in punti consecutivi di osservazione 0,1,2,, n, è una catena di Markov a tempo discreto (Discrete Time Markov Chain DTMC) se, per ogni n N 0
|
|
- Casimiro Gatto
- 8 anni fa
- Visualizzazioni
Transcript
1 Appendice 2 Catene di Markov La trattazione delle code Markoviane a tempo continuo è stata condotta senza ricorrere alla teoria generale dei processi Markoviani. Tuttavia, si è detto che i sistemi birth-death appartengono alla classe delle catene di Markov. Poiché numerosi modelli nelle reti di telecomunicazioni, sia a tempo discreto che a tempo continuo, ricadono in questa categoria di sistemi dinamici, se ne riportano le definizioni e i risultati principali. Tutti i teoremi che enunciamo nel seguito sono senza dimostrazione. Le catene di Markov sono processi stocastici le cui variabli aleatorie dipendenti dal tempo (lo stato della catena) possono assumere valori in un insieme discreto (lo spazio degli stati), finito o infinito numerabile. La proprietà di Markovianità consiste essenzialmente nell indipendenza condizionata dell evoluzione futura rispetto a tutto il passato (l intera storia del processo è condensata nel valore più recente dello stato). La catena può essere pensata come il modello della posizione di un oggetto nel tempo in un insieme discreto di possibili locazioni, in cui la locazione successiva è scelta a caso da una distribuzione di probabilità che dipende soltanto dalla locazione corrente. A2.1. Catene di Markov a tempo discreto Definizione A2.1.1: un processo stocastico { X 0,X 1,...,X n,...} in punti consecutivi di osservazione 0,1,2,, n, è una catena di Markov a tempo discreto (Discrete Time Markov Chain DTMC) se, per ogni n N 0, x n S, con N 0 = { 0,1,2,... } e S spazio degli stati, { } = { } Pr X n +1 = x n +1 X n = x n,x n 1 = x n 1,...,X o = x o = Pr X n +1 = x n +1 X n = x n (A2.1) Sia S = { 0,1,2,... }. Le quantità p ij = Pr{ X n +1 = j X n = i} = Pr{ X 1 = j X o = i} (A2.2) sono dette probabilità di transizione a 1 passo di una catena omogenea (la cui distribuzione di probabilità condizionata non dipende dal tempo). La matrice stocastica (ovvero, tale che p ij 0, p ij =1) j S P = { p ij, i,j S} è detta matrice di probabilità di transizione (Transition Probability Matrix TPM) della DTMC. Sia { π i (n) = Pr{ X n = i}, i S} la distribuzione di probabilità non condizionata al tempo n e sia π(n) = [ π 0 (n),π 1 (n),...,π n (n),...] il corrispondente vettore riga. 63 (A2.3) (A2.4)
2 Per n=1, π i (1) = Pr{ X 0 = j,x 1 = i} = π j (0)p ji j S j S e π(1) = π(0)p Ripetendo il ragionamento π(n +1) = π(n)p, n 0 e, di conseguenza, π(n) = π(0)p n (A2.5) (A2.6) (A2.7) (A2.8) Una distribuzione di probabilità π è detta invariante (o stazionaria) per la matrice di probabilità di transizione P se π = πp (ricordiamo che, essendo π una distribuzione di probabilità, è anche sempre vero che i S π i (A2.9) =1). A seconda della struttura di P, può esistere più di una distribuzione stazionaria. D altra parte, possiamo definire le probabilità limite di stato: π = limπ(n) = limπ(0)p n = π(0)limp n = π(0) P n n n (A2.10) Siamo particolarmente interessati ai casi in cui, al tendere di n ad infinito, sia la matrice di probabilità di transizione a n passi P n sia il vettore delle probabilità di stato convergono indipendentemente dalla distribuzione iniziale π(0) e, inoltre, π i > 0, i S, e =1 (ovvero, π è una distribuzione di probabilità su S ). In tal caso, π coinciderebbe con l unica soluzione dell equazione stazionaria (A2.9) e sarebbe l unico vettore di probabilità a regime (steady-state probability vector) della DTMC. La figura A2.1 riporta alcuni esempi relativi a diverse possibili situazioni. Irriducibilità i S π i Definizione A2.1.2: una matrice di probabilità di transizione P sullo spazio degli stati S si dice irriducibile se è possibile per una DTMC con matrice di probabilità di transizione P passare da uno stato qualunque i ad un altro stato qualunque j in tempo finito (ovvero, esiste un percorso tra due stati qualunque nel corrispondente diagramma di transizione). La catena è irriducibile se la sua matrice P è irriducibile. Teorema A.2.1.1: una DTMC irriducibile ha al più una distribuzione invariante (ne ha certamente una se è a stato finito). Una DTMC con un unica distribuzione invariante è detta ricorrente positiva (la distribuzione invariante misura le frazioni di tempo che la catena passa nei vari stati). 64
