimana 23-27 novembre 2009 Il libro cui faccio riferimento, se non specificato altrimenti, è Lang, Algebra lineare 1 Sistemi lineari; 2 applicazioni lineari; Sistemi lineari;
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
DettagliCalcolo Numerico con elementi di programmazione
Calcolo Numerico con elementi di programmazione (A.A. 2014-2015) Appunti delle lezioni sui metodi numerici per la soluzione di sistemi lineari Metodi Iterativi la soluzione si ottiene tramite approssimazioni
DettagliESERCITAZIONI DI INTRODUZIONE AGLI ALGORITMI (A.A. 08/09)
ESERCITAZIONI DI INTRODUZIONE AGLI ALGORITMI (A.A. 08/09) DISPENSA N. 4 1. Ricerca Binaria Ricorsiva L algoritmo Ricerca Binaria risolve il problema della ricerca di una chiave in un vettore. È un esempio
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
DettagliCorso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof. Fabio Perroni. 5. Rango
Corso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof Fabio Perroni 5 Rango Definizione 1 Sia A M m,n (K) una matrice m n a coefficienti nel campo K Il rango
DettagliCapitolo 4: CAMBIAMENTO DI SISTEMA DI UNITÀ
Capitolo 4: CAMBIAMENTO DI SISTEMA DI UNITÀ 4.1 Grandezze fondamentali e derivate Come abbiamo già osservato la scelta di un Sistema di unità di misura è largamente arbitraria e dettata in gran parte da
DettagliSPAZI VETTORIALI CON PRODOTTO SCALARE A =
SPAZI VETTORIALI CON PRODOTTO SCALARE Esercizi Esercizio. Nello spazio euclideo standard (R 2,, ) sia data la matrice 2 3 A = 3 2 () Determinare una base rispetto alla quale A sia la matrice di un endomorfismo
Dettaglix1 + 2x 2 + 3x 3 = 0 nelle tre incognite x 1, x 2, x 3. Possiamo risolvere l equazione ricavando l incognita x 1 x 1 = 2x 2 3x 3 2r 1 3r 2 x 2 x 3
Matematica II -..9 Spazio delle soluzioni di un sistema lineare omogeneo.. Consideriamo l equazione lineare omogenea nelle tre incognite x, x, x 3. x + x + 3x 3 = Possiamo risolvere l equazione ricavando
Dettagliv w u O Osserviamo che tale segmento ha la stessa lunghezza del vettore w tale che u+w = v cioe del vettore w = v u. Cosi si ha
Matematica II, 708 Nel piano sia fissata una unita di misura Dati nel piano due vettori u, v applicati in uno stesso punto O, col termine distanza fra u e v intendiamo e col simbolo d(u, v) indichiamo
DettagliLezione Risoluzione di sistemi
Lezione Risoluzione di sistemi Sia AX = B un sistema di equazioni lineari, con la sua matrice completa associate (A B) Per la Proposizione sappiamo di poter trasformare con operazioni elementari di riga
DettagliRichiami di inferenza statistica. Strumenti quantitativi per la gestione. Emanuele Taufer
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Inferenza statistica: insieme di tecniche che si utilizzano per ottenere informazioni su una
DettagliAlgebra Lineare. a.a Gruppo A-H. Prof. P. Piazza Soluzioni del compito pomeridiano del 6/12/2004
Algebra Lineare. a.a. 004-05. Gruppo A-H. Prof. P. Piazza Soluzioni del compito pomeridiano del 6/1/004 Esercizio 1. Siano V e W due spazi vettoriali e sia F : V W un isomorfismo (quindi F è lineare e
DettagliRichiami di inferenza statistica Strumenti quantitativi per la gestione
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Parametri e statistiche Esempi Tecniche di inferenza Stima Precisione delle stime Intervalli
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
DettagliForme bilineari simmetriche
Forme bilineari simmetriche Qui il campo dei coefficienti è sempre R Definizione 1 Sia V uno spazio vettoriale Una forma bilineare su V è una funzione b: V V R tale che v 1, v 2, v 3 V b(v 1 + v 2, v 3
DettagliTEORIA DEI SISTEMI e IDENTIFICAZIONE DEI MODELLI (IMC - 12 CFU) COMPITO DI TEORIA DEI SISTEMI 20 Giugno A.A
TEORIA DEI SISTEMI e IDENTIFICAZIONE DEI MODELLI (IMC - CFU) COMPITO DI TEORIA DEI SISTEMI Giugno - A.A. - Esercizio. Si consideri il sistema a tempo continuo descritto dalle seguenti equazioni: x(t +
Dettagli{Geometria per [Fisica e (Fisica e Astrofisica)]}
{Geometria per [Fisica e (Fisica e Astrofisica)]} Foglio 9 - Soluzioni Esercizio (facoltativo) Un quadrato magico reale di ordine n è una matrice di M n n (R) tale che sommando gli elementi di ogni sua
DettagliCorso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof. Fabio Perroni 2. MATRICI
Corso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof Fabio Perroni 2 MATRICI Siano m, n N \ {0}, sia K un campo Una matrice m n a coefficienti in K è una
DettagliElementi di Teoria dei Sistemi
Parte 2, 1 Elementi di Teoria dei Sistemi Parte 2, 2 Definizione di sistema dinamico Parte 2, 3 Sistema dinamico a tempo continuo Ingresso Uscita Parte 2, 4 Cosa significa Dinamico?? e` univocamente determinata?
