Processi stocastici. variabile casuale: funzione da uno spazio campione S a valori nello spazio E R X(t) : S E. spazio degli stati del processo
|
|
- Adelina Nardi
- 8 anni fa
- Visualizzazioni
Transcript
1 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 campione S a valori nello spazio E R X(t) : S E p. s.: famiglia di funzioni {X(t, s) t T, s S} X(t, s) fissato s=s 0 realizzazione del p.s. fissato t=t 0 è una v.c. E spazio degli stati del processo classificazione dei p.s. * spazio degli stati E * indice tempo t T * dipendenza stocastica fra v.c. E discreto (catena) continuo T discreto (finito o numerabile) {Xn n T} continuo {X(t) t T} dipendenza stocastica stazionarietà in senso forte in senso debole forme particolari: processi di Markov processi di rinnovamento S. Balsamo Mod 3.1
2 funzione di distribuzione di probabilità congiunta per le v.c. X=[X(t1),X(t2),...,X(tn)] FX (x;t) = Prob{ X(t1) x1 ; X(t2) x2 ;...; X(tn) xn} x=[x1,x2,...,xn] t=[t1,t2,...,tn] 1 i n, n 1 xi E ti Tt1<t2<...<tn processo stocastico stazionario in senso stretto se FX (x;t+τ) =FX (x;t) t+τ=[t1+τ,t2+τ,...,tn+τ], e x, t, n, τ distribuzione invariante rispetto ad uno spostamento del tempo processo stocastico stazionario in senso largo se E [X(t)] =E [X(t+τ)] Var [X(t)] =Var [X(t+τ)] Cov [X(t1), X(t1+τ)] =Cov [X(t2), X(t2+τ)] t, t1,t2,τ media e varianza costante covarianza dipendente dalla sola distanza processo stocastico di rinnovamento {Xn n=1,2,...} tempo discreto se le v.c. X1, X2,... sono a valori non negativi e indipendenti ed identicamente distribuite (i.i.d.) punti di rigenerazione: repliche probabilistiche ciclo di rigenerazione S. Balsamo Mod 3.2
3 Processi stocastici di Markov {Xn n=1,2,...} tempo discreto la probabilità al tempo n+1 dipende soltanto dallo stato al tempo attuale (n) e non dalla storia precedente Prob{Xn+1=j Xo=io;X1=i1;...;Xn=in}=Prob{Xn+1=j Xn=in} n>0, j, i0, i1,..., in E {X(t) t T} tempo continuo Prob{X(t)=j X(to) = io;x(t1) = i1;...;x(tn) = in}=prob{x(t)=j X(tn) = in} to,t1,...,tn,t : to<t1<...<tn<t, n>0, j, i0, i1,..., in E distribuzione del tempo di permanenza in uno stato p.s.di M. a tempodiscreto geometrica continuo esponenziale proprietà di assenza di memoria indotta dal p.s. di M. se la distribuzione del tempo di permanenza in uno stato è generale, si ha un processo semi-markoviano in tal caso il processo che osserva il sistema soltanto ai tempi in cui avvengono le transizioni fra stati è ancora un processo di Markov, detto immerso (embedded) S. Balsamo Mod 3.3
4 CATENA di Markov: p.s. di Markov su spazio discreto Catena di Markov a tempo discreto {Xn n=1,2,...} E spazio degli stati n>0, i,j E tempo discreto Prob{Xn+1=j Xn=i} consideriamo c. di M. omogenee catena di Markov omogenea se le probabilità sono indipendenti da n Prob{Xn+1=j Xn=i}=pij n matrice delle probabilità di transizione P = [pij] i,j E pij [0,1], Σj pij =1, i,j E rappresentazione: diagramma degli stati: grafo orientato nodi stati archi transizioni etichette su archi probabilità di transizione Es. E={1,2,3,4,5} S. Balsamo Mod 3.4
5 Catene di Markov a tempo discreto: soluzione transiente probabilità di transizione da i a j in m passi pij (m) = Prob{Xn+m=j Xn=i} m>0, i,j E matrice delle probabilità di transizione in m passi P(m) = [pij (m) ] i,j E da i a k in m-1 passi e da k a j in un passo eventi indipendenti (p. di Markov) pij (m) = Σ k E pik (m-1) pkj m > 1 equazione di Chapman-Kolmogorov in forma matriciale P(m) = P P(m-1) P(m)=Pm πj(n) = Prob{Xn= j} π(n) = [ π0(n) π1(n) π2(n)...] vettore delle probabilità di stato al tempo n nota π(0) π (n) = π (0) P(n) π (n) = π(0) Pn π(n) = π (n-1) P n>0 S. Balsamo Mod 3.5