3 Periodicità Fig. A2.1. Esempi di esistenza o meno della distribuzione stazionaria di regime [Triv]. Sia: { } d i = GCD n 1(P n ) i,i > 0 (A2.11) il massimo comun divisore del numero di passi n in cui la DTMC può tornare dallo stato i indietro allo stato i stesso (se la catena è irriducibile, d i = d, i, ovvero d è lo stesso per tutti gli stati). Definizione A2.1.3: sia P una matrice di probabilità di transizione irriducibile su S. Se d > 1, si dice che P è periodica con periodo d. Se d = 1, si dice che P è aperiodica. Teorema A.2.1.2: per una DTMC irriducibile e aperiodica, con distribuzione invariante π, il limite π esiste, è indipendente dallo stato iniziale e coincide con l unico vettore stazionario π. Una catena discreta irriducibile e aperiodica, con tutti gli stati ricorrenti positivi è detta ergodica. Il vettore π della distribuzione stazionaria si trova risolvendo la (A2.9), con la condizione aggiuntiva π i =1. i S A Esempi A [J.R. Norris, Markov Chains, Cambridge University Press, Cambridge, UK, 1997] Si consideri la catena di Markov discreta rappresentata in Fig. A
4 3 6 2/ /3 1 3/5 1/ /5 Fig. A2.2. Una catena di Markov discreta a 7 stati. a) Si trovino le classi di stati comunicanti in cui la catena può essere partizionata, e si indichi se sono chiuse, transienti o ricorrenti, periodiche o aperiodiche. Ci sono 3 classi comunicanti: {0}, {1, 2, 3} e {4, 5, 6}. La classe {0} è transiente, mentre {1, 2, 3} e {4, 5, 6} sono chiuse e ricorrenti. {4, 5, 6} è periodica. Si mostrino le proprietà seguenti. b) Partendo da 0, la probabilità di arrivare a 6 è 1/4. Partendo da 0, lo stato 6 sarà raggiunto con probabilità 1 dopo aver raggiunto 4. Ora, { } = p 04 =1/5 { } = p 00 p 04 = ( 1/5) 2 Pr x 1 = 4 x 0 = 0 Pr x 2 = 4 x 0 = 0 Pr x n = 4 x 0 = 0 { } = ( 1/5) n { } = Perciò, Pr raggiungere 6 x 0 = 0 n 1 = 1 1/5 1 = = 1 4. c) Partendo da 1, la probabilità di raggiungere 3 è 1. 2k In generale, p = 0, k = 0,1,..., mentre p 2k 13 = 1 3 n=1 Perciò, Pr{ raggiungere 3x 0 =1} = = 2 j = /3 = =1. j= 0 d) Partendo da 1, ci vogliono in media 3 passi per raggiungere , k =1,2,... Come conseguenza della seconda riga al punto c), il numero medio di passi per raggiungere 3 partendo da 1 è 2 k = /3 = = 3. 66
5 e) Partendo da 1, la porzione asintotica di tempo speso in 2 è 3/8. Partendo da 1, la catena rimane nella classe chiusa {1, 2, 3}, la cui matrice di probabilità di transizione è data da P = 1/3 0 2 / Perciò, il sistema di equazioni π = πp π 1 + π 2 + π 3 =1 fornisce π 2 = 3/8. f) limp n 01 = 9/32. n n 1 n 1 p n k 01 = p 01 p n k = p g) limp n 01 n n p 04 n 1 p n k 11 n = lim 1 5 n k 3 5 = 3 5 non converge con n. n p 11 n n k k p 04 = p 44 p 04 1, n k = 3j, j =1,2,... Ora, p n k 44 =. 0, altrimenti = 3 π 1 5 = /5 = = 9 32 Sia n k = 3j n k 0 (mod 3). Allora, l ultimo termine non nullo nella somma sopra riportata si ha per, i.e., k = n 3, n > 3. Per, se n 1 0 (mod3) j = ( n 1) 3 è il massimo indice j nella somma. Se invece n 2 0 (mod3) j = ( n 2) 3 è il massimo indice. Infine, se n 3 0 (mod3), i.e., n 0 (mod3), j = ( n 3) 3 è il massimo indice. Pertanto, (n 1)/ 3 3 j p 44 n 3j (n 1)/ 3 = n 3 j, n 1 (mod3) 5 (n 2)/ 3 n 3 j p 04 = p 44 n 3j (n 2)/ 3 = n 3 j, n 2 (mod3), n > 3 5 (n 3)/ 3 3j p 44 n 3 j (n 3)/ 3 = n 3 j, n 0 (mod3) 5 A seconda del valore di n, la somma contiene un diverso numero di elementi, cosicché n limp 04 non esiste. n 67
6 h) i) limp 3n 04 =1/124. n Se n=3m, ( 3m 3) / 3 p 3m 04 = 3m 3 j = m 1 3(m j) Sia m j = l ; j =1 l = m 1 ; j = m 1 l =1 (m 2). Allora, p 3m 04 = m 1 l=1 3l = m 1 l=1 125 l ( ) m 1 ( 1/125) 1 1 1/125 = 125 = m 1 1 m A Catena di Markov e stabilità dello Slotted-ALOHA Si consideri un sistema Slotted-ALOHA con popolazione finita di M stazioni di traffico, in cui ogni stazione ha un buffer unitario e in ogni slot può generare un pacchetto con probabilità p a (se il buffer è vuoto) e può tentare la ritrasmissione con probabilità p r (se ha un pacchetto nel buffer); gli eventi di generazione e ritrasmissione in una slot sono indipendenti tra loro e indipendenti dalle altre slot. Sia n t il numero di pacchetti (in attesa di ritrasmissione) nel sistema nella slot t. Le probabilità di transizione di n t dipendono soltanto dal numero di pacchetti presenti e la dinamica del sistema è descritta da una catena di Markov. Lo spazio degli stati è { 0,1,...,M}. Si può ricavare subito che: p i,i k = 0, k = 2,...,M, i > k (non può uscire più di 1 pacchetto per slot) p ii = ( 1 p r ) i ( 1 p a ) M i + ( M i)p a ( 1 p a ) M i 1 ( ) M i 1 1 p r [ ] + 1 p a [ ( ) i ip r ( 1 p r ) i 1 ] = ( ) M i [ 1 ip r ( 1 p r ) i 1 ] = ( 1 p r ) i ( M i)p a ( 1 p a ) M i p a ( ) M i ip r ( 1 p r ) i 1, i 1 ( ) i ( ) M i 1 p i,i 1 = 1 p a p i,i+1 = [ 1 1 p r ] ( M i)p 1 p a a p i,i+k = M i p k M i k k a 1 p a ( ), 2 k M i Si può notare che la matrice P è quasi-triangolare superiore. Si mostri come questo facilita la risoluzione del sistema π = πp π1 T = 1 con Stabilità 1 = [ 1,1,...,1]. La probabilità di successo in una slot con n t = n è data da 68