DettagliAlgoritmo di stima minimi quadrati ricorsivi per sistemi con ingressi e uscite vettoriali
Algoritmo di stima minimi quadrati ricorsivi per sistemi con ingressi e uscite vettoriali Lorenzo Magliocchetti Arrigo Marchiori Michele Marino Ottobre 2006 Sommario Lo scopo di questo documento è ricavare
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
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
DettagliLEZIONE i i 3
LEZIONE 5 51 Determinanti In questo lezione affronteremo da un punto di vista prettamente operativo la nozione di determinante, descrivendone le proprietà ed i metodi di calcolo, senza entrare nei dettagli
DettagliLEZIONE i 0 3 Le sottomatrici 2 2 di A sono. 1 2 i i 3. Invece (
LEZIONE 6 6 Determinanti In questa lezione affronteremo da un punto di vista prettamente operativo la nozione di determinante, descrivendone le proprietà ed i metodi di calcolo, senza entrare nei dettagli
Dettagli5.4.5 Struttura dell algoritmo ed esempi
CAPITOLO 5. IL METODO DEL SIMPLESSO 6 5.4.5 Struttura dell algoritmo ed esempi Come abbiamo già ampiamente osservato, la fase II del metodo del simplesso, a partire da una soluzione di base ammissibile,
DettagliSistemi lineari. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Sistemi lineari Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)
DettagliSoluzioni. Foglio 1. Rette e piani. n x + c = 0. (1)
Soluzioni Foglio 1. Rette e piani. Esercizio 1. Se n è la normale al piano, sia c = n x 0. Dimostriamo prima che se x π, allora x soddisfa Si ha Sostituendo dentro (1) si ottiene n x + c = 0. (1) x = x
DettagliAnno 4 Matrice inversa
Anno 4 Matrice inversa 1 Introduzione In questa lezione parleremo della matrice inversa di una matrice quadrata: definizione metodo per individuarla Al termine della lezione sarai in grado di: descrivere
Dettagli= elemento che compare nella seconda riga e quinta colonna = -4 In generale una matrice A di m righe e n colonne si denota con
Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti su m righe e n colonne. I numeri che compaiono nella tabella si dicono elementi della matrice. La loro individuazione
DettagliElementi di Teoria dei Sistemi. Definizione di sistema dinamico. Cosa significa Dinamico? Sistema dinamico a tempo continuo
Parte 2, 1 Parte 2, 2 Elementi di Teoria dei Sistemi Definizione di sistema dinamico Parte 2, 3 Sistema dinamico a tempo continuo Cosa significa Dinamico? Parte 2, 4? e` univocamente determinata? Ingresso
DettagliNozioni e Richiami di Algebra Lineare
Nozioni e Richiami di Algebra Lineare Chiara Giusy Genovese Università di Bologna Scuola di Economia, Management e Statistica CLAMEP Statistica per l analisi dei dati 11 Novembre 2014 Indice Introduzione
DettagliCristian Secchi Pag. 1
CONTROLLO DI SISTEMI ROBOTICI Laurea Specialistica in Ingegneria Meccatronica CONTROLLO DI SISTEMI ROBOTICI STABILITA NEI SISTEMI LTI Ing. Tel. 0522 522235 e-mail: secchi.cristian@unimore.it http://www.dismi.unimo.it/members/csecchi
DettagliUniversità degli Studi di Roma La Sapienza
Università degli Studi di Roma La Sapienza Dipartimento di Informatica e Sistemistica A. Ruberti Proff. Gianni Di Pillo and Laura Palagi Note per il corso di OTTIMIZZAZIONE (a.a. 2007-08) Dipartimento
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