6 Catene di Markov a tempo discreto: soluzione stazionaria classificazione degli stati del processo stato i assorbente se non si può abbandonare: pii=1 ricorrente se il processo certamente vi torna: m>0 : pii (m) =1 ric. nullo tempo medio di ricorrenza ric. non-nullo finito transiente se il processo non necessariamante vi torna: m>0 pii (m) <1 periodico se il processo torna ad i in istanti multipli di γ, detto periodo: pii (m) =1, m=kγ, k>0 sottoinsieme di stati E E chiuso se non esistono transizioni verso l esterno pij=0 i E j E-E catena di Markov riducibilese E contiene sottoinsiemi propri chiusi E E : E chiuso irriducibile se ogni stato può essere raggiunto da ogni altro stato m>0 : pij (m) =1 i,j E ergodica se irriducibile e formata da stati aperiodici e ricorrenti non nulli se E finito: non tutti gli stati sono transienti nessuno è ricorrente nullo c. di M. irriducibile e finita: tutti gli stati sono ricorrenti non-nulli S. Balsamo Mod 3.6
7 Teorema In una catena di Markov irriducibile tutti gli stati sono o transienti, o ricorrenti nulli o ricorrenti non-nulli; se periodici hanno tutti lo stesso periodo. πj = lim n π j(n) = Prob{X= j} probabilità stazionaria di stato π = [ π0 π1 π2...] j E Teorema In una catena di Markov irriducibile aperiodica e omogenea esiste π ed è indipendente dallo stato iniziale; se gli stati sono transienti o ricorrenti nulli πj = 0, j E se gli stati sono ricorrenti non-nulli πj = Σ i E πi pij j E Σ i E πi = 1 in forma matriciale π = π P con π 1 T = 1 nota: la soluzione transiente per n π(n) = π (n-1) P π = π P S. Balsamo Mod 3.7
8 Catene di Markov a tempo continuo {X(t) t T} E spazio degli stati n>0, tn,t n+1: tn<tn+1, i,j E Prob{X(tn+1) =j X(tn) = i} c. di Markov omogenea se le probabilità dipendono solo da =t n+1-tn e sono indipendenti da n Prob{X(tn+1) =j X(tn) = i}= pij( ) n matrice P( ) = [pij( )] matrice delle velocità di transizione Q = lim 0 (P( ) -I) / Q = [qij] i,j E qij = lim 0 p ij( ) / qii = lim 0 (p ij( ) -1) / i j qij Ro +, Σj qij =0, i,j E velocità di transizione qij tasso uscente dallo stato i verso lo stato j qii tasso uscente dallo stato i diagramma degli stati nodi stati archi transizioni etichette su archi velocità di transizione solitamente non si indica l arco (i,i) S. Balsamo Mod 3.8
9 Catene di Markov a tempo continuo: soluzione stazionaria Teorema In una catena di Markov irriducibile aperiodica e omogenea esiste π ed è indipendente dallo stato iniziale; se gli stati sono transienti o ricorrenti nulli πj = 0, j E se gli stati sono ricorrenti non-nulli Σ i E πi qij = 0 j E Σ i E πi = 1 in forma matriciale π Q = 0 con π 1 T = 1 sistema delle equazioni di blianciamento globale flusso entrante nello stato = flusso uscente dallo stato S. Balsamo Mod 3.9
10 Catene di Markov a tempo continuo: soluzione transiente πj(t) = Prob{X(t)= j} π(t) = [ π0(t) π1(t) π2(t)...] vettore delle probabilità di stato al tempo t>0 P( ) matrice delle velocità di transizione in equazione di Chapman-Kolmogorov πi(t+ ) = Σ j E πj(t) pji( ) in forma matriciale π(t+ ) = π(t) P( ) da cui π(t+ ) - π(t) = π(t) (P( ) - I) lim 0 [(π(t+ ) - π(t))/ ] = lim 0 [π(t) (P( ) - I)/ ] d π(t) / dt = π(t) Q sistema di equazioni differenziali ordinarie soluzione π(t) = π(0) eqt fissato π(0) e t>0 eqt = I + Qt + (Qt)2 / 2! + (Qt)3 / 3! + computazionalmente complessa S. Balsamo Mod 3.10
Capitolo 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
DettagliMetodi Computazionali
Metodi Computazionali Elisabetta Fersini fersini@disco.unimib.it A.A. 2009/2010 Catene di Markov Applicazioni: Fisica dinamica dei sistemi Web simulazione del comportamento utente Biologia evoluzione delle
DettagliLe catene di Markov come metodologia utilizzata dai motori di ricerca per classificare le pagine web su internet.