7 P succ ( n) = M n ( )p a ( 1 p a ) M n 1 ( 1 p r ) n + np r ( 1 p r ) n 1 ( 1 p a ) M n = ( ( ) n M n)p a + np r [( M n)p a + np r ]e [ ( M n)p a +np ] (A2.12) r G( n)e G( n) 1 p a 1 p r = ( 1 p a ) M n 1 p r ( ) y per xy <<1, e avendo definito avendo usato p a <<1, p r <<1, e xy 1 x G( n) = ( M n)p a + np r (carico totale, dovuto a ritrasmissioni e nuove generazioni). D altra parte, si può definire il carico medio in ingresso S in (n) = ( M n)p a (A2.13) Poiché la probabilità di successo rappresenta il throughput medio (condizionato a n) in uscita S out (n) = P succ (n) = G( n)e G( n) (A2.14) le intersezioni tra le curve (A2.13) e (A2.14) rappresentano punti di equilibrio (stabile o instabile) del sistema al variare di n. Si possono verificare due situazioni: le curve si intersecano in 1 o 3 punti. Nel primo caso, l intersezione avviene a valori di throughput relativamente elevati (relativamente vicini al massimo 1/e 0.36) e il punto di equilibrio è stabile ( S in (n) > S out (n) a sinistra del punto di intersezione e S in (n) < S out (n) a destra, così che l evoluzione di n t è tale che il sistema tende a ritornare nel punto); nel secondo caso, si ha una intersezione in un punto di equilibrio stabile ancora più vicino al massimo, una in un punto instabile e un altra in un punto di equilibrio stabile, ma a throughput molto basso (per n elevato). Si dice in questo caso che il comportamento del canale è bi-stabile. La Fig. A2.3 riporta l andamento qualitativo con 3 punti di intersezione. S in (n), S out (n) 1/e Mp a 0 n=m n, G(n) Fig. A2.3. Stabiltà dello Slotted-ALOHA. La curva del throughput condizionato, per un dato valore di p a, tende ad alzarsi e allargarsi maggiormente per p r decrescente. Si può quindi tornare ad un unico punto di equilibrio stabile con un opportuno back-off, al prezzo di un throughput un po minore. Si noti che, quando M, la retta diviene orizzontale, e si hanno 2 soli punti di intersezione; essendo il secondo instabile, una volta raggiunto, il sistema tenderà invariabilmente a un numero infinito di pacchetti (ovvero, il modello con popolazione di utenti infinita è sempre instabile, con qualunque valore di p a ). 69
8 Si può ancora notare che, una volta calcolata la distribuzione stazionaria, si possono ricavare il throughput medio, il numero medio di pacchetti nel sistema e il ritardo medio, come S = M S out i= 0 M ( i)π i ; n = iπ i ; T = n S i= 0 Il modello fin qui considerato prevede che, in caso di arrivo dall esterno che viene trasmesso con successo, lo stato non cambi. Si provi a ricavare il modello corrispondente alla situazione in cui ad ogni pacchetto, sia esso in attesa di ritrasmissione o generato nella slot precedente, si applichi la probabilità di trasmissione p r. Si mostri che in tal caso la probabilità di successo sarebbe massimizzata se, ad ogni slot, si potesse scegliere dinamicamente p r ( t) = min 1, 1. n t A2.2. Catene di Markov a tempo continuo Le catene di Markov a tempo continuo (Continuous Time Markov Chains CTMC) possono essere ricavate a partire dalle catene di Markov a tempo discreto, con unità di tempo infinitesima. Tuttavia, si può usare una definizione più diretta. Definizione A2.2.1: Sia S un insieme numerabile. Una matrice di tassi di transizione (o generatore infinitesimale) Q su S è una collezione Q = q ij, i,j S { } di numeri reali, tali che: 0 q ij <, i j S, e q ii = q i q ij <, i S (A2.15) j i Definizione A2.2.2: Dato un insieme numerabile S, una matrice di tassi di transizione Q su S e una distribuzione iniziale π, la CTMC X = { X t, t 0} è definita come segue: si scelga x 0 con distribuzione iniziale π; se x 0 = i, si scelga un tempo τ da una distribuzione esponenziale con tasso q i ; si definisca X tale che X t = i per 0 t < τ; al tempo t=τ, il processo salta dal valore iniziale i ad un nuovo valore j, scelto indipendentemente da τ e tale che Pr { X τ = j X 0 = i, τ} = Γ ij q ij q i, j i ; la costruzione riprende da questo punto, indipendentemente dal processo prima di τ. Nuovamente, l unica informazione sulla traiettoria di X fino al tempo t che è utile a predire la traiettoria dopo il tempo t è il valore corrente X t. Si noti, come già osservato al 2.4, che in processi con tempi di permanenza non esponenziali, ma ancora con salti consecutivi condizionatamente indipendenti (ovvero, semi-markov, come i sistemi M/G/1), può essere utile studiare la catena discreta negli istanti di transizione (embedded Markov chain). Come inoltre già osservato in 2.4.6, è notevole che la distribuzione stazionaria di tale catena nel caso M/G/1 sia la stessa di quella del processo originario non Markoviano (Poisson Arrivals See Time Averages PASTA). Una possibile traiettoria della catena a tempo continuo è rappresentata in Fig. A
9 Pr{ ξ 0 = i 0,ξ 1 = i 1,...,ξ n = i n } = π i0 Γ i0 i 1 Γ i1 i 2 Γ in 1 i n Fig. A2.4. Evoluzione della catena a tempo continuo. Γ ij è come definito in (A2.16). Definizione A2.2.3: Una matrice di tassi di transizione Q su S è irriducibile se q i > 0, i S e se è irriducibile la matrice di probabilità di transizione Γ (della catena discreta embedded) definita da Γ ij = q ij q i, i j S 0, i = j S (A2.16) Una CTMC si dice irriducibile se lo è la sua matrice Q. Come nel caso discreto, l irriducibilità implica la possibilità di andare da ogni stato ad ogni altro in tempo finito. Teorema A2.2.1: Sia X una catena di Markov a tempo continuo con matrice Q su S e distribuzione iniziale π. Allora, La distribuzione π è invariante se e solo se soddisfa le equazioni di equilibrio π i q ij = 0, j S (πq = 0) (A2.17) i S La CTMC è stazionaria se e solo se la sua distribuzione iniziale è invariante. La CTMC ha una sola o nessuna distribuzione invariante; ha sicuramente una distribuzione invariante se è a stato finito. Se la catena ha una distribuzione invariante π, il limite della distribuzione delle probabilità di stato esiste ed è uguale a π; la componente π i rappresenta la frazione di tempo che la catena passa nello stato i. Se non esiste la distribuzione invariante, le probabilità limite sono 0 per tutti gli stati e la frazione di tempo passata in ogni stato è trascurabile. Le equazioni di equilibrio possono essere scritte in una forma più significativa come: q ij π i = π j q ji, j S (A2.18) i j i j 71
10 dove il primo membro rappresenta il flusso totale da ogni altro stato nello stato j e il secondo membro rappresenta il flusso totale dallo stato j verso ogni altro stato (il che rende conto del termine equazioni di equilibrio ). Naturalmente la soluzione può essere trovata aggiungendo la condizione di normalizzazione sulle componenti del vettore π ( π i =1). Uniformizzazione Data una catena ergodica a tempo continuo, si può sempre costruire una catena ergodica a tempo discreto con le stesse probabilità stazionarie di stato e viceversa. In particolare, dato il generatore infinitesimale Q, si può definire i P = Q /q + I (A2.19) dove q (finito) può essere scelto come q > sup i S q i (A2.20) Questo procedimento è detto di uniformizzazione, e la matrice P risultante può essere usata per determinare la distribuzione stazionaria. Di fatto, questa operazione subordina la catena ad un processo di Poisson a tasso q, ed introduce eventi fittizi (ovvero, in cui lo stato non cambia), ma consente di lavorare con tempi di permanenza esponenziali con parametro indipendente dal valore dello stato, il che è spesso utile. 72
11 Bibliografia [Klein] L. Kleinrock, Queueing Systems, Vol. I, Wiley, New York, [Schw] M. Schwartz, Telecommunication Networks: Protocols, Modeling, and Analysis, Addison-Wesley, Reading, MA, [Berts, Gall] D. Bertsekas, R. Gallager, Data Networks, 2 nd Ed., Prentice-Hall, Englewood Cliffs, NJ, [Ross] K. W. Ross, Multiservice Loss Models for Broadband Telecommunication Networks, Springer Verlag, London, [Zuk] M. Zukerman, Introduction to Queueing Theory and Stochastic Teletraffic Models, ; available online: [Triv] G. Bolch, S. Greiner, H. de Meer, K.S. Trivedi, Queueing Networks and Markov Chains, Wiley, New York, NY,
RETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE CATENE DI MARKOV TEMPO CONTINUE Definizioni Sia dato un processo stocastico x(t) che può assumere valori discreti appartenenti ad un insieme se accade che il processo è una catena
DettagliNote sulle Catene di Markov
Note sulle Catene di Markov ELAUT Prof. Giuseppe C. Calafiore Sommario Queste note contengono un estratto schematico ridotto di parte del materiale relativo alle Catene di Markov a tempo continuo e a tempo
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
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
DettagliSISTEMI CASUALI DINAMICI (PROCESSI) ESEMPIO: I GUASTI (Ipotesi Markoviana) Frequenza dei guasti: N Guasti = N/T X X X X X X X
CATENE DI MARKOV SISTEMI CASUALI DINAMICI (PROCESSI) ESEMPIO: I GUASTI (Ipotesi Markoviana) Frequenza dei guasti: N Guasti = N/T X X X X X X X X X 0 T 0 T! Δ 0, 1,, 0 Δ 1 Δ Δ 1Δ Δ Δ ESEMPIO: I GUASTI (Ipotesi
DettagliPROCESSI STOCASTICI A.A. 2010/2011. DIARIO DELLE LEZIONI
PROCESSI STOCASTICI A.A. 2010/2011. DIARIO DELLE LEZIONI Martedì 19/10/2010 (14-16) Richiami di teoria della probabilità: spazio di probabilità, alcune consequenze della definizione di funzione di probabilità,
DettagliEsercizi con catene di Markov Pietro Caputo 12 dicembre 2006
Esercizi con catene di Markov Pietro Caputo dicembre 006 Esercizio. Si considerino i lanci di un dado (6 facce equiprobabili). Sia X n il minimo tra i risultati ottenuti nei lanci,,..., n. Si calcoli la
DettagliTeoria delle File di Attesa
Teoria delle File di Attesa Una coda, o fila di attesa, si forma quando degli utenti attendono di essere serviti da uno o più serventi. Esempi: Studenti agli sportelli della segreteria Utenti di un centro
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di PS-Probabilità P.Baldi Tutorato 9, 19 maggio 11 Corso di Laurea in Matematica Esercizio 1 a) Volendo modellizzare l evoluzione della disoccupazione in un certo ambito
Dettagli5. Catene di Markov a tempo discreto (CMTD)
5. Catene di Markov a tempo discreto (CMTD) Carla Seatzu, 8 Marzo 2008 Definizione: CATENA Le catene sono p.s. in cui lo stato è discreto : X{x,x 2, }. L insieme X può essere sia finito sia infinito numerabile.
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE Modelli delle Sorgenti di Traffico Generalità Per la realizzazione di un modello analitico di un sistema di telecomunicazione dobbiamo tenere in considerazione 3 distinte sezioni
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE CATENE DI MARKOV TEMPO DISCRETE Definizioni Catena: Processo stocastico in cui lo spazio degli stati è discreto o numerabile Processo stocastico tempo discreto: Si considerano
Dettagli4.1 ESERCIZI DI RIEPILOGO
4 4.1 ESERCIZI DI RIEPILOGO Esercizio 4.1.1 Dato un sistema M/M/2 con frequenza media di arrivo pari a λ e velocità di servizio pari a µ, con λ < 2µ Scrivere le equazioni di Kolmogorov relative al processo
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE TEORIA DELLE CODE Teoria delle code Obiettivo Avere uno strumento analitico per determinare le condizioni di funzionamento di una rete in termini prestazionali La teoria delle
Dettagliλ è detto intensità e rappresenta il numero di eventi che si
ESERCITAZIONE N 1 STUDIO DI UN SISTEMA DI CODA M/M/1 1. Introduzione Per poter studiare un sistema di coda occorre necessariamente simulare gli arrivi, le partenze e i tempi di ingresso nel sistema e di
DettagliMarkov Chains and Markov Chain Monte Carlo (MCMC)
Markov Chains and Markov Chain Monte Carlo (MCMC) Alberto Garfagnini Università degli studi di Padova December 11, 2013 Catene di Markov Discrete dato un valore x t del sistema ad un istante di tempo fissato,
DettagliSOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n
SPAZI E SOTTOSPAZI 1 SOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n Spazi di matrici. Spazi di polinomi. Generatori, dipendenza e indipendenza lineare, basi e dimensione. Intersezione e somma di sottospazi,
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
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliIII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2018/19
III Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 8/9 Martedì luglio 9 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliProcessi stocastici A.A Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo
Processi stocastici A.A. 09 0 Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo G. Sanfilippo 20 maggio 200 Registro delle lezioni. Lezione del 3 Marzo 200, 8-, ore complessive 3 Richiami
DettagliComportamento asintotico delle Catene di Markov
Comortamento asintotico delle Catene di Markov In queste note analizzeremo il comortamento asintotico della catene di Markov a temo discreto omogenee, con sazio degli stati di dimensione finita. I risultati
DettagliProcessi di Markov. Processi di Markov
Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Un
DettagliTeoria delle File di Attesa Una coda, o fila di attesa, si forma quando degli utenti attendono di essere serviti da uno o più serventi.
Teoria delle File di Attesa Una coda, o fila di attesa, si forma quando degli utenti attendono di essere serviti da uno o più serventi. Esempi: Studenti agli sportelli della segreteria Utenti di un centro
DettagliVariabili aleatorie Parte I
Variabili aleatorie Parte I Variabili aleatorie Scalari - Definizione Funzioni di distribuzione di una VA Funzioni densità di probabilità di una VA Indici di posizione di una distribuzione Indici di dispersione
DettagliPROCESSI STOCASTICI 1: ESERCIZI
PROCESSI STOCASTICI 1: ESERCIZI (1) ESERCIZIO: Date P e Q matrici stocastiche, dimostrare che la matrice prodotto P Q è una matrice stocastica. Dedurre che la potenza P n e il prodotto P 1 P 2 P n sono
DettagliMetodi per la risoluzione di sistemi lineari
Metodi per la risoluzione di sistemi lineari Sistemi di equazioni lineari. Rango di matrici Come è noto (vedi [] sez.0.8), ad ogni matrice quadrata A è associato un numero reale det(a) detto determinante
Dettagli' $ Teoria del traffico & % 1
Teoria del traffico Andamento della distribuzione di Poisson P(k) = (λt)k k! e λt 1 k=0 k=1 k=2 k=3 0.8 0.6 P(k) 0.4 0.2 0 0 1 2 3 4 5 λt Proprietá La sovrapposizione di h processi di Poisson aventi frequenze
DettagliCatene di Markov. Richiami teorici
Catene di Marov Richiami teorici Pagina di 4 Alcune definizioni L insieme di tutti i possibili risultati di un esperimento è detto spazio degli eventi dell esperimento. Lo spazio si indica con Ω ed un
DettagliUn modello di Markov per la determinazione del rendimento atteso di un obbligazione rischiosa
Un modello di Markov per la determinazione del rendimento atteso di un obbligazione rischiosa Analisi dei Sistemi Finanziari 1 Giugno, 2007 Cristina Manfredotti Dipartimento di Informatica, Sistemistica
DettagliTeoria delle Probabilità e Applicazioni programma 2004/05
Teoria delle Probabilità e Applicazioni programma 2004/05 Capitolo 1: esempio guida Lezioni: 8/3, 9/3 (5h) 1. Come modellizzare l esperimento infiniti lanci di una moneta equilibrata oppure l esperimento
Dettagliarrivi in un tempo t è pari a λ*t, come si può ricavare dalla media su k della distribuzione di Poisson :
Sistema di coda ad un canale con arrivi poissoniani e tempi di servizio esponenziali. Si può dimostrare che assumere il tasso degli arrivi costante e pari a equivale ad assumere per gli intervalli fra
DettagliCorso di Laurea Magistrale in Ingegneria Informatica A.A. 2016/17 Processi stocastici e analisi di serie temporali
Corso di Laurea Magistrale in Ingegneria Informatica A.A. 206/7 Processi stocastici e analisi di serie temporali PROVA DI ESONERO SUI PROCESSI DI MARKOV DEL 6 DICEMBRE 206 Punteggi: : + + 4 2; 2: 2 5;
DettagliCatene di Markov - Foglio 1
Catene di Markov - Foglio 1 1. Una pedina si muove su un circuito circolare a 4 vertici, numerati da 1 a 4. La pedina si trova inizialmente nel vertice 1. Ad ogni passo un giocatore lancia un dado equilibrato:
DettagliTEORIA DELL INFORMAZIONE ED ENTROPIA FEDERICO MARINI
TEORIA DELL INFORMAZIONE ED ENTROPIA DI FEDERICO MARINI 1 OBIETTIVO DELLA TEORIA DELL INFORMAZIONE Dato un messaggio prodotto da una sorgente, l OBIETTIVO è capire come si deve rappresentare tale messaggio
DettagliLa teoria delle code
La teoria delle code 3 marzo 205 Ing. foglietta.chiara@gmail.com Università degli Studi di Cassino e del Lazio Meridionale Agenda Reti di Aperte Reti di Aperte Sistema M/M/ I 2 Reti di Aperte Una coda
DettagliCorso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 2018/19 - Prova scritta
Corso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 208/9 - Prova scritta 209-0-09 La durata della prova è di due ore e mezzo. Le risposte devono essere
DettagliFUNZIONE DI UTILITÀ CURVE DI INDIFFERENZA (Cap. 3)
FUNZIONE DI UTILITÀ CURVE DI INDIFFERENZA (Cap. 3) Consideriamo un agente che deve scegliere un paniere di consumo fra quelli economicamente ammissibili, posto che i beni di consumo disponibili sono solo
DettagliIstituzioni di Probabilità - A.A
Istituzioni di Probabilità - A.A. 25-26 Prima prova di verifica intermedia - 29 aprile 25 Esercizio. Sia (X n ) n una successione di v.a. i.i.d. centrate con < X P-q.c., sia λ R ed F una v.a. integrabile
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
DettagliCorso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino)
Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino Prova di Mercoledì giugno 4 (tempo a disposizione: ore. Scrivere su ogni foglio NOME e COGNOME. Le
DettagliMatrici delle differenze finite
Capitolo 8 Matrici delle differenze finite Si riportano in questo capitolo alcuni risultati e proprietà delle matrici delle differenze finite ovvero delle matrici che intervengono nel metodo delle differenze
DettagliI appello di CP per Informatica 19/6/2006
I appello di CP per Informatica 9/6/26 Istruzioni: per l esame completo occorre svolgere il primo esercizio e il terzo o (in alternativa al terzo) il quarto; a sostituzione del I esonero occorre svolgere
DettagliIndice generale. Prefazione
Prefazione vii 1 Classificazione dei sistemi e dei modelli 1 1.1 Introduzione 1 1.2 Principi di base della teoria dei sistemi e del controllo 2 1.2.1 I concetti di sistema e di modello 3 1.2.2 Il concetto
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
DettagliSistemi di 1 grado in due incognite
Sistemi di 1 grado in due incognite Problema In un cortile ci sono polli e conigli: in totale le teste sono 7 e zampe 18. Quanti polli e quanti conigli ci sono nel cortile? Soluzione Indichiamo con e con
Dettagli. iii) Cosa si può dire di esatto (non approssimato) su P X 1
Corsi di Probabilità, Statistica e Processi stocastici per Ing. dell Automazione, Informatica e Inf.Gest.Azienda 30/06/0 Esercizio. Dieci persone si iscrivono ad un torneo di tennis. Quattro di loro hanno
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?
DettagliMetodi e Modelli Matematici di Probabilità per la Gestione Prova scritta 12/01/2009
Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta 12/01/2009 Esercizio 1 (20 punti). Esaminiamo il controllo passaporti in un aeroporto in entrata per gli Stati Uniti, controllo
DettagliIII Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2013/14 Nome: 16 luglio
III Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 013/14 Nome: 16 luglio 014 Email: Quando non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
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
Dettagli2 Vettori applicati. 2.1 Nozione di vettore applicato
2 Vettori applicati 2 Vettori applicati 2.1 Nozione di vettore applicato Numerose grandezze fisiche sono descritte da vettori (spostamento, velocità, forza, campo elettrico, ecc.). Per alcune di esse e,
DettagliNOME:... MATRICOLA:... Corso di Laurea in Fisica, A.A. 2009/2010 Calcolo 1, Esame scritto del 19.01.2010
NOME:... MATRICOLA:.... Corso di Laurea in Fisica, A.A. 009/00 Calcolo, Esame scritto del 9.0.00 Data la funzione fx = e /x x x +, a determinare il dominio massimale di f ; b trovare tutti gli asintoti
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
DettagliIstituzioni di Matematiche prima parte
Istituzioni di Matematiche prima parte anno acc. 2011/2012 Univ. degli Studi di Milano Cristina Turrini (Univ. degli Studi di Milano Istituzioni di Matematiche 1 / 33 index Generalità sugli insiemi 1 Generalità
DettagliAppunti di Simulazione
Appunti di Simulazione M. Gianfelice Corso di modelli probabilistici per le applicazioni Master di II livello in Matematica per le Applicazioni a.a. 2004/2005 1 Simulazione di numeri aleatori con distribuzione
DettagliEsercitazioni di statistica
Esercitazioni di statistica Misure di associazione: Indipendenza assoluta e in media Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 22 ottobre 2014 Stefania Spina Esercitazioni
DettagliEsercizi svolti. Geometria analitica: rette e piani
Esercizi svolti. Sistemi di riferimento e vettori. Dati i vettori v = i + j k, u =i + j + k determinare:. il vettore v + u ;. gli angoli formati da v e u;. i vettore paralleli alle bisettrici di tali angoli;
DettagliProcessi stocastici. variabile casuale: funzione da uno spazio campione S a valori nello spazio E R X(t) : S E. spazio degli stati del processo
Processi stocastici Processo stocastico: famiglia di variabili casuali {X(t) t T} definite su uno spazio di probabilità indiciate dal parametro t (tempo) X(t) variabile casuale: funzione da uno spazio
DettagliQuali condizionisi si possono richiedere sulla funzione interpolante?
INTERPOLAZIONE Problema generale di INTERPOLAZIONE Dati n punti distinti ( i, i ) i=,..,n si vuole costruire una funzione f() tale che nei nodi ( i ) i=,..n soddisfi a certe condizioni, dette Condizioni
DettagliEsercizio 1. Una obbligazione può avere rating A, B, C o D e passare da un rating all altro secondo la matrice di transizione
Esercizi di Calcolo delle Probabilità della 10 a Matematica, Università degli Studi di Padova). settimana (Corso di Laurea in Esercizio 1. Una obbligazione può avere rating A, B, C o D e passare da un
DettagliIL TEOREMA DEGLI ZERI Una dimostrazione di Ezio Fornero
IL TEOREMA DEGLI ZERI Una dimostrazione di Ezio Fornero Il teorema degli zeri è fondamentale per determinare se una funzione continua in un intervallo chiuso [ a ; b ] si annulla in almeno un punto interno
DettagliCalcolo delle Probabilità 2017/18 Foglio di esercizi 8
Calcolo delle Probabilità 07/8 Foglio di esercizi 8 Catene di Markov e convergenze Si consiglia di svolgere gli esercizi n 9,,,, 5 Catene di Markov Esercizio (Baldi, Esempio 5) Si consideri il grafo costituito
DettagliEquazioni Polinomiali II Parabola
Equazioni Polinomiali II Parabola - 0 Equazioni Polinomiali del secondo grado (Polinomi II) Forma Canonica e considerazioni La forma canonica dell equazione polinomiale di grado secondo è la seguente:
DettagliCP110 Probabilità: Esame del 25 gennaio, Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2009-2010, II semestre 25 gennaio, 2011 CP110 Probabilità: Esame del 25 gennaio, 2011 Testo e soluzione 1. (6 pts Un mazzo di 20 carte contiene 15 carte
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
DettagliCampionamento. Una grandezza fisica e' distribuita secondo una certa PDF
Campionamento Una grandezza fisica e' distribuita secondo una certa PDF La pdf e' caratterizzata da determinati parametri Non abbiamo una conoscenza diretta della pdf Possiamo determinare una distribuzione
DettagliReti di Telecomunicazioni R. Bolla, L. Caviglione, F. Davoli. CSMA CSMA/CD Efficienza del CSMA/CD 17.2
Reti di Telecomunicazioni R. Bolla, L. Caviglione, F. Davoli CSMA CSMA/CD Efficienza del CSMA/CD 17.2 Il Carrier Sense Multiple Access (CSMA) è un perfezionamento delle tecniche di tipo ALOHA, a cui viene
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
DettagliDefinizione 1. Una matrice n m a coefficienti in K é una tabella del tipo. ... K m, detto vettore riga i-esimo, ed a im
APPUNTI ed ESERCIZI su matrici, rango e metodo di eliminazione di Gauss Corso di Laurea in Chimica, Facoltà di Scienze MM.FF.NN., UNICAL (Dott.ssa Galati C.) Rende, 23 Aprile 2010 Matrici, rango e metodo
DettagliGeometria Prova scritta, appello unico, sessione autunnale Corso di laurea in fisica A.A 2017/2018 Canali A C, e L Pa
Geometria Prova scritta, appello unico, sessione autunnale Corso di laurea in fisica A.A 27/28 Canali A C, e L Pa Durata: 2 ore e 3 minuti Simone Diverio Alessandro D Andrea Paolo Piccinni 7 settembre
DettagliGeometria e Topologia I (U1-4) 2006-mag-10 61
Geometria e Topologia I (U1-4) 2006-mag-10 61 (15.9) Teorema. Consideriamo il piano affine. Se A A 2 (K) è un punto e r una retta che non passa per A, allora esiste unica la retta per A che non interseca
DettagliSISTEMI LINEARI MATRICI E SISTEMI 1
MATRICI E SISTEMI SISTEMI LINEARI Sistemi lineari e forma matriciale (definizioni e risoluzione). Teorema di Rouché-Capelli. Sistemi lineari parametrici. Esercizio Risolvere il sistema omogeneo la cui
DettagliNote di Teoria della Probabilità.
Note di Teoria della Probabilità. In queste brevi note, si richiameranno alcuni risultati di Teoria della Probabilità, riguardanti le conseguenze elementari delle definizioni di probabilità e σ-algebra.
DettagliLOGARITMI. Corso di laurea: BIOLOGIA Tutor: Floris Marta; Max Artizzu PRECORSI DI MATEMATICA. L uguaglianza: a x = b
Corso di laurea: BIOLOGIA Tutor: Floris Marta; Max Artizzu PRECORSI DI MATEMATICA LOGARITMI L uguaglianza: a x = b nella quale a e b rappresentano due numeri reali noti ed x un incognita, è un equazione
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliAnalisi nel dominio del tempo delle rappresentazioni in variabili di stato
4 Analisi nel dominio del tempo delle rappresentazioni in variabili di stato Versione del 21 marzo 2019 In questo capitolo 1 si affronta lo studio, nel dominio del tempo, dei modelli di sistemi lineari,
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2013/2014 www.mat.uniroma2.it/~caramell/did 1314/ps.htm 04/03/2014 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
DettagliLeggi 0-1, successioni di v.a. stazionarie in senso stretto ed introduzione alla teoria ergodica
Leggi 0-, successioni di v.a. stazionarie in senso stretto ed introduzione alla teoria ergodica Michele Gianfelice a.a. 202-203 Misura sullo spazio delle successioni a valori reali Sia R N l insieme delle
Dettagli10 - Applicazioni del calcolo differenziale
Università degli Studi di Palermo Facoltà di Economia CdS Sviuppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 10 - Applicazioni del calcolo differenziale Anno Accademico 2015/2016
DettagliV Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2014/15 Nome: 7 gennaio
V Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 24/5 Nome: 7 gennaio 26 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile usare
DettagliPROGRAMMA DI CALCOLO DELLE PROBABILITÀ(1 o modulo) periodo: I Semestre, A. A. 2002/03 docente: Giovanna Nappo, (ufficio n.109, tel.
PROGRAMMA DI CALCOLO DELLE PROBABILITÀ(1 o modulo) periodo: I Semestre, A. A. 2002/03 docente: Giovanna Nappo, (ufficio n.109, tel. 49913262, e-mail: nappo@mat.uniroma1.it) Prerequisiti: Nozioni di base
DettagliCorso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 2018/19 - Esercitazione
Corso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (55AA) A.A. 28/9 - Esercitazione 28--9 La durata della prova è di due ore e mezzo. Le risposte devono essere
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
PROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE 1. Distribuzione congiunta Ci sono situazioni in cui un esperimento casuale non si può modellare con una sola variabile casuale,
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliLEZIONE 3. Typeset by AMS-TEX
LEZIONE 3 3 Risoluzione di sistemi Supponiamo che AX = B sia un sistema di equazioni lineari Ad esso associamo la sua matrice completa (A B Per la Proposizione 236 sappiamo di poter trasformare, con operazioni
DettagliSistemi di equazioni lineari
Sistemi di equazioni lineari A. Bertapelle 25 ottobre 212 Cos è un sistema lineare? Definizione Un sistema di m equazioni lineari (o brevemente sistema lineare) nelle n incognite x 1,..., x n, a coefficienti
DettagliAnalisi Matematica IV modulo Soluzioni prova scritta preliminare n. 1
Analisi Matematica IV modulo Soluzioni prova scritta preliminare n. 1 Corso di laurea in Matematica, a.a. 2005-2006 27 aprile 2006 1. Disegnare approssimativamente nel piano (x, y) l insieme x 4 6xy 2
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.
Dettaglidi transizione p n,m ( t) = P N(t + t) = m N(t) = n.
PROCESSI DI NASCITA E MORTE 33 14 PROCESSI DI NASCITA E MORTE Molti sistemi a coda possono essere ben rappresentati mediante i cosiddetti processi di nascita e morte che sono importanti processi in teoria
DettagliSpazi Vettoriali ed Applicazioni Lineari
Spazi Vettoriali ed Applicazioni Lineari 1. Sottospazi Definizione. Sia V uno spazio vettoriale sul corpo C. Un sottoinsieme non vuoto W di V è un sottospazio vettoriale di V se è chiuso rispetto alla
DettagliCorsi di laurea in Matematica e Fisica - Anno Accademico 2017/18 FM210 / MA. Primo Scritto [ ]
Corsi di laurea in Matematica e Fisica - Anno Accademico 017/18 FM10 / MA Primo Scritto [1-6-018] 1. Si consideri il sistema meccanico bidimensionale per x R. ẍ = ( x 4 1)x, (a) Si identifichino due integrali
DettagliESERCIZI DATI A LEZIONE TPA - anno 2006 CAPITOLO 2
ESECIZI DATI A LEZIONE TPA - anno 2006 CAPITOLO 2 1. Una σ algebra è chiusa rispetto a intersezioni finite e numerabili, e rispetto a differenze e differenze simmetriche. 2. Una σ algebra è anche un algebra,
DettagliEsame di FONDAMENTI DI AUTOMATICA (9 crediti) SOLUZIONE
Esame di FONDAMENTI DI AUTOMATICA (9 crediti) Prova scritta 16 luglio 2014 SOLUZIONE ESERCIZIO 1. Dato il sistema con: si determinino gli autovalori della forma minima. Per determinare la forma minima
DettagliStudio qualitativo. Emanuele Paolini 2 luglio 2002
Studio qualitativo Emanuele Paolini 2 luglio 2002 Non sempre è possibile determinare esplicitamente le soluzione di una equazione differenziale. Ci proponiamo quindi di trovare dei metodi per determinare
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
DettagliNOTE DI MATEMATICA APPLICATA ALL ECONOMIA
NOTE DI MATEMATICA APPLICATA ALL ECONOMIA «[ ] lo scopo dell analisi infinitesimale è quello di fare acquisire strumenti di calcolo atti alla ricerca ottimale di funzioni vincolate, soprattutto di natura
DettagliProprietà strutturali: Controllabilità e Osservabilità
CONTROLLI AUTOMATICI LS Ingegneria Informatica Proprietà strutturali: Controllabilità e Osservabilità Prof. Claudio Melchiorri DEIS-Università di Bologna Tel. 051 2093034 e-mail: claudio.melchiorri@deis.unibo.it
Dettagli