Corso di Automazione Industriale 1. Capitolo 4

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Corso di Automazione Industriale 1. Capitolo 4"

Transcript

1 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 di variabili aleatorie con distribuzione generica

2 Simona Sacone - DIST 2 Distribuzioni continue Gaussiana o normale: variabili con piccoli scostamenti rispetto ad un valore atteso (scostamento rispetto ad un tempo di servizio atteso, scostamento rispetto alla dimensione di un lotto) Normale troncata: è la distribuzione normale in cui non sono ammessi i valori estermi per le code Lognormale: per variabili il cui logaritmo ha distribuzione normale

3 Simona Sacone - DIST 3 Distribuzioni continue Distribuzione normale

4 Simona Sacone - DIST 4 Distribuzioni continue Esponenziale: per variabili che modellano l intervallo tra due eventi il cui accadimento non è influenzato dal tempo trascorso dall evento precedente (intervallo tra l arrivo di due clienti, intervallo tra due guasti della stessa risorsa) Esponenziale doppia: generalizza l esponenziale, è simmetrica rispetto all origine Erlang: per variabili che modellano intervalli esprimibili come somma di esponenziali λ i x i 1 λx e Ei ( x) = ( i -1)!

5 Simona Sacone - DIST 5 Distribuzioni continue Distribuzione esponenziale

6 Simona Sacone - DIST 6 Distribuzioni continue Gamma: generalizza Erlang, per fattore forma non intero. Modella interarrivi e tempi di servizio, il maggior numero di parametri che la caratterizza permette di fissare la forma delle code. Weibull: come gamma. Trova applicazione, e.g., per modellare intervalli tra guasti quando questi sono dovuti alla presenza di più difetti e dipendono dal più serio tra essi. Beta: generalizza gamma, viene in genere utilizzata per lo studio su campioni delle variazioni percentuali di un elemento o di una situazione qualsiasi, quale ad esempio il numero di ore che si trascorrono quotidianamente davanti al televisore.

7 Simona Sacone - DIST 7 Distribuzioni continue Distribuzione gamma

8 Simona Sacone - DIST 8 Distribuzioni continue Distribuzione Weibull

9 Simona Sacone - DIST 9 Distribuzioni continue Distribuzione beta

10 Simona Sacone - DIST 10 Distribuzioni continue Logistica: utilizzata, soprattutto in biologia, per modelli relativi a livelli di tolleranza. Pareto: utilizzata per distribuzione di redditi che superano un dato valore. Gumbel: utilizzata per statistiche su valori estremi. Triangolari, trapezoidali, spline empiriche: utilizzate per distribuzioni su intervalli finiti non meglio approssimate da altre distribuzioni.

11 Simona Sacone - DIST 11 Generazione di variabili aleatorie con distribuzione generica A partire da una sequenza di numeri random (U(0,1)) opportunamente generati, i metodi per la generazione di variabili aleatorie con distribuzione generica, sono: tecnica di trasformazione inversa tecnica di trasformazione diretta metodo di accettazione/rifiuto

12 Simona Sacone - DIST 12 Generazione di variabili aleatorie con distribuzione generica Una routine di generazione di variabili aleatorie deve: essere veloce avere un ciclo sufficientemente lungo non presentare larghi gap essere replicabile generare numeri con proprietà statistiche più vicine possibile a quelle ideali utilizzare poche volte la routine di generazione di numeri random

13 Simona Sacone - DIST 13 Tecnica di trasformazione inversa Si vuole generare una variabile aleatoria X con funzione di densità di probabilità f X (x). 1) si calcola la funzione di distribuzione di probabilità o funzione cumulativa di probabilità FX (x) = x fx ( τ)dτ Tale funzione (qualora sia possibile calcolarla in forma chiusa) è continua, monotona crescente ed è sempre compresa tra 0 e 1 (per definizione F X (x) = P[X x]).