Università degli Studi di Palermo Facoltà di Economia Dipartimento di Scienze Statistiche e Matematiche S. Vianelli Dottorato di Ricerca in Statistica e Finanza Quantitativa - XXI Ciclo Sergio Salvino
DettagliLezione n. 2 (a cura di Chiara Rossi)
Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,
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
DettagliModelli stocastici a valori discreti
Modelli stocastici a valori discreti Note del corso di CP per la L.M. in Informatica A.Calzolari 1 Indice 1 Catene di Markov a tempo discreto 4 1.1 Richiami sull indipendenza stocastica per eventi e variabili
DettagliTesina: Catene di Markov in tempo discreto e Hidden Markov Models. Loris Bazzani, Diego Tosato e Davide Fasoli
Tesina: Catene di Markov in tempo discreto e Hidden Markov Models Loris Bazzani, Diego Tosato e Davide Fasoli 3 maggio 7 Indice 1 Catena di Markov in tempo discreto 1.1 Catene di Markov..........................
DettagliUniversità di Roma Tor Vergata Corso di Teoria dei Fenomeni Aleatori, AA 2012/13. Catene di Markov
Catene di Markov SISTEMI CASUALI DINAMICI (PROCESSI) - UN ESEMPIO: I GUASTI Frequenza dei guasti: N GUASTI 0 T N T 0 T! Catene di Markov SISTEMI CASUALI DINAMICI (PROCESSI) - UN ESEMPIO: I GUASTI Campionando
DettagliProcessi. Giuseppe Sanfilippo. 27 febbraio 2006. 1 Catene di Markov a tempo discreto DTMC
Processi Giuseppe Sanfilippo 27 febbraio 2006 1 Catene di Markov a tempo discreto DTMC 11 Introduzione ed esempi DTCM (vedi [3]) Sia {X n, n = 0, 1, 2, } un processo stocastico a parametro discreto e a
DettagliPrelazione. Lista delle Figure. Lista delle Tabelle
Indice Prelazione Indice Lista delle Figure Lista delle Tabelle VI IX XV XVI 1 Nozioni Introduttive 1 1.1 Inferenza Statistica 1 1.2 Campionamento 5 1.3 Statistica e Probabilità 7 1.4 Alcuni Problemi e
DettagliCapitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano
Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S
DettagliMacchine a stati finiti G. MARSELLA UNIVERSITÀ DEL SALENTO
Macchine a stati finiti 1 G. MARSELLA UNIVERSITÀ DEL SALENTO Introduzione Al più alto livello di astrazione il progetto logico impiega un modello, la cosiddetta macchina a stati finiti, per descrivere
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliAnalisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri
DettagliAppendice B: Reti di code
Appendice B: Reti di code B. INTRODUZIONE ALLE RETI DI CODE B.. Generalità La trattazione della teoria delle code effettuata fino ad ora ha sempre considerato singoli sistemi a coda. Tuttavia, molto spesso
DettagliVARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che
VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile
DettagliComputazione per l interazione naturale: Modelli dinamici
Computazione per l interazione naturale: Modelli dinamici Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html
DettagliIndice I INTRODUZIONE E RICHIAMI 1
vii Indice I INTRODUZIONE E RICHIAMI 1 1 Introduzione 3 1.1 La dependability.......................... 4 1.1.1 Le Minacce: guasti, errori e fallimenti.......... 5 1.1.2 Gli attributi della dependability.............
Dettagli3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Scopo: Stimare l onere computazionale per risolvere problemi di ottimizzazione e di altra natura
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici
DettagliCPM - PERT CPM - PERT. Rappresentazione di un progetto. Gestione di un progetto. Critical Path Method Project Evaluation and Review Technique
CPM - PERT CPM - PERT CPM e PERT sono metodologie per la gestione di progetti composti da più attività in cui esistano relazioni di precedenza. Critical Path Method Project Evaluation and Review Technique
DettagliLuigi Piroddi piroddi@elet.polimi.it
Automazione industriale dispense del corso 10. Reti di Petri: analisi strutturale Luigi Piroddi piroddi@elet.polimi.it Analisi strutturale Un alternativa all analisi esaustiva basata sul grafo di raggiungibilità,
DettagliAnalisi Matematica II, Anno Accademico 2014-2015. Ingegneria Edile, Civile, Ambientale Paolo Acquistapace, Laura Cremaschi, Vincenzo M.
Analisi Matematica II, Anno Accademico 2014-2015. Ingegneria Edile, Civile, Ambientale Paolo Acquistapace, Laura Cremaschi, Vincenzo M. Tortorelli APPUNTI Lezione del 20 Novembre 2014. ORIENTABILITA Definzione
DettagliBOZZA NON DEFINITIVA. Indice
Indice 1 Introduzione... 1 1.1 Unpo distoria:glialbori... 1 1.1.1 La probabilitàcomefrequenza... 2 1.1.2 La probabilitàclassica... 2 1.1.3 IlparadossodiBertrand... 5 1.2 La teoria della probabilità diventa
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliIl rischio di un portafoglio
Come si combinano in un portafoglio i rischi di 2 titoli? dipende dai pesi e dal valore delle covarianze covarianza a a ρ a b ρ a b ρ b b ρ coefficiente di correlazione = cov / ² p = a² ² + b² ² + 2 a
DettagliMATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010
elementi di teoria dei grafi anno acc. 2009/2010 Grafi semplici Un grafo semplice G è una coppia ordinata (V(G), L(G)), ove V(G) è un insieme finito e non vuoto di elementi detti vertici o nodi di G, mentre
DettagliTecniche di analisi multivariata
Tecniche di analisi multivariata Metodi che fanno riferimento ad un modello distributivo assunto per le osservazioni e alla base degli sviluppi inferenziali - tecniche collegate allo studio della dipendenza
DettagliCorrezione dell Esame di Statistica Descrittiva (Mod. B) 1 Appello - 28 Marzo 2007 Facoltà di Astronomia
Correzione dell Esame di Statistica Descrittiva (Mod. B) 1 Appello - 8 Marzo 007 Facoltà di Astronomia ESERCIZIO 1 La seguente tabella riporta la distribuzione congiunta della situazione lavorativa e dello
Dettagli1. Exponential smoothing. Metodi quantitativi per i mercati finanziari. Capitolo 5 Analisi dei prezzi. Consideriamo la media mobile esponenziale
1. Exponential smoothing Consideriamo la media mobile esponenziale Metodi quantitativi per i mercati finanziari XMA t = (1 α)xma t 1 + αp t come previsione del prezzo al tempo T + 1 sulla base dell insieme
DettagliProbabilità II Variabili casuali discrete
Probabilità II Variabili casuali discrete Definizioni principali. Valore atteso e Varianza. Teorema di Bienaymé - Čebičev. V.C. Notevoli: Bernoulli e Binomiale. Concetto di variabile casuale Cos'è una
Dettagli1. Richiami di Statistica. Stefano Di Colli
1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche
DettagliDimensionamento dei lotti di produzione: il caso con variabilità nota
Dimensionamento dei lotti di produzione: il caso con variabilità nota A. Agnetis In questi appunti studieremo alcuni modelli per il problema del lot sizing, vale a dire il problema di programmare la dimensione
Dettaglimetodi matematici per l ingegneria prove scritte d esame 1 Indice
metodi matematici per l ingegneria prove scritte d esame Indice. Novembre 4 - Prova in itinere. Luglio 5.. Febbraio 6 4 4. Giugno 6. 5 5. Luglio 6 6 . Novembre 4 - Prova in itinere Esercizio. Una scatola
DettagliMacchine a stati finiti. Sommario. Sommario. M. Favalli. 5th June 2007
Sommario Macchine a stati finiti M. Favalli 5th June 27 4 Sommario () 5th June 27 / 35 () 5th June 27 2 / 35 4 Le macchine a stati si utilizzano per modellare di sistemi fisici caratterizzabili mediante:
DettagliSVM. Veronica Piccialli. Roma 11 gennaio 2010. Università degli Studi di Roma Tor Vergata 1 / 14
SVM Veronica Piccialli Roma 11 gennaio 2010 Università degli Studi di Roma Tor Vergata 1 / 14 SVM Le Support Vector Machines (SVM) sono una classe di macchine di che derivano da concetti riguardanti la
DettagliMacchine a stati finiti. Sommario. Sommario. M. Favalli. Le macchine a stati si utilizzano per modellare di sistemi fisici caratterizzabili mediante:
Sommario Macchine a stati finiti M. Favalli Engineering Department in Ferrara 4 Sommario (ENDIF) Analisiesintesideicircuitidigitali / 35 (ENDIF) Analisiesintesideicircuitidigitali 2 / 35 4 Le macchine
DettagliProva parziale di Geometria e Topologia I - 5 mag 2008 (U1-03, 13:30 16:30) 1/8. Cognome:... Nome:... Matricola:...
Prova parziale di Geometria e Topologia I - 5 mag 2008 (U1-03, 13:30 16:30) 1/8 Cognome:................ Nome:................ Matricola:................ (Dare una dimostrazione esauriente di tutte le
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 4.2 I principali test statistici per la verifica di ipotesi: Il test F Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico
DettagliProgetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso
Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso Flusso di costo minimo È dato un grafo direzionato G = (N, A). Ad ogni arco (i, j) A è associato il costo c ij
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 DI RIEPILOGO 2. 7 jj(addi
ESERCIZI DI RIEPILOGO 2 ESERCIZIO 1 Da un comune mazzo di 52 carte francesi (13 carte per ognuno dei quattro semi: picche, cuori, fiori e quadri) viene estratta casualmente una carta. Definiti gli eventi:
DettagliFondamenti di Automatica
Fondamenti di Automatica Analisi dei sistemi dinamici Dott. Ing. Marcello Bonfè Dipartimento di Ingegneria - Università di Ferrara Tel. +39 0532 974839 E-mail: marcello.bonfe@unife.it pag. 1 Analisi dei
DettagliUn applicazione delle catene di Markov: l algoritmo del PageRank. Maurizio Cescon
Un applicazione delle catene di Markov: l algoritmo del PageRank Maurizio Cescon 25 settembre 2013 Indice 1 Catene di Markov 3 1.1 Definizione e concetti basilari.................. 3 2 Teorema Ergodico
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema
DettagliLa riserva matematica
Capitolo 4 La riserva matematica 4.1 Introduzione La polizza, come si è visto, viene costruita in modo da essere in equilibrio attuariale alla data di stipula t = 0 e rispetto alla base tecnica del I ordine:
DettagliCorso di Automazione Industriale 1. Capitolo 4
Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione
DettagliFondamenti e didattica di Matematica Finanziaria
Fondamenti e didattica di Matematica Finanziaria Silvana Stefani Piazza dell Ateneo Nuovo 1-20126 MILANO U6-368 silvana.stefani@unimib.it 1 Unità 9 Contenuti della lezione Operazioni finanziarie, criterio
DettagliMetodi e Modelli Matematici di Probabilità per la Gestione
Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta del 30/1/06 Esercizio 1 Una banca ha N correntisti. Indichiamo con N n il numero di correntisti esistenti il giorno n-esimo. Descriviamo
DettagliSUCCESSIONI NUMERICHE
SUCCESSIONI NUMERICHE Definizione: Si chiama successione numerica una funzione definita su IN a valori in IR, cioè una legge che associa ad ogni intero n un numero reale a n. Per abuso di linguaggio, si
DettagliAPPUNTI DI MATEMATICA ALGEBRA \ INSIEMISTICA \ TEORIA DEGLI INSIEMI (1)
ALGEBRA \ INSIEMISTICA \ TEORIA DEGLI INSIEMI (1) Un insieme è una collezione di oggetti. Il concetto di insieme è un concetto primitivo. Deve esistere un criterio chiaro, preciso, non ambiguo, inequivocabile,
DettagliEsercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue
Esercizi del Corso di Statistica Parte I - Variabili Aleatorie Continue 1. Costruire la variabile uniforme U sull intervallo [a, b], con a IR e b IR. 2. Sia X una variabile aleatoria tale che: 0 x < 1
DettagliProblema del trasporto
p. 1/1 Problema del trasporto Supponiamo di avere m depositi in cui è immagazzinato un prodotto e n negozi che richiedono tale prodotto. Nel deposito i è immagazzinata la quantità a i di prodotto. Nel
DettagliQuestionario per casa 6 Febbraio 2012
1 Il numero 4 2004 + 2 4008 è uguale a a) 4 4012 b) 4 4008 c) 4 2004 d) 2 4009 e) 2 2012 Questionario per casa 6 Febbraio 2012 2 La statura media dei 20 studenti di una certa classe è 163,5 cm. Se ciascuno
DettagliIndirizzo Fisico Informatico Matematico matematica per le classi 47A, 48A, 49A
Indirizzo Fisico Informatico Matematico matematica per le classi 47A, 48A, 49A 1. L'intersezione di tre insiemi contiene 1 solo elemento (cioè esiste un unico elemento comune a tutti e tre gli insiemi).
DettagliSegnali e Sistemi. Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici. Gianni Borghesan e Giovanni Marro
Segnali e Sistemi Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici Gianni Borghesan e Giovanni Marro Indice Introduzione 2. Notazione............................. 2 2 Classificazione
DettagliDinamica di un impianto ascensore
Dinamica di un impianto ascensore rev. 1.2 L ascensore rappresentato schematicamente in figura è azionato da un motore elettrico tramite un riduttore ed una puleggia sulla quale si avvolge la fune di sollevamento.
DettagliEnergia e Lavoro. In pratica, si determina la dipendenza dallo spazio invece che dal tempo
Energia e Lavoro Finora abbiamo descritto il moto dei corpi (puntiformi) usando le leggi di Newton, tramite le forze; abbiamo scritto l equazione del moto, determinato spostamento e velocità in funzione
DettagliAnalisi Matematica 2 per Matematica Esempi di compiti, primo semestre 2011/2012
Analisi Matematica 2 per Matematica Esempi di compiti, primo semestre 211/212 Ricordare: una funzione lipschitziana tra spazi metrici manda insiemi limitati in insiemi limitati; se il dominio di una funzione
DettagliN = numero di uscite del valore puntato N B(3, 1/6) X guadagno
Probabilità e giochi v.a. X guadagno del giocatore - positivo, negativo o nullo gioco equo: E(X) = 0 gioco favorevole: E(X) > 0 gioco sfavorevole: E(X) < 0 lancio di tre dadi, puntata di 1 (Euro) su un
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dottssa MC De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Corso di Calcolo Numerico - Dottssa MC De Bonis
DettagliMattia Zanella mattia.zanella@unife.it www.mattiazanella.eu
mattia.zanella@unife.it www.mattiazanella.eu Department of Mathematics and Computer Science, University of Ferrara, Italy Ferrara, 1 Maggio 216 Programma della lezione Seminario II Equazioni differenziali
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 7 marzo 20 Indice Indici di curtosi e simmetria Indici di curtosi e simmetria 2 3 Distribuzione Bernulliana
DettagliTecniche per la garanzia di qualità in reti di telecomunicazioni multiservizi. Token Bucket Dimensioning for Aggregated VoIP Sources
Programmi di ricerca di rilevante interesse nazionale Tecniche per la garanzia di qualità in reti di telecomunicazioni multiservizi Courmayeur 12-14 Gennaio 2000 Sottotema Sorgenti Token Bucket Dimensioning
DettagliFunzioni con dominio in R n
0.1 Punti e vettori di R n Politecnico di Torino. Funzioni con dominio in R n Nota Bene: delle lezioni. Questo materiale non deve essere considerato come sostituto Molto spesso risulta che una quantita
DettagliSTATISTICA INFERENZIALE
STATISTICA INFERENZIALE Premessa importante: si ipotizza che il comportamento della popolazione rispetto ad una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p
Dettaglib i 1,1,1 1,1,1 0,1,2 0,3,4
V o Appello // RICERCA OPERATIVA - Corso A (a.a. 9/) Nome Cognome: Corso di Laurea: L C6 LS LM Matricola: ) Si consideri il problema di flusso di costo minimo in figura. Si verifichi se il flusso ammissibile
DettagliApprossimazione polinomiale di funzioni e dati
Approssimazione polinomiale di funzioni e dati Approssimare una funzione f significa trovare una funzione f di forma più semplice che possa essere usata al posto di f. Questa strategia è utilizzata nell
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Distribuzione di probabilità, funzione di ripartizione di una v.c. discreta Il tasso di cambio
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato
Dettagli15 febbraio 2010 - Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a. 2009-2010 COGNOME... NOME... N. MATRICOLA...
