Time. white noise Questo processo viene utilizzato spesso per descrivere un disturbo casuale.
|
|
- Giacinta Colli
- 8 anni fa
- Visualizzazioni
Transcript
1 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 ed il processo di Poisson primi elementi sulle equazioni differenziali stocastiche Processi a tempo discreto. Serie temporali Un processo stocastico a tempo discreto è una successione X 1,X 2,..., X n,... di variabili aleatorie. Esempio: X n temperatura massima a Pisa il giorno n-esimo del Esempio: X n velocità media giornaliera nella zona industriale di Livorno il giorno n-esimo del Una serie temporale è una successione finita x 1,x 2,..., x n di numeri reali; detta usualmente così se corrisponde ai valori temporali di qualche grandezza. Legame? Lo stesso che c è tra X variabile aleatoria e x sua realizzazione (valore sperimentale). Pensiamo che una serie temporale sia la sequenza dei valori assunti da un processo stocastico una determinata situazione reale. Una serie temporale si può pensare come una realizzazione di un processo stocastico (limitata ad un tempo finito). Esempio: white noise a tempo discreto Siano X 1,X 2,... delle v.a. indipendenti, gaussiane 0,1. Questo è un processo stocastico. A volte viene chiamato white noise a tempo discreto. Una realizzazione di lunghezza 1000 di questo processo di può ottenere con R, coi comandi X -rnorm(1000,0,1) La stringa X è una serie temporale. Possiamo visualizzarla col comando time series: st.plot(x) x Time white noise Questo processo viene utilizzato spesso per descrivere un disturbo casuale. Esempio: sistema lineare con white noise in input Consideriamo l equazione per ricorrenza
2 X n 1 ax n b W n X 1 x dove x è la condizione iniziale, a,b, sono coefficienti, W n è un white noise a tempo discreto. Risolviamola numericamente, ad esempio per effettuando 100 passi temporali: a - -1/2 b - 0 sigma - 1 x W -rnorm(,0,1) X -1: X[1] -x for (n in 1:(-1)) { X[n 1] -a*x[n] b sigma*w[n] } ts.plot(x) a 1/2, b 0, 1, x 1 X Time Perche abbiamo scelto a 1/2? Già per b 0 vale X n 1 ax n a 2 X n 1... a n X 1 e quindi non esplode solo per a 1. Si provi ad esempio per a 3/2. Esempio: random walk (dim 1,2) Prendiamo a 1 (b 0, 1, x 0): quindi X n 1 X n W n X n 1 W 1 W 2... W n
3 Time X RW 1-dim, 1000 punti Vediamo lo stesso processo a valori nel piano (dim 2): W1 -rnorm(,0,1) W2 -rnorm(,0,1) X1-1: X2-1: X1[1] -0 X2[1] -0 X1 -cumsum(w1) X2 -cumsum(w2) plot(x1,x2, type l ) X X1 RW nel piano, dove abbiamo usato il comando che esegue le somme cumulative. Il moto browiniano è il limite a tempo continuo della random walk. L ultima figura, essendo a punti, ha la parvenza di un moto browiano. Ci torneremo sopra. I due punti di vista Fondamentale è il doppio punto di vista con cui si può studiare un processo stocastico. Pensiamo specificamente al valore X n di apertura del titolo FIAT il giorno n-esimo del Da un lato, possiamo fissare n n 0 (es. un giorno del futuro) e chiederci quale sia la distribuzione di probabilità di X n0 ; possiamo ad esempio chiederci che valore ci aspettiamo mediamente, con quale deviazione standard, quale sarà la probabilità che il titolo apra con un valore inferire ad una certa soglia. Dall altro, possiamo osservare una realizzazione del processo, cioè una sequenza di valori specifici x 1,x 2,... accaduti o che possono potenzialmente accadere, una storia (serie storica).
4 Processi a tempo continuo Si chiama processo stocastico a tempo continuo ogni famiglia X t t 0 di variabili aleatorie indicizzata dal tempo t 0,. Un esempio: X t velocità del vento nella zona industriale di Livorno all istante t. Con lo stesso nome si indicano anche i casi in cui il tempo varia su tutto l asse reale: X t t R ; oppure su un intervallo 0,T : X t t 0,T e così via per situazioni simili a queste. Due visioni: fissato t, X t è una variabile aleatoria; se osserviamo una storia particolare, che accade in un esperimento (anche ideale), osserviamo una realizzazione (detta anche una traiettoria del processo). Una realizzazione è una funzione di t, che varia nel continuo (prima, una realizzazione, cioè una serie storica, era una successione discreta). Se pensiamo alle realizzazioni come i possibili risultati degli esperimenti (esperimenti protratti nel tempo), vediamo un processo stocastico come una funzione aleatoria. Il caso sceglie una certa funzione tra tutte quelle possibili. Più generale che tempo continuo? E però interessante in certe applicazioni considerare variabili aleatorie indicizzate da parametri più generali, ad esempio lo spazio, o lo spazio-tempo. Continueremo a chiamarli processi stocastici, oppure più specificamente campi aleatori. Ad esempio è un campo aleatorio una famiglia U t,x,y,z t,x,y,z R indicizzata da tempo e spazio. Un esempio concreto può essere la velocità dell aria nel punto x,y,z dello spazio, all istante t (nello studio delle predizioni atmosferiche si deve considerare questa grandezza aleatoria al variare di tempo e spazio). Infine, per alcune applicazioni specifiche sono interessanti le famiglie di variabili aleatorie indicizzate da insiemi: X A A R d. Ad esempio: X A quantità d acqua piovana che cade nella regione A; oppure a,b numero di chiamate telefoniche che arriva ad una centrale nel periodo di tempo a,b. In definitiva, volendo dare una definizione generale, un processo stocastico è una famiglia di variabili aleatorie indicizzata da un qualche insieme di parametri. Esempi a tempo continuo Sono immediatamente un po più astratti oppure richiedono più teoria. Moto browniano Vuole essere l analogo della random walk, ma a tempo continuo. ella RW si sommano incrementi indipendenti, a tempi discreti. Qui allora richiederemo che il processo sia somma di incrementi indipendenti, ma incrementi relativi a tempi qualsiasi. Inoltre, nella RW, gli incrementi erano v.a. gaussiane. Qui si chiede lo stesso, sempre a tempi qualsiasi. Ecco le sue proprietà fondamentali, che lo definiscono (in modo non costruttivo come per la RW): B 0 0 per ogni coppia di tempi t s 0, l incremento B t B s è una v.a. 0,t s gli incrementi B tn B tn 1,..., B t1 B t0 sono indipendenti, per ogni n 1 e 0 t 0 t 1... t n imponiamo inoltre che le traiettorie siano funzioni continue.