14 Simona Sacone - DIST 14 Tecnica di trasformazione inversa 2) si pone u= F X (x) con u numero random (u ~ U(0,1)) 3) si risolve X= F X -1(u) e la variabile aleatoria X è distribuita secondo f X (x) (X ~ f X (x)). Graficamente: F X (x) 1 u k 0 X k x

15 Tecnica di trasformazione inversa Esempio: generare una variabile aleatoria X con funzione di densità di probabilità esponenziale con media 1/λ (X ~ exp(λ)). 1) FX (x) = 1 e λx 2) u = 1 - e -λ x, con u ~ U(0,1) 3) X= -ln(1-u)/ λ, o, in modo equivalente, X= -(1/λ) ln(u) Simona Sacone - DIST 15

16 Simona Sacone - DIST 16 Osservazioni Tecnica di trasformazione inversa La routine di generazione di una variabile aleatoria X con funzione di densità di probabilità esponenziale: chiama una sola volta, per ogni istanza di X, la routine (RAND) di generazione di numeri random; ha lo stesso ciclo di RAND; ha gap crescenti per X crescenti; è replicabile se lo è RAND; genererebbe numeri con proprietà statistiche ideali se RAND generasse numeri random ideali.

17 Simona Sacone - DIST 17 Tecnica di trasformazione diretta La tecnica di trasformazione diretta sfrutta proprietà caratteristiche di alcune funzioni di densità di probabilità Esistono metodi esatti e metodi approssimati; noi vedremo: metodo esatto per generare variabili con funzione di densità di probabilità Erlang metodo esatto per generare variabili con funzione di densità di probabilità gaussiana metodo approssimato per generare variabili con funzione di densità di probabilità gaussiana

18 Simona Sacone - DIST 18 Tecnica di trasformazione diretta Metodo esatto per generare variabili con funzione di densità di probabilità Erlang Ei ( x) = λ i x i 1 λx e ( i -1)! Proprietà: una variabile con funzione di densità di probabilità E i (x) può essere espressa come la somma di i variabili con funzione di densità di probabilità di tipo esponenziale e valor medio 1/iλ. Metodo di generazione di variabili con pdf Erlang(i,λ): X = i ln(uk ) k= 1 iλ = 1 iλ i 1 i ln(uk ) = ln uk k= 1 iλ k= 1

19 Simona Sacone - DIST 19 Tecnica di trasformazione diretta Metodo esatto per generare variabili con funzione di densità di probabilità gaussiana N 2 ( x µ ) 1 2 ( x) = e 2σ σ 2π Proprietà: date due variabili aleatorie indipendenti z 1 e z 2 distribuite secondo la distribuzione normale standard (µ=0, σ=1), il numero complesso w= z 1 + jz 2 è tale che: 2 w = z z2 Φw U (0,2π) 1 exp 2

20 Simona Sacone - DIST 20 Tecnica di trasformazione diretta Metodo di generazione di variabili con pdf N(µ,σ 2 ): si generano due istanze delle variabili x 1 e x 2, con x x exp 2 U (0,2π) quindi, x 1,k =-2ln(u 1,k ) e x 2,k = 2π(u 2,k ) si generano z 1 e z 2 come z 1 =(-2ln(u 1,k )) 0.5 cos(2π(u 2,k )) z 2 =(-2ln(u 1,k )) 0.5 sin(2π(u 2,k ))

21 Simona Sacone - DIST 21 Tecnica di trasformazione diretta Metodo approssimato per generare variabili con funzione di densità di probabilità gaussiana Proprietà (teorema del limite centrale): la somma di n variabili indipendenti e identicamente distribuite (i.i.d.) com media µ e varianza σ 2, è approssimata da una variabile con funzione di densità di probabilità gaussiana con media nµ e varianza nσ 2.

22 Simona Sacone - DIST 22 Tecnica di trasformazione diretta Metodo di generazione di variabili con pdf N(µ,σ 2 ) (metodo di convoluzione): 1) si utilizzano n variabili con pdf U(0,1), ossia n numeri random e si calcola un istanza di una variabile con pdf N(0,1) come: n uk - 0.5n X = k = 1 n 12 2) in particolare, con n=12 X = 12 uk 6 k= 1

23 Simona Sacone - DIST 23 Tecnica di trasformazione diretta Metodo di generazione di variabili con pdf N(µ,σ 2 ) (metodo di convoluzione): 3) si calcola un istanza di una variabile y con pdf N(µ,σ 2 ) come: Y= µ +σx

24 Simona Sacone - DIST 24 Metodo di accettazione-rifiuto Si vuole generare una variabile aleatoria X con funzione di densità di probabilità f X (x) su un intervallo [a,b]. Algoritmo accettazione-rifiuto: 1) si genera un istanza di una variabile R distribuita in modo uniforme nell intervallo [a,b] (U(a,b)) 2) si accetta tale valore con probabilità pari a f X (R)/ max f X (x), lo si rifiuta con probabilità 1- f X (R)/max f X (x).

25 Simona Sacone - DIST 25 Metodo di accettazione-rifiuto prob. di rifiuto (da normalizzare) 10 prob. di accettazione (da normalizzare)

26 Simona Sacone - DIST 26 Metodo di accettazione-rifiuto Osservazioni La routine di generazione di una variabile aleatoria X con il metodo di accettazione-rifiuto: chiama almeno due volte, per ogni istanza di X, la routine RAND di generazione di numeri random; una volta per generare le variabile R, una volta per decidere se accettare o rifiutare il valore (esistono, però, metodi più specializzati e più efficienti); ha ciclo e gap che dipendono da RAND*RAND; è replicabile se lo è RAND; si utilizza solo in assenza di altri metodi.

27 Simona Sacone - DIST 27 Distribuzioni discrete Uniforme: per variabili che assumono indifferentemente uno dei valori compresi in un certo intervallo (valore di un dado singolo, posizione di una ruota,...) Poisson: numero di eventi verificatisi, tali che il tempo di interevento è distribuito in modo esponenziale (numero di telefonate, numero di clienti arrivati ad un sistema a coda M/M/1) Bernoulli: per variabili con due sole realizzazioni, con probabilità p e 1-p, rispettivamente

28 Simona Sacone - DIST 28 Distribuzioni discrete Binomiale: per variabili che rappresentano il numero di prove di successo x su un numero n di prove di tipo bernoulliano Geometrica: per variabili che rappresentano il numero di prove x prima di un successo Binomiale negativa: per variabili che rappresentano il numero di insuccessi x prima dell i-esimo successo

29 Simona Sacone - DIST 29 Distribuzioni discrete Distribuzioni discrete Per generare una variabile discreta generica X definita dalla funzione di probabilità di massa seguente = n n prob.p con, prob.p con, prob.p con, X a a a M con p 1 + p p n = 1, si utilizza un numero random u k nel seguente modo: = 1 p p p, p p p, p 0, X k n n 2 1 k k 1 u a u a u a K M

30 Simona Sacone - DIST 30 Distribuzioni discrete Il metodo è sostanzialmente basato sulla tecnica di trasformazione inversa. Infatti, la funzione di distribuzione di probabilità F(X), in questo caso è lineare a tratti. Ad esempio, con n=3 F(X) 1 p 1 + p 2 p 1 e, quindi, calcolo X come a 1 a 2 a 3 { a : F( a ), j 1,...,n} X = min u j j k =

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

DISTRIBUZIONI DI PROBABILITÀ

DISTRIBUZIONI DI PROBABILITÀ Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI

Dettagli

Esercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue

Esercizi 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

Dettagli

CENNI DI METODI STATISTICI

CENNI 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

Dettagli

RISK MANAGEMENT: MAPPATURA E VALUTAZIONE DEI RISCHI AZIENDALI. UN COSTO O UN OPPORTUNITA?

RISK MANAGEMENT: MAPPATURA E VALUTAZIONE DEI RISCHI AZIENDALI. UN COSTO O UN OPPORTUNITA? Crenca & Associati CORPORATE CONSULTING SERVICES RISK MANAGEMENT: MAPPATURA E VALUTAZIONE DEI RISCHI AZIENDALI. UN COSTO O UN OPPORTUNITA? Ufficio Studi Milano, 3 aprile 2008 Introduzione al Risk Management

Dettagli

La Funzione Caratteristica di una Variabile Aleatoria

La Funzione Caratteristica di una Variabile Aleatoria La Funzione Caratteristica di una Variabile Aleatoria La funzione caratteristica Φ densità di probabilità è f + Φ ω = ω di una v.a., la cui x, è definita come: jωx f x e dx E e j ω Φ ω = 1 La Funzione

Dettagli

Facciamo qualche precisazione

Facciamo qualche precisazione Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione

Dettagli

ELEMENTI DI CALCOLO DELLE PROBABILITA

ELEMENTI 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

Dettagli

La distribuzione Gaussiana

La distribuzione Gaussiana Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione

Dettagli

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

Dettagli

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004 Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 200 Esercizio 1 Tre apparecchiature M 1, M 2 e M 3 in un anno si guastano, in maniera indipendente, con probabilità

Dettagli

Statistica inferenziale

Statistica inferenziale Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Modelli di Variabili Aleatorie Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Sulla base della passata esperienza il responsabile della produzione di un azienda

Dettagli

Stima 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

Dettagli

2.4.1 Generazione di numeri pseudocasuali con distribuzione uniforme

2.4.1 Generazione di numeri pseudocasuali con distribuzione uniforme GENERAZIONE DI OSSERVAZIONI CASUALI 157 2.4 GENERAZIONE DI OSSERVAZIONI CASUALI Una volta determinate le distribuzioni di input, la simulazione dovrà generare durante ogni esecuzione osservazioni casuali

Dettagli

Calcolo delle Probabilità A.A. 2013/2014 Corso di Studi in Statistica per l Analisi dei dati Università degli Studi di Palermo

Calcolo delle Probabilità A.A. 2013/2014 Corso di Studi in Statistica per l Analisi dei dati Università degli Studi di Palermo Calcolo delle Probabilità A.A. 2013/2014 Corso di Studi in Statistica per l Analisi dei dati Università degli Studi di Palermo docente Giuseppe Sanfilippo http://www.unipa.it/sanfilippo giuseppe.sanfilippo@unipa.it

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

Dettagli

Istituzioni di Statistica e Statistica Economica

Istituzioni di Statistica e Statistica Economica Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 3 A. Sia una variabile casuale che si distribuisce secondo

Dettagli

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Laurea in Ingegneria Meccatronica A.A. 2010 2011 n-dimensionali Riepilogo. Gli esiti di un esperimento aleatorio

Dettagli

Tutorato di Probabilità e Statistica

Tutorato di Probabilità e Statistica Università Ca Foscari di Venezia Dipartimento di informatica 20 aprile 2006 Variabili aleatorie... Example Giochiamo alla roulette per tre volte 1 milione sull uscita del numero 29. Qual è la probabilità

Dettagli

Corso di Automazione Industriale 1. Capitolo 4

Corso di Automazione Industriale 1. Capitolo 4 Simona Sacone - DIST 1 Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: analisi

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

Esercitazioni di Statistica con Matlab

Esercitazioni di Statistica con Matlab Dalmine, 28 aprile 2004 Esercitazioni di Statistica con Matlab Dott. Orietta Nicolis orietta.nicolis@unibg.it 1 0.8 0.6 0.4 0.2 0-0.2-0.4 40 30 20 10 0 0 5 10 15 20 25 30 35 V.c.d. di Poisson P(X = x)

Dettagli

Statistica Applicata all edilizia: alcune distribuzioni di probabilità

Statistica 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

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E 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

Dettagli

1.5. ISTOGRAMMA 17. Figura 1.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =0, σ 2 X =1).

1.5. ISTOGRAMMA 17. Figura 1.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =0, σ 2 X =1). .5. ISTOGRAMMA 7.5 Istogramma A partire dalle considerazioni svolte nel paragrafo precedente, posto x m = min(x,,x N e x M = max(x,,x N, possiamo ottenere una stima della densità di probabilità p (x suddividendo

Dettagli

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,

Dettagli

VARIABILI ALEATORIE E VALORE ATTESO

VARIABILI ALEATORIE E VALORE ATTESO VARIABILI ALEATORIE E VALORE ATTESO Variabili aleatorie Variabili discrete e continue Coppie e vettori di variabili aleatorie Valore atteso Proprietà del valore atteso Varianza Covarianza e varianza della

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

Analisi statistica degli errori

Analisi statistica degli errori Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

Esercizi di Probabilità e Statistica

Esercizi di Probabilità e Statistica Esercizi di Probabilità e Statistica Samuel Rota Bulò 5 maggio 007 Varabili aleatorie continue, distribuzioni continue e funzione generatrice di momenti. Esercizio Dimostrare la mancanza di memoria della

Dettagli

Indice Prefazione xiii 1 Probabilità

Indice Prefazione xiii 1 Probabilità Prefazione xiii 1 Probabilità 1 1.1 Origini del Calcolo delle Probabilità e della Statistica 1 1.2 Eventi, stato di conoscenza, probabilità 4 1.3 Calcolo Combinatorio 11 1.3.1 Disposizioni di n elementi

Dettagli

STATISTICA PER L INNOVAZIONE

STATISTICA PER L INNOVAZIONE UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 2007/2008 TRASFORMAZIONI DI VARIABILI ALEATORIE TVE: Gumel dei valori minimi

Dettagli

Esercitazioni 2013/14

Esercitazioni 2013/14 Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta

Dettagli

Corso 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 Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 28/05/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Nel gico del

Dettagli

1 Valore atteso o media

1 Valore atteso o media 1 Valore atteso o media Definizione 1.1. Sia X una v.a., si chiama valore atteso (o media o speranza matematica) il numero, che indicheremo con E[X] o con µ X, definito come E[X] = i x i f(x i ) se X è

Dettagli

1. Richiami di Statistica. Stefano Di Colli

1. 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

Dettagli

1 Modelli di variabili aleatorie continue

1 Modelli di variabili aleatorie continue Modelli di variabili aleatorie continue. Variabili aleatorie continue uniformi (o rettangolari) Una v.a. X è detta uniforme (o rettangolare) sull intervallo [a, b] se la sua densità è data da se x [a,

Dettagli

SEQUENZE DI NUMERI PSEUDO- CASUALI

SEQUENZE DI NUMERI PSEUDO- CASUALI SEQUENZE DI NUMERI PSEUDO- CASUALI Test Statistici sulle Sequenze Pseudo Casuali E di fondamentale importanza per una buona riuscita della SIMULAZIONE ( affidabilità dei risultati), che le sequenze pseudo

Dettagli

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) 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

Dettagli

0.6 Filtro di smoothing Gaussiano

0.6 Filtro di smoothing Gaussiano 2 Figura 7: Filtro trapezoidale passa basso. In questo filtro l rappresenta la frequenza di taglio ed l, l rappresenta un intervallo della frequenza con variazione lineare di H, utile ad evitare le brusche

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti

Dettagli

Appunti: elementi di Probabilità

Appunti: elementi di Probabilità Università di Udine, Facoltà di Scienze della Formazione Corso di Laurea in Scienze e Tecnologie Multimediali Corso di Matematica e Statistica (Giorgio T. Bagni) Appunti: elementi di Probabilità. LA PROBABILITÀ..

Dettagli

Nel seguito sono riportati due esercizi che si possono risolvere con la formula di Erlang e le relative risoluzioni.

Nel seguito sono riportati due esercizi che si possono risolvere con la formula di Erlang e le relative risoluzioni. Nel seguito sono riportati due esercizi che si possono risolvere con la formula di Erlang e le relative risoluzioni. Al fine di risolvere questo tipo di esercizi, si fa in genere riferimento a delle tabelle

Dettagli

Analisi di dati di frequenza

Analisi di dati di frequenza Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato

Dettagli

Il Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO. Pasquale Iandolo

Il Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO. Pasquale Iandolo Il Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO Pasquale Iandolo Laboratorio analisi ASL 4 Chiavarese, Lavagna (GE) 42 Congresso Nazionale SIBioC Roma

Dettagli

Tenendo conto che la funzione di probabilità per una v.c. binomiale X è definita dalla seguente notazione

Tenendo conto che la funzione di probabilità per una v.c. binomiale X è definita dalla seguente notazione APPENDICE I. TAVOLE STATISTICHE Si ribadisce al lettore che in questa Appendice si riportano le procedure di Excel e di R.2.12.1 che gli permettono di trovare qualsiasi valore di probabilità cercato e

Dettagli

Misurare il rischio finanziario con l Extreme Value Theory

Misurare il rischio finanziario con l Extreme Value Theory Misurare il rischio finanziario con l Extreme Value Theory M. Bee Dipartimento di Economia, Università di Trento MatFinTN 2012, Trento, 24 gennaio 2012 Outline Introduzione Extreme Value Theory EVT e rischio

Dettagli

i=1 Y i, dove Y i, i = 1,, n sono indipendenti e somiglianti e con la stessa distribuzione di Y.

i=1 Y i, dove Y i, i = 1,, n sono indipendenti e somiglianti e con la stessa distribuzione di Y. Lezione n. 5 5.1 Grafici e distribuzioni Esempio 5.1 Legame tra Weibull ed esponenziale; TLC per v.a. esponenziali Supponiamo che X Weibull(α, β). (i) Si consideri la distribuzione di Y = X β. (ii) Fissato

Dettagli

Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo.

Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo. Capitolo 1 9 Ottobre 00 Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo. 000, Milano Esercizio 1.0.1 (svolto in classe [II recupero Ing. Matematica aa.00-0-rivisitato]nel

Dettagli

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice

Riassunto 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

Esercizi di dimensionamento dei sistemi di commutazione telefonica

Esercizi di dimensionamento dei sistemi di commutazione telefonica Politecnico di Milano Sede di Cremona A.A. 2013/20134 Corso di RETI DI COMUNICAZIONE ED INTERNET Modulo 1 Esercizi di dimensionamento dei sistemi di commutazione telefonica Antonio Corghi Modelli di commutazione

Dettagli

Istruzioni (1): L elaborato verrà letto, compilato e fatto girare per verificare la correttezza della sintassi e delle operazioni svolte

Istruzioni (1): L elaborato verrà letto, compilato e fatto girare per verificare la correttezza della sintassi e delle operazioni svolte Istruzioni (1): L elaborato può essere svolto in gruppi di massimo 4 persone (si raccomanda caldamente l aggregazione) NON dovete annunciarmi preventivamente che elaborato volete fare: sceglietene uno

Dettagli

Esercizi di Probabilità e Statistica

Esercizi di Probabilità e Statistica Esercizi di Probabilità e Statistica Samuel Rota Bulò 16 luglio 2006 V.a. discrete e distribuzioni discrete Esercizio 1 Dimostrare la proprietà della mancanza di memoria della legge geometrica, ovvero

Dettagli

Teoria delle scorte. Ricerca operativa Met. e mod. per le decisioni (Informatica Matematica) Pierluigi Amodio

Teoria delle scorte. Ricerca operativa Met. e mod. per le decisioni (Informatica Matematica) Pierluigi Amodio Teoria delle scorte Ricerca operativa Met. e mod. per le decisioni (Informatica Matematica) Pierluigi Amodio Dipartimento di Matematica Università di Bari Teoria delle scorte p.1/26 definizione del problema

Dettagli

Programmazione Disciplinare: Calcolo Classe: Quarte - Quinte

Programmazione Disciplinare: Calcolo Classe: Quarte - Quinte Istituto Tecnico Tecnologico Basilio Focaccia Salerno Programmazione Disciplinare: Calcolo Classe: Quarte - Quinte Anno scolastico 01-01 I Docenti della Disciplina Salerno, settembre 01 Anno scolastico

Dettagli

Probabilità II Variabili casuali discrete

Probabilità 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

Dettagli

Matlab per applicazioni statistiche

Matlab per applicazioni statistiche Matlab per applicazioni statistiche Marco J. Lombardi 19 aprile 2005 1 Introduzione Il sistema Matlab è ormai uno standard per quanto riguarda le applicazioni ingegneristiche e scientifiche, ma non ha

Dettagli

E NECESSARIO RICORRERE ALLE VARIABILI CASUALI

E NECESSARIO RICORRERE ALLE VARIABILI CASUALI IL CONCETTO DI VARIABILE CASUALE Associare una misura di probabilità al verificarsi di un certo evento (come esito di un esperimento) non sempre è sufficiente a risolvere gran parte dei problemi reali

Dettagli

LA VARIABILE ESPONENZIALE

LA VARIABILE ESPONENZIALE LA VARIABILE ESPONENZIALE E. DI NARDO 1. Analogia con la v.a. geometria In una successione di prove ripetute di Bernoulli, la v.a. geometrica restituisce il numero di prove necessarie per avere il primo

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

La categoria «ES» presenta (di solito) gli stessi comandi

La categoria «ES» presenta (di solito) gli stessi comandi Utilizzo delle calcolatrici FX 991 ES+ Parte II PARMA, 11 Marzo 2014 Prof. Francesco Bologna bolfra@gmail.com ARGOMENTI DELLA LEZIONE 1. Richiami lezione precedente 2.Calcolo delle statistiche di regressione:

Dettagli

Continua sul retro 42.1 39.7 38.0 38.7 41.4 37.5 38.6 40.5 39.8 38.0 36.9 40.3 42.0 41.3 40.4 39.1 38.4 42.0

Continua sul retro 42.1 39.7 38.0 38.7 41.4 37.5 38.6 40.5 39.8 38.0 36.9 40.3 42.0 41.3 40.4 39.1 38.4 42.0 Statistica per l azienda Esame del 19.06.12 COGNOME NOME Matr. Firma Modulo: singolo con Informatica con StatII & PDRM con Mat. & PDRM altro (specificare) Attenzione: Il presente foglio deve essere compilato

Dettagli

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................

Dettagli

Esercizio 1. Svolgimento

Esercizio 1. Svolgimento Esercizio 1 Vengono lanciate contemporaneamente 6 monete. Si calcoli: a) la probabilità che si presentino esattamente 2 testa ; b) la probabilità di ottenere almeno 4 testa ; c) la probabilità che l evento

Dettagli

I Metodi statistici utili nel miglioramento della qualità 27

I Metodi statistici utili nel miglioramento della qualità 27 Prefazione xiii 1 Il miglioramento della qualità nel moderno ambiente produttivo 1 1.1 Significato dei termini qualità e miglioramento della qualità 1 1.1.1 Le componenti della qualità 2 1.1.2 Terminologia

Dettagli

Appunti relativi a Lab4

Appunti relativi a Lab4 Appunti relativi a Lab4 ESEMPIO 1 Sia (X 1,, X n ) un campione aleatorio estratto da una variabile aleatoria X Exp(λ) e sia (x 1,, x n ) una sua realizzazione campionaria contenuta nel vettore oss > set.seed(5)

Dettagli

ELEMENTI DI STATISTICA PER IDROLOGIA

ELEMENTI DI STATISTICA PER IDROLOGIA Carlo Gregoretti Corso di Idraulica ed Idrologia Elementi di statist. per Idrolog.-7//4 ELEMETI DI STATISTICA PER IDROLOGIA Introduzione Una variabile si dice casuale quando assume valori che dipendono

Dettagli

Histogram of C1 Normal

Histogram of C1 Normal Soluzioni domande ed esercizi Fondamenti di Affidabilità Capitolo 2. La vita di un cambio ad ingranaggi può essere fortemente influenzata nelle fasi iniziali della sua vita da problemi derivanti principalmente

Dettagli

AFFIDABILITA DEI SISTEMI

AFFIDABILITA DEI SISTEMI AFFIDABILITA DEI SISTEMI STOCASTICI (complessi) Esercizio: Si assuma che i collegamenti tra una centrale elettrica e una città siano costituite da tre linee collegate in serie i cui tempi di funzionamento

Dettagli

Un po di statistica. Christian Ferrari. Laboratorio di Matematica

Un po di statistica. Christian Ferrari. Laboratorio di Matematica Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di

Dettagli

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -

Dettagli

Test statistici di verifica di ipotesi

Test statistici di verifica di ipotesi Test e verifica di ipotesi Test e verifica di ipotesi Il test delle ipotesi consente di verificare se, e quanto, una determinata ipotesi (di carattere biologico, medico, economico,...) è supportata dall

Dettagli

Insegnamento di Idrologia. Esercitazione n. 2

Insegnamento di Idrologia. Esercitazione n. 2 Insegnamento di Idrologia Esercitazione n. 2 Si vuole determinare la quota da assegnare alla sommità di un argine del Po, posto in corrispondenza del ponte ferroviario di Piacenza, dove esiste una stazione

Dettagli

Matematica II: Calcolo delle Probabilità e Statistica Matematica

Matematica II: Calcolo delle Probabilità e Statistica Matematica Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # Esercizi Statistica Descrittiva Esercizio I gruppi sanguigni di persone sono B, B, AB, O,

Dettagli

CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA

CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA ANNO ACCADEMICO 2013-2014 UNIVERSITA DEGLI STUDI DI TERAMO FACOLTA DI MEDICINA VETERINARIA CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA CFU 5 DURATA DEL CORSO : ORE 35 DOCENTE PROF. DOMENICO DI DONATO

Dettagli

3. Confronto tra medie di due campioni indipendenti o appaiati

3. Confronto tra medie di due campioni indipendenti o appaiati BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

Prova di autovalutazione Prof. Roberta Siciliano

Prova di autovalutazione Prof. Roberta Siciliano Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.

Dettagli

Prefazione all edizione originale. Prefazione all edizione italiana

Prefazione all edizione originale. Prefazione all edizione italiana Indice Prefazione all edizione originale Prefazione all edizione italiana xiii xv 1 Il miglioramento della qualità nel moderno ambiente produttivo 1 1.1 Significato dei termini qualità e miglioramento

Dettagli

Le variabili casuali. Variabile statistica e variabile casuale. Distribuzione di probabilità della v.c X: X P(X) 0 ⅛ 1 ⅜ 3 ⅛

Le variabili casuali. Variabile statistica e variabile casuale. Distribuzione di probabilità della v.c X: X P(X) 0 ⅛ 1 ⅜ 3 ⅛ Università di Macerata Facoltà di Scienze Politiche - Anno accademico 009- Una variabile casuale è una variabile che assume determinati valori con determinate probabilità; Ad una variabile casuale è associata

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1

CORSO 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

Dettagli

Esercizi riassuntivi di probabilità

Esercizi riassuntivi di probabilità Esercizi riassuntivi di probabilità Esercizio 1 Una ditta produttrice di fotocopiatrici sa che la durata di una macchina (in migliaia di copie) si distribuisce come una normale con µ = 1600 e 2 = 3600.

Dettagli

Prelazione. Lista delle Figure. Lista delle Tabelle

Prelazione. 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

Dettagli

Capitolo 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 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

Dettagli

Inferenza statistica. Inferenza statistica

Inferenza statistica. Inferenza statistica Spesso l informazione a disposizione deriva da un osservazione parziale del fenomeno studiato. In questo caso lo studio di un fenomeno mira solitamente a trarre, sulla base di ciò che si è osservato, considerazioni

Dettagli

IN MATLAB distribuzione di frequenza. >> x(1)=7.5; >> for i=2:7 x(i)=x(i-1)+5; end. IN MATLAB distribuzione di frequenza

IN MATLAB distribuzione di frequenza. >> x(1)=7.5; >> for i=2:7 x(i)=x(i-1)+5; end. IN MATLAB distribuzione di frequenza IN MATLAB distribuzione di frequenza 2-1 4. Usare la function histc(dati,x) 2-2 1. Riportare i dati in un file (ad esempio dati.mat); 2. load ascii dati: viene creata una variabile dati contenente il campione;

Dettagli

Il controllo delle prestazioni del provider. IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti)

Il controllo delle prestazioni del provider. IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti) del provider IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti) 1 del provider - premessa (1) in merito alla fase di gestione ordinaria dell outsourcing sono state richiamate le prassi di miglioramento

Dettagli

Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00)

Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00) Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00) Richiami di matematica pag. 2 Definizione (moderatamente) formale di variabile aleatoria

Dettagli

Esercitazione n.1 (v.c. Binomiale, Poisson, Normale)

Esercitazione n.1 (v.c. Binomiale, Poisson, Normale) Esercizio 1. Un azienda produce palline da tennis che hanno probabilità 0,02 di essere difettose, indipendentemente l una dall altra. La confezione di vendita contiene 8 palline prese a caso dalla produzione

Dettagli

Università degli Studi di Catania A.A. 2012-2013. Corso di laurea in Ingegneria Industriale

Università degli Studi di Catania A.A. 2012-2013. Corso di laurea in Ingegneria Industriale Università degli Studi di Catania A.A. 2012-2013 Corso di laurea in Ingegneria Industriale Corso di Analisi Matematica I (A-E) (Prof. A.Villani) Elenco delle dimostrazioni che possono essere richieste

Dettagli

STATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo 3 febbraio 2015. Modelli continui di probabilità: la v.c. uniforme continua

STATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo 3 febbraio 2015. Modelli continui di probabilità: la v.c. uniforme continua STATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo febbraio 2015 Modelli continui di probabilità: la v.c. uniforme continua Esercizio 1 Anna ha una gift card da 50 euro. Non si sa se sia mai stata utilizzata

Dettagli

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a) Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:

Dettagli

Corso 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 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

Dettagli

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato. Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi

Dettagli

Finanza matematica - Lezione 01

Finanza matematica - Lezione 01 Finanza matematica - Lezione 01 Contratto d opzione Un opzione è un contratto finanziario stipulato al tempo, che permette di eseguire una certa transazione, d acquisto call o di vendita put, ad un tempo

Dettagli

Metodologie per l Analisi di Prestazioni

Metodologie per l Analisi di Prestazioni Metodologie per l Analisi di Prestazioni Prof. Michele Colajanni Corso di Impianti di Elaborazione Ingegneria Informatica Università di Modena e Reggio Emilia Principali passi di una metodologia valutativa

Dettagli

-3-2 -1 0 1 2 3. Time. white noise Questo processo viene utilizzato spesso per descrivere un disturbo casuale.

-3-2 -1 0 1 2 3. Time. white noise Questo processo viene utilizzato spesso per descrivere un disturbo casuale. Lezione 7 Processi stocastici Scopo di questa lezione è presentare: il concetto generale di processo stocastico (tempo discreto e tempo continuo) random walk, white noise, dinamiche discrete il moto browniano

Dettagli

1. Exponential smoothing. Metodi quantitativi per i mercati finanziari. Capitolo 5 Analisi dei prezzi. Consideriamo la media mobile esponenziale

1. 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

Dettagli