λ è detto intensità e rappresenta il numero di eventi che si
|
|
- Antonina Ferrara
- 7 anni fa
- Visualizzazioni
Transcript
1 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 servizio, attraverso opportune funzioni di probabilità. Una prima funzione di probabilità alla quale si fa riferimento per lo studio dei sistemi di coda è l esponenziale negativa. Essa è definita nel seguente modo: λ e f (t; λ ) = 0 λ t t 0 t < 0 dove f(t) è la funzione di densità di probabilità. La funzione di distribuzione F(t), è data dall integrale fra meno infinito e t della f(t): F(t) = 1 e λt L esponenziale negativa è una distribuzione di probabilità continua e positiva, cioè la variabile t assume solo valori in + R. Il parametro λ è detto intensità e rappresenta il numero di eventi che si verificano per unità di tempo. Gli eventi in questione possono essere, ad esempio, le telefonate che arrivano ad un centralino, i veicoli che sopraggiungono ad un casello autostradale, ecc.. La distribuzione esponenziale è stata introdotta ed usata come modello per la descrizione probabilistica degli intervalli di tempo intercorrenti tra successive manifestazioni di diversi fenomeni sia naturali che artificiali. La variabile esponenziale negativa è legata alla variabile casuale di Poisson in quanto, se il numero di eventi favorevoli in un determinato intervallo di tempo è distribuito secondo una legge di Poisson, con parametro λ, allora l intervallo di tempo che intercorre fra due eventi successivi è distribuito secondo una esponenziale negativa di parametro λ, e viceversa. La distribuzione di Poisson è una distribuzione di probabilità discreta ad un parametro, utilizzata per rappresentare una vasta gamma di fenomeni casuali, in particolare quelli connessi ad un qualche "conteggio" di eventi (ad esempio il numero di errori, di incidenti o nell ambito idrologico il numero di perturbazioni) in un prefissato periodo di tempo. Quindi, la distribuzione esponenziale negativa non fornisce la probabilità di avere k eventi nel tempo, ma si limita al calcolo della probabilità che un certo evento si verifichi o meno nell intervallo di tempo considerato. La probabilità che si verifichino k eventi nel tempo t è quindi determinata attraverso la distribuzione di Poisson : p(k) = ( λ t) k λ t e k!
2 La distribuzione di Poisson è discreta, cioè la variabile aleatoria può assumere solo valori interi e discreti. Processi stocastici - Catene di Markov Il legame tra la distribuzione esponenziale e di Poisson caratterizza quello che viene comunemente definito come processo stocastico di Poisson, ossia un processo per il quale la distribuzione di probabilità delle variabili casuali presenta la caratteristica di essere dipendente dal tempo. La teoria sui processi di Poisson può essere utilizzata ogni qual volta un sistema che si trova inizialmente in uno stato A, può evolvere in nuovo stato B. Se si considera un processo Poissoniano, di parametro λ, il periodo di tempo T intercorrente tra due successi consecutivi è una variabile casuale che si distribuisce con legge esponenziale. L espressione della funzione di probabilità cumulata dell esponenziale negativa può essere facilmente ricavata a partire dall espressione della distribuzione di Poisson. Considerando che la probabilità che la v.c. T superi un certo valore t è pari alla probabilità (calcolata con Poisson) che nessun evento si verifichi nell intervallo di tempo di lunghezza t, si ha: p(t < t) = 1 F(t) = p(x = 0) = 0 λt ( λt) e λt 0! = e da cui si ottiene: F(t) = 1 e λt La legge esponenziale negativa è l unica funzione di probabilità che non ha memoria, ossia il tempo già speso in un dato stato non influenza lo stato corrente. Per capirne il significato si assuma di avere un processo di Poisson e che sia passato un tempo s dall ultimo evento verificatosi. Ci si chiede quale sia la probabilità che passi ancora almeno un tempo t prima che si verifichi il prossimo evento. La proprietà di assenza di memoria per la distribuzione esponenziale ci dice che la probabilità cercata è indipendente dal valore di s: cioè è come se il processo iniziasse nel momento in cui ci troviamo. Dal punto di vista analitico, un Processo Stocastico è semplicemente definito come una famiglia di variabili aleatorie {Xt}, con t T. In particolare il processo è detto a parametro discreto se l insieme T è un insieme discreto (ad esempio T ={1, 2,...} oppure T = {1, 2,..., m}), a parametro continuo se T è un intervallo non singolare dei numeri reali (ad esempio T = [0, 1]). I processi stocastici sono altresì classificati a seconda della natura delle variabili aleatorie {Xt}, si
3 parlerà quindi di processi discreti se esse sono variabili discrete, di processi continui se sono continue. Un processo stocastico discreto {Xt}, t T = {0, 1, 2,...}, avente un insieme di stati S numerabile, è detto Catena di Markov se verifica le seguenti proprietà: proprietà di Markov: la probabilità di transizione che determina il passaggio ad uno stato di sistema dipende unicamente dallo stato di sistema immediatamente precedente e non dal come si è giunti a tale stato (in quest' ultima ipotesi si parla di processo non markoviano). Ecco perché le catene di Marcov fanno riferimento ad una distribuzione di probabilità esponenziale negativa. probabilità di transizione stazionarie : la stazionarietà delle probabilità di transizione indica che queste ultime non cambiano nel tempo. I sistemi di coda M/M/1 (Marcov Marcov1) sono sistemi in cui gli arrivi sono poissoniani e i tempi di arrivo e di servizio sono distribuiti secondo una legge esponenziale negativa; il numero 1 indica la presenza di un unico canale di coda. Metodo dell inversione Il metodo dell inversione consente, data una distribuzione uniforme di numeri casuali, generati ricorrendo ad esempio alla funzione CASUALE di Excel, di trasformare tali numeri in valori di F(t), al fine di ottenere una serie di numeri casuali distribuiti secondo la funzione di probabilità voluta (in questo caso una esponenziale negativa). Sia x il numero casuale, compreso fra 0 ed 1, generato dalla funzione di excel; il corrispondente F(t) si ottiene attraverso la seguente relazione: x = 1 e ln(1 x = 1 x t = λ λ t λt ) e Poiché il numero casuale, come specificato già in precedenza, è compreso fra 0 ed 1, si può ricorrere alla seguente relazione semplificata: 1 F(t) = e ln(x t = λ λ t λt ) x = e Questo valore di t rappresenta l intervallo di tempo che intercorre fra due arrivi successivi. Le precedenti considerazioni valgono sia per i tempi di arrivo nel sistema che per i tempi di servizio. Si procede, quindi, generando due serie di numeri casuali relativamente alle quali si
4 eseguono le medesime operazioni. Il tempo di uscita dal sistema per ogni utente, poi, è dato dal massimo della somma fra il tempo di ingresso nel sistema e il tempo di servizio, e fra il tempo di uscita dell utente precedente e quello di servizio. Se gli arrivi sono distribuiti secondo una legge esponenziale con parametro λ e i tempi di servizio secondo una legge analoga, con parametro µ, il processo si definisce stazionario solo se λ < µ ; in caso contrario la coda si propagherà teoricamente all infinito.
5 2. Problema in esame e relativa procedura di risoluzione Nel presente elaborato si intende simulare il sistema di coda ad un casello autostradale in 5 ore, sapendo che la legge degli arrivi è caratterizzata da un parametro λ = 10, mentre quella dei tempi di servizio è caratterizzata da un parametro µ = 15. Si ripropone poi il medesimo calcolo per λ = 10, µ = 12 e un tempo di simulazione di 30 ore. Innanzitutto si procede alla generazione dei numeri casuali in un foglio elettronico di Excel; utilizzando la relazione fornita dal metodo di inversione si ottiene una distribuzione esponenziale negativa dei tempi di ingresso nel sistema e di servizio: Infine si determina: ln(x) t =. λ il tempo di uscita dal sistema : t = max{ t + t ; t + t } uscitadalsistema a s uprecedente s il tempo speso in coda da ciascun utente: t coda = t a t u λ 10 arrivi all'ora 0,167 arrivi al minuto µ 15 partenze all'ora 0,25 partenze al minuto
6 I dati sono stati ricavati per tutto il tempo della simulazione; di seguito si riporta una rappresentazione grafica del sistema di coda studiato: Andamento arrivi/partenze tempi Arrivi Partenze
7 La procedura è stata poi ripetuta variando i parametri della distribuzione e per un tempo di simulazione di 30 ore. I risultati sono i seguenti: λ 10 arrivi all'ora 0,167 arrivi al minuto µ 12 partenze all'ora 0,2 partenze al minuto I dati della tabella precedente sono solo una parte della simulazione complessiva fino al raggiungimento delle 30 ore fissate. Il grafico che rappresenta gli andamenti degli arrivi e delle partenze, in questo secondo esempio, è il seguente:
8 Andamento arrivi/partenze tempi Arrivi Partenze
SIMULAZIONE DI SISTEMI CASUALI 2 parte. Processi stocastici e teoria delle code. Processi stocastici
SIMULAZIONE DI SISTEMI CASUALI 2 parte Processi stocastici e teoria delle code Processi stocastici Generalità La distribuzione di Poisson (degli eventi rari) è caratterizzata dall avere una funzione di
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 18 febbraio 2016 (9.00/13.00)
DettagliTEORIA E TECNICA DELLA CIRCOLAZIONE
PROBLEMI DI TEORIA E TECNICA DELLA CIRCOLAZIONE 3 A cura di : Prof. Astarita Vittorio ing. Giofrè Vincenzo Pasquale Argomenti: Distribuzione di Poisson 26 3.1 PROBLEMA Distribuzione di Poisson ed esponenziale
DettagliTre esempi di sistemi di congestione. Analisi delle loro simulazioni in linguaggio Simula
Tre esempi di sistemi di congestione Analisi delle loro simulazioni in linguaggio Simula Generalità introduttive Una larga classe di sistemi reali : Sistemi di produzione Sistemi di traffico e di comunicazione
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA La distribuzione di probabilità e un modello matematico, uno schema di riferimento, che ha caratteristiche note e che può essere utilizzato per rispondere a delle domande derivate
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
DettagliLezione 12. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 12. A. Iodice.
discrete uniforme Bernoulli Poisson Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 56 Outline discrete uniforme Bernoulli Poisson 1 2 discrete 3
DettagliSTATISTICA (2) ESERCITAZIONE 1. Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 1 29.01.2014 Dott.ssa Antonella Costanzo Esercizio 1. Modelli discreti di probabilità: le v.c. binomiale e geometrica (come caso particolare della v.c. binomiale negativa)
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
Dettagli3. Distribuzioni. Corso di Simulazione. Anno accademico 2006/07
Anno accademico 2006/07 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1
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
DettagliVedi: Probabilità e cenni di statistica
Vedi: http://www.df.unipi.it/~andreozz/labcia.html Probabilità e cenni di statistica Funzione di distribuzione discreta Istogrammi e normalizzazione Distribuzioni continue Nel caso continuo la probabilità
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE PROCESSI DI POISSON Definizione Un processo stocastico che assume valori interi non negativi si dice essere un processo di Poisson con frequenza λ se 1. A(t) è un prosesso di
DettagliVariabili casuali ad una dimensione Testi degli esercizi. Variabili casuali ad una dimensione a.a. 2012/2013 1
Variabili casuali ad una dimensione Testi degli esercizi 1 Costruzione di variabile casuale discreta Esercizio 1. Sia data un urna contenente 3 biglie rosse, 2 biglie bianche ed una biglia nera. Ad ogni
DettagliDistribuzione di Poisson Una v. casuale di Poissonè una v. casuale discreta che può assumere qualsiasi valore intero non-negativo
Distribuzione di Poisson Una v. casuale di Poissonè una v. casuale discreta che può assumere qualsiasi valore intero non-negativo E' un modello probabilistico adoperato per rappresentare situazioni di
DettagliINTRODUZIONE ALLA TEORIA DEL TRAFFICO
INTRODUZIONE ALLA TEORIA DEL TRAFFICO IC3N 2000 N. 1 Definizioni preliinari Sistea soggetto a traffico: astrazione definita convenzionalente di un sistea reale (o di una parte di esso in cui entrano ed
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
Dettagli1.3 MODELLI STOCASTICI DEI PROCESSI DI ARRIVO E DI SERVIZIO
20 TEORIA DELLE CODE 1.3 MODELLI STOCASTICI DEI PROCESSI DI ARRIVO E DI SERVIZIO Da quanto visto nei precedenti paragrafi, emerge chiaramente come un sistema di code sia caratterizzato fondamentalmente
DettagliTeoria della probabilità Variabili casuali
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Variabili casuali A.A. 2008-09 Alberto Perotti DELEN-DAUIN Variabile casuale Una variabile
DettagliStatistica, a.a. 2010/2011 Docente: D. Dabergami Lezione 4
X N(m ; s ) f X x 1 e π σ xμ σ σ 0 m F X x x 1 π σ e tμ σ dt 1 0.5 EX μ VarX σ m La distribuzione normale permette di modellizzare moltissimi fenomeni aleatori (ad esempio misure di ogni genere), serve
DettagliFENOMENI CASUALI. fenomeni casuali
PROBABILITÀ 94 FENOMENI CASUALI La probabilità si occupa di fenomeni casuali fenomeni di cui, a priori, non si sa quale esito si verificherà. Esempio Lancio di una moneta Testa o Croce? 95 DEFINIZIONI
Dettagli1. i limiti di p che garantiscono un funzionamento stabile del sistema ;
Problema 1 Un router collega una rete locale ad Internet per mezzo di due linee dedicate, la prima di capacità C 1 = 2.048 Mbit/s e la seconda di capacità C 2 = 512 Kbit/s. Ciascuna linea è dotata di una
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliUniversità degli studi della Tuscia. Principi di Statistica dr. Luca Secondi A.A. 2014/2015. Esercitazione di riepilogo Variabili casuali
Università degli studi della Tuscia Principi di Statistica dr. Luca Secondi A.A. 014/015 Esercitazione di riepilogo Variabili casuali ESERCIZIO 1 Il peso delle compresse di un determinato medicinale si
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
DettagliReti di Telecomunicazioni 1
Reti di Telecomunicazioni 1 AA2011/12 Sistemi a coda Blocco E2 Ing. Francesco Zampognaro e-mail: zampognaro@ing.uniroma2.it Lucidi Prof. Stefano Salsano 1 Definizione di traffico e utilizzazione di un
DettagliEsercitazioni di Statistica Matematica A Lezione 2. Variabili con distribuzione gaussiana
Esercitazioni di Statistica Matematica A Lezione 2 Variabili con distribuzione gaussiana.) Una bilancia difettosa ha un errore sistematico di 0.g ed un errore casuale che si suppone avere la distribuzione
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
DettagliL ATOMO SECONDO LA MECCANICA ONDULATORIA IL DUALISMO ONDA-PARTICELLA. (Plank Einstein)
L ATOMO SECONDO LA MECCANICA ONDULATORIA IL DUALISMO ONDA-PARTICELLA POSTULATO DI DE BROGLIÈ Se alla luce, che è un fenomeno ondulatorio, sono associate anche le caratteristiche corpuscolari della materia
DettagliCONTROLLI AUTOMATICI Ingegneria Gestionale ANALISI ARMONICA
CONTROLLI AUTOMATICI Ingegneria Gestionale http://www.automazione.ingre.unimore.it/pages/corsi/controlliautomaticigestionale.htm ANALISI ARMONICA Ing. Federica Grossi Tel. 059 2056333 e-mail: federica.grossi@unimore.it
DettagliSTATISTICA ESERCITAZIONE. 1) Specificare la distribuzione di probabilità della variabile e rappresentarla graficamente;
0.00 0.05 0.10 0.15 0.20 STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 4 Maggio 2015 Esercizio 1 (Uniforme discreta) Si consideri l esperimento lancio di un dado non truccato. Sia X la variabile casuale
Dettagli0 se y c 1 (y)) se c < y < d. 1 se y d
Capitolo. Parte IX Exercise.. Sia X una variabile aleatoria reale assolutamente continua e sia (a,b) un intervallo aperto (limitato o illimitato) di R, tale che P(X (a,b)) =. Sia ϕ : (a,b) R una funzione
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
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliSTATISTICA AZIENDALE Modulo Controllo di Qualità
STATISTICA AZIENDALE Modulo Controllo di Qualità A.A. 009/10 - Sottoperiodo PROA DEL 14 MAGGIO 010 Cognome:.. Nome: Matricola:.. AERTENZE: Negli esercizi in cui sono richiesti calcoli riportare tutte la
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliStatistica. Esercitazione 10. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice. V.C.
uniforme Bernoulli binomiale di Esercitazione 10 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 55 Outline uniforme Bernoulli binomiale di 1 uniforme 2 Bernoulli 3 4
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliSistemi Discreti. Reti di Petri Stocastiche Automi stocastici Code e Reti di Code Algebra di processi
Sistemi Discreti Reti di Petri Stocastiche Automi stocastici Code e Reti di Code Algebra di processi 1 Code Introduzione Classificazione dei sistemi a coda Legge di Little Sistemi a coda singola Reti di
Dettagliun elemento scelto a caso dello spazio degli esiti di un fenomeno aleatorio;
TEST DI AUTOVALUTAZIONE - SETTIMANA 3 I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Metodi statistici per la biologia 1 Parte A 1.1 Una variabile casuale
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliEsercitazione 4 del corso di Statistica (parte 2)
Esercitazione 4 del corso di Statistica (parte ) Dott.ssa Paola Costantini Febbraio Esercizio n. Il tempo di percorrenza del treno che collega la stazione di Roma Termini con l aeroporto di Fiumicino è
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
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:
DettagliStatistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill
Statistica - metodologie per le scienze economiche e sociali /e S. Borra A. Di Ciaccio - McGraw Hill s. 9. Soluzione degli esercizi del capitolo 9 In base agli arrotondamenti effettuati nei calcoli si
DettagliPotenze, esponenziali e logaritmi 1 / 34
Potenze, esponenziali e logaritmi / 34 Grafico della funzione x 2 e x 2 / 34 y f(x)=x 2 y=x f (x)= x x Le funzioni potenza 3 / 34 Più in generale, si può considerare, per n N, n>0, n pari, la funzione
DettagliModelli e Metodi per l Automazione
Prof. Davide Giglio Modelli e Metodi per l Automazione Facoltà di Ingegneria Anno Accademico 2011/2012 ESEMPI ED ESERCIZI CATENE DI MARKOV 5.1 Si consideri un sistema di produzione costituito da un unica
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
DettagliMATEMATICA FINANZIARIA RISCHI: RAPPRESENTAZIONE E GESTIONE (CENNI)
Matematica Finanziaria, a.a. 2011/2012 p. 1/315 UNIVERSITA DEGLI STUDI DI PARMA FACOLTA DI ECONOMIA MATEMATICA FINANZIARIA RISCHI: RAPPRESENTAZIONE E GESTIONE (CENNI) ANNAMARIA OLIVIERI a.a. 2011/2012
Dettagli1 4 Esempio 2. Si determini la distribuzione di probabilità della variabile casuale X = punteggio ottenuto lanciando un dado. Si ha immediatamente:
CAPITOLO TERZO VARIABILI CASUALI. Le variabili casuali e la loro distribuzione di probabilità In molte situazioni, dato uno spazio di probabilità S, si è interessati non tanto agli eventi elementari (o
DettagliLa simulazione con DERIVE Marcello Pedone LE SIMULAZIONI DEL LANCIO DI DADI CON DERIVE
LE SIMULAZIONI DEL LANCIO DI DADI CON DERIVE Premessa Abbiamo già visto la simulazione del lancio di dadi con excel Vedi: http:///statistica/prob_simu/index.htm Ci proponiamo di ottenere risultati analoghi
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
DettagliVariabili aleatorie scalari
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Variabili aleatorie scalari Sommario della Introduzione CDF e PDF: definizione CDF e PDF: proprietà Distribuzioni uniforme e Gaussiana
DettagliDISTRIBUZIONI DISTRIBUZIONE DI GAUSS
DISTRIBUZIONI ESPERIENZA a: DISTRIBUZIONE DI GAUSS SCOPO: Costruzione di una distribuzione di Gauss dai valori di una grandezza fisica ottenuti da una misura dominata da errori casuali. Studio dell influenza
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
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
DettagliMatematica. Funzioni. Autore: prof. Pappalardo Vincenzo docente di Matematica e Fisica
Matematica Funzioni Autore: prof. Pappalardo Vincenzo docente di Matematica e Fisica Le Funzioni e loro caratteristiche Introduzione L analisi di diversi fenomeni della natura o la risoluzione di problemi
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
DettagliEsercitazione di Statistica Distribuzioni (Uniforme discreta e continua/ Binomiale/ Poisson) 18/11/2015
Esercitazione di Statistica Distribuzioni (Uniforme discreta e continua/ Binomiale/ Poisson) 18/11/2015 Esercizio 1 Il responsabile delle risorse umane di un azienda ha constatato che vi è un turn-over
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,
DettagliESERCIZI SULLE CATENE DI MARKOV. Docente titolare: Irene Crimaldi 18/11/2009 P =
ESERCIZI SULLE CATENE DI MARKOV Docente titolare: Irene Crimaldi 8//9 ESERCIZIO Una catena di Markov (X n ) n con insieme degli stati S = {,,} ha matrice di transizione µ() =, µ() =, µ() =. a) Calcolare
DettagliDistribuzioni statistiche
Distribuzioni statistiche L operazione di determinazione delle modalità del carattere per ciascuno degli elementi del collettivo origina una distribuzione del collettivo secondo il carattere considerato.
DettagliESERCITAZIONE: ESPONENZIALI E LOGARITMI
ESERCITAZIONE: ESPONENZIALI E LOGARITMI e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Esercizio 1 In una coltura batterica, il numero di batteri triplica ogni ora. Se all inizio dell osservazione
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliL assegnazione è coerente? SÌ NO. A e B sono stocasticamente indipendenti? SÌ NO
CALCOLO DELLE PROBABILITÀ - gennaio 00 Scrivere le risposte negli appositi spazi Motivare dettagliatamente le risposte su fogli allegati Nuovo Ordinamento esercizi -4. Vecchio Ordinamento esercizi -6..
DettagliEsercitazione n. 3 - Corso di STATISTICA - Università della Basilicata - a.a. 2011/12 Prof. Roberta Siciliano
Esercitazione n. 3 - Corso di STATISTICA - Università della Basilicata - a.a. 2011/12 Prof. Roberta Siciliano Esercizio 1 Una moneta viene lanciata 6 volte. Calcolare a) La probabilità che escano esattamente
DettagliDistribuzione Gaussiana (Distribuzione ib i normale) l)
(Distribuione ib i normale) l).35.3 5 f().5..5-5 -4-3 - - 3 4 5 Usata per guasti distribuiti casualmente attorno ad un valore medio temporale. Una variabile aleatoria si dice Gaussiana se la sua densità
DettagliProbabilità. Ing. Ivano Coccorullo
Ing. Ivano Coccorullo PROBABILITA Teoria della Eventi certi, impossibili e casuali Nella scienza e nella tecnologia è fondamentale il principio secondo il quale ogni volta che si realizza un insieme di
Dettagli1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano
Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una
DettagliTeoria dell informazione
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria dell informazione A.A. 2008-09 Alberto Perotti DELEN-DAUIN Modello di sistema di comunicazione Il modello di
DettagliDistribuzione Gaussiana - Facciamo un riassunto -
Distribuzione Gaussiana - Facciamo un riassunto - Nell ipotesi che i dati si distribuiscano seguendo una curva Gaussiana è possibile dare un carattere predittivo alla deviazione standard La prossima misura
DettagliLe rappresentazioni e le proprietà dei numeri reali
Le rappresentazioni e le proprietà dei numeri reali In generale un numero qualsiasi, con sviluppo decimale finito o infinito, positivo, negativo o nullo, è un numero relativo e appartiene all insieme dei
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliFUNZIONI. }, oppure la
FUNZIONI 1. Definizioni e prime proprietà Il concetto di funzione è di uso comune per esprimere la seguente situazione: due grandezze variano l una al variare dell altra secondo una certa legge. Ad esempio,
DettagliISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
DettagliUNIVERSITÀ DEGLI STUDI DI PERUGIA
SIGI, Statistica II, esercitazione n. 3 1 UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀ DI ECONOMIA CORSO DI LAUREA S.I.G.I. STATISTICA II Esercitazione n. 3 Esercizio 1 Una v.c. X si dice v.c. esponenziale
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 27 Outline 1 () Statistica 2 / 27 Outline 1 2 () Statistica 2 / 27 Outline 1 2 3 () Statistica 2 /
DettagliElaborazione aut. dei dati
Programma Elaborazione aut. dei dati Sistema interattivo MATLAB Risoluzione di sistemi lineari e di equazioni non lineari Interpolazione e smoothing di dati Opzioni finanziarie Approssimazione di integrali
DettagliV.C. RETTANGOLARE o UNIFORME
V.C. RETTANGOLARE o UNIFORME La v.c. continua RETTANGOLARE o UNIFORME descrive il modello probabilistico dell equiprobabilità. [ a b] X, con densità di probabilità associata: P( x) 1 b a con P(x) costante.
DettagliModelli e Metodi per la Simulazione (MMS)
Modelli e Metodi per la Simulazione (MMS) adacher@dia.uniroma3.it Programma La simulazione ad eventi discreti, è una metodologia fondamentale per la valutazione delle prestazioni di sistemi complessi (di
Dettagli7.6. Distribuzione Esponenziale. Un n.a. continuo X con densità di probabilità
7.6 Distribuzione Esponenziale. 111 7.6. Distribuzione Esponenziale. Un n.a. continuo X con densità di probabilità { λe λx se x, (76) f(x) = se x
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliLa simulazione è l'imitazione di un processo o di un sistema reale per un
1 2 La simulazione è l'imitazione di un processo o di un sistema reale per un determinato periodo di tempo. La simulazione è l'imitazione di un processo o di un sistema reale per un determinato periodo
DettagliCapitolo 6. Variabili casuali continue. 6.1 La densità di probabilità
Capitolo 6 Variabili casuali continue Le definizioni di probabilità che abbiamo finora usato sono adatte solo per una variabile casuale che possa assumere solo valori discreti; vediamo innanzi tutto come
DettagliMatematica II: Calcolo delle Probabilità e Statistica Matematica
Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # 2 1 Distribuzione normale Esercizio 1 Sia X una variabile aleatoria Normale N (5, ). Facendo
DettagliAnalogico vs. Digitale. LEZIONE II La codifica binaria. Analogico vs digitale. Analogico. Digitale
Analogico vs. Digitale LEZIONE II La codifica binaria Analogico Segnale che può assumere infiniti valori con continuità Digitale Segnale che può assumere solo valori discreti Analogico vs digitale Il computer
DettagliAnno 3. Funzioni esponenziali e logaritmi: le 4 operazioni
Anno 3 Funzioni esponenziali e logaritmi: le 4 operazioni 1 Introduzione In questa lezione impareremo a conoscere le funzioni esponenziali e i logaritmi; ne descriveremo le principali caratteristiche e
DettagliStatistica descrittiva e statistica inferenziale
Statistica descrittiva e statistica inferenziale 1 ALCUNI CONCETTI POPOLAZIONE E CAMPIONE Popolazione: insieme finito o infinito di unità statistiche classificate secondo uno o più caratteri Campione:
DettagliStudio di circuiti contenenti diodi Uso di modelli semplificati
STUDIO DI CIRCUITI CONTENENTI DIODI USO DI MODELLI SEMPLIFICATI 1 Primo modello 2 Secondo modello 4 Terzo modello 6 La caratteristica e la retta di carico 8 Studio di circuiti contenenti diodi Uso di modelli
Dettagli1.3. Logaritmi ed esponenziali
1.3. Logaritmi ed esponenziali 1. Rappresentazione sugli assi cartesiani 2. Relazione 3. Definizione di funzione 4. La funzione esponenziale 5. Il logaritmo 6. La funzione logaritma 1-3 1 Rappresentazione
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
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,
DettagliVariabile Casuale Normale
Variabile Casuale Normale Variabile Casuale Normale o Gaussiana E una variabile casuale continua che assume tutti i numeri reali, è definita dalla seguente funzione di densità: 1 f( x) = e σ 2 π ( x µ
DettagliProcessi decisionali e modelli di simulazione
Anno accademico 2008/09 Il Processo decisionale Realtà Sistema Modello Simulazione Decisioni Il sistema e i suoi confini Modelli I modelli sono lo strumento normale con cui interagiamo con la realtà, la
DettagliIndirizzo Giuridico Economico Aziendale
LE VARIABILI CASUALI In molti fenomeni aleatori il risultato di un esperimento è una grandezza che assume valori in modo casuale. Pensa ad esempio al numero di auto che si presentano ad un casello autostradale
Dettagli