15 febbraio 010 - Soluzione esame di geometria - 1 crediti Ingegneria gestionale - a.a. 009-010 COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura
Dettaglix 2 + y2 4 = 1 x = cos(t), y = 2 sin(t), t [0, 2π] Al crescere di t l ellisse viene percorsa in senso antiorario.
Le soluzioni del foglio 2. Esercizio Calcolare il lavoro compiuto dal campo vettoriale F = (y + 3x, 2y x) per far compiere ad una particella un giro dell ellisse 4x 2 + y 2 = 4 in senso orario... Soluzione.
DettagliCP110 Probabilità: Esame del 3 giugno 2010. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2009-2010, II semestre 8 luglio, 2010 CP110 Probabilità: Esame del 3 giugno 2010 Testo e soluzione 1. (6 pts 12 monete da 1 euro vengono distribuite tra
Dettagliu 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k
Capitolo 4 Serie numeriche 4. Serie convergenti, divergenti, indeterminate Data una successione di numeri reali si chiama serie ad essa relativa il simbolo u +... + u +... u, u 2,..., u,..., (4.) oppure
DettagliMetodi e Modelli Matematici di Probabilità per la Gestione
Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta del 1/6/06 Esercizio 1 Un sarto impiega un tempo aleatorio esponenziale a completare i suoi lavori. Mediamente gli servono 10 ore
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliSia data la rete di fig. 1 costituita da tre resistori,,, e da due generatori indipendenti ideali di corrente ed. Fig. 1
Analisi delle reti 1. Analisi nodale (metodo dei potenziali dei nodi) 1.1 Analisi nodale in assenza di generatori di tensione L'analisi nodale, detta altresì metodo dei potenziali ai nodi, è un procedimento
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione2: 04-03-2005
esercitazione 2 p. 1/12 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione2: 04-03-2005 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
Dettagli- Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo)
Se si ha un problema lineare e' possibile risolverlo in piu' modi (equivalenti ) - Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo) - Trovare soluzione ottima duale (con il simplesso
DettagliLEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010
LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno
DettagliEQUAZIONI DIFFERENZIALI. 1. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x 2 log t (d) x = e t x log x (e) y = y2 5y+6
EQUAZIONI DIFFERENZIALI.. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x log t (d) x = e t x log x (e) y = y 5y+6 (f) y = ty +t t +y (g) y = y (h) xy = y (i) y y y = 0 (j) x = x (k)
DettagliAlgoritmi (9 CFU) (A.A. 2009-10)
Algoritmi (9 CFU) (A.A. 2009-10) Probabilità e Algoritmi randomizzati Prof. V. Cutello Algoritmi 1 Overview Definiamo concetti di base di probabilità Variabili casuali e valore medio Algoritmi randomizzati
DettagliRichiami su norma di un vettore e distanza, intorni sferici in R n, insiemi aperti, chiusi, limitati e illimitati.
PROGRAMMA di Fondamenti di Analisi Matematica 2 (DEFINITIVO) A.A. 2010-2011, Paola Mannucci, Canale 2 Ingegneria gestionale, meccanica e meccatronica, Vicenza Testo Consigliato: Analisi Matematica, M.
Dettaglimin 4x 1 +x 2 +x 3 2x 1 +x 2 +2x 3 = 4 3x 1 +3x 2 +x 3 = 3 x 1 +x 2 3x 3 = 5 Innanzitutto scriviamo il problema in forma standard: x 1 x 2 +3x 3 = 5
IL METODO DEL SIMPLESSO 65 Esercizio 7.4.4 Risolvere utilizzando il metodo del simplesso il seguente problema di PL: min 4 + + + + = 4 + + = + = 5 Innanzitutto scriviamo il problema in forma standard:
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
Dettagli1. Sia dato un poliedro. Dire quali delle seguenti affermazioni sono corrette.
. Sia dato un poliedro. (a) Un vettore x R n è un vertice di P se soddisfa alla seguenti condizioni: x P e comunque presi due punti distinti x, x 2 P tali che x x e x x 2 si ha x = ( β)x + βx 2 con β [0,
DettagliSistemi Operativi mod. B. Sistemi Operativi mod. B A B C A B C P 1 2 0 0 P 1 1 2 2 3 3 2 P 2 3 0 2 P 2 6 0 0 P 3 2 1 1 P 3 0 1 1 < P 1, >
Algoritmo del banchiere Permette di gestire istanze multiple di una risorsa (a differenza dell algoritmo con grafo di allocazione risorse). Ciascun processo deve dichiarare a priori il massimo impiego
DettagliFunzioni con dominio in R 2
0.1 Grafici e curve di livello Politecnico di Torino. Funzioni con dominio in R 2 Nota Bene: delle lezioni. Questo materiale non deve essere considerato come sostituto Il dominio U di una funzione f e
DettagliSTATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia
STATISTICA GIUSEPPE DE NICOLAO Dipartimento di Informatica e Sistemistica Università di Pavia SOMMARIO V.C. vettoriali Media e varianza campionarie Proprietà degli stimatori Intervalli di confidenza Statistica
DettagliMatematica e Statistica
Matematica e Statistica Prova d esame (0/07/03) Università di Verona - Laurea in Biotecnologie - A.A. 0/3 Matematica e Statistica Prova di MATEMATICA (0/07/03) Università di Verona - Laurea in Biotecnologie
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliInsegnamento di Gestione e Organizzazione dei Progetti A.A. 2008/9
Insegnamento di Gestione e Organizzazione dei Progetti A.A. 2008/9 Lezione 11: valutazione costi diagramma di PERT Prof.ssa R. Folgieri email: folgieri@dico.unimi.it folgieri@mtcube.com 1 Da ricordare:
DettagliAutovalori e Autovettori
Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2008-2009 Autovalori e Autovettori Definizione Siano A C nxn, λ C, e x C n, x 0, tali che Ax = λx. (1) Allora
DettagliELEMENTI DI CALCOLO DELLE PROBABILITA
Statistica, CLEA p. 1/55 ELEMENTI DI CALCOLO DELLE PROBABILITA Premessa importante: il comportamento della popolazione rispetto una variabile casuale X viene descritto attraverso una funzione parametrica
DettagliRichiami di algebra lineare e geometria di R n
Richiami di algebra lineare e geometria di R n combinazione lineare, conica e convessa spazi lineari insiemi convessi, funzioni convesse rif. BT.5 Combinazione lineare, conica, affine, convessa Un vettore
DettagliEsercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica
Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica Lucio Demeio Dipartimento di Scienze Matematiche Università Politecnica delle Marche 1. Esercizio. Siano X ed Y due variabili
DettagliCENNI DI METODI STATISTICI
Corso di Laurea in Ingegneria Aerospaziale CENNI DI METODI STATISTICI Docente: Page 1 Page 2 Page 3 Due eventi si dicono indipendenti quando il verificarsi di uno non influisce sulla probabilità di accadimento
DettagliRiassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice
cap 0 Romane - def_layout 1 12/06/12 07.51 Pagina V Prefazione xiii Capitolo 1 Nozioni introduttive 1 1.1 Introduzione 1 1.2 Cenni storici sullo sviluppo della Statistica 2 1.3 La Statistica nelle scienze
Dettagli