5 Possiamo visualizzare, simulare, delle traiettorie di un MB? Come sempre, le simulazioni impongono una discretizzazione (lo stesso vale anche se volessimo raffigurare la funzione sint). Fissiamo quindi una sequenza di tempi t 1 t 2... t n rispetto a cui vogliamo i valori di una traiettoria. Per semplicità. prendiamo i tempi equispaziati: t k k, k 1,...,n. Vale B tk B 1 B 0 B 2 B 1 B 3 B 2 cioè il MB al generico tempo t k k è somma di gaussiane indipendenti e con la stessa distribuzione, cioè è una RW! Basta quindi rappresentare una RW. Si può essere quantitativamente più precisi. Supponiamo ad esempio di voler raffigurare una traiettoria browniana per t 0,5, usando 5000 punti. Prendiamo 1000, k 1,...,5000. Ciascun incremento... è una B k 1 B k 0, k 1 k 0, 1 1 cioè una gaussiana di deviazione standard L W -rnorm(l,0,sqrt(1/1000)) X -1:L X[1] -0 X -cumsum(w) ts.plot(x). Ecco allora i comandi: X T i m e una traiettoria del MB Facciamo una verifica incrociata. Il valore finale della simuolazione precedente è B 5, il MB al tempo 5. In base alle sue proprietà, dev essere una v.a. 0,5. Ripetiamo allora 1000 volte la simulazione precedente, vediamo un istogramma e calcoliamo media e deviazione. Ecco i risultati:
6 Histogram of B Frequency B mean(b) [1] sd(b) [1] (vale ). White noise a tempo continuo? Tempo discreto: RW cumulato del W, ovvero: Tempo continuo: white noise incrementi della RW. white noise derivata del MB. Però si può dimostrare che le realizzazioni del MB non sono derivabili (non esiste finito il limite del rapporto incrementale). L idea viene dal fatto che Var B t B s t s 1 t s 2 Var B t B s t s t s 2 1 t s che diverge per t s. Per dare senso al concetto di white noise, serve il concetto di derivata nel senso delle distribuzioni, che non sviluppiamo. Moralmente, il white noise a tempo continuo è un processo W t tale che: i) W t è 0, 2, ii) W t1,...,w t sono indipendenti. Ma al tempo stesso: 2. La prima figura di questi appunti rende l idea, pur essendo un approssimazione discreta. Detour: esponenziali e Poisson (Sottotitolo: un bel legame tra il continuo ed il discreto) Ricordiamo che una v.a. T si dice esponenziale di parametro 0 se la sua survival function vale P T t e t. E un caso particolare di Weibull, con shape 1, scale 1/. Una v.a. discreta, che assume solo i valori interi non negativi, si dice di Poisson di parametro 0 se assume il generico valore n con probabilità Osserviamo che n e n! n 0 n P n e n!. e n n! n 0 quindi i numeri suddetti sono delle probabilità. Vale E, Var. e e 1
7 Theorem Siano T 1,T 2,... v.a. esponenziali indipendenti, di parametro. Poniamo S n T 1 T 2... T n. Fissato t 0, indichiamo con t il numero, aleatorio, degli n per cui S n t. Allora t è una v.a. di Poisson di parametro t. A prima vista l enunciato può essere di non facile lettura o interpretazione. Raffiguriamolo. Generiamo 10 numeri esponenziali di parametro 1/2, indicati con T, e cumuliamoli in S: T - rweibull(10,1,2) S - cumsum(t) S Consideriamo la funzione costante a tratti che aumenta di un unità ad ogni istante S n (la si può disegnare usando l espediente della ecdf): e c d f(s ) Fn(x) x Se abbiamo precedentemente fissato, ad esempio, il tempo t 15, il valore di questa funzione all istante t è t. Relativamente a questa simulazione, t 5, ma naturalmente dipende dalla simulazione. Il teorema afferma che t è una v.a. di Poisson. Processo di Poisson Appoggiamoci al teorema precedente ed alla figura. Per ogni t 0, è definita una v.a. t, il numero di salti entro il tempo t, che per il teorema è una Poisson di parametro t. Vedendo questa variabile al trascorrere di t, cioè come processo stocastico t t 0, abbiamo costruito il cosidetto processo di Poisson t t 0 di intensità 0. Esso può essere definito o nel modo precedente (costruttivo) oppure tramite le seguenti proprietà (in modo analogo al MB): 0 0 t s, per ogni t s 0, è una v.a. di Poisson di parametro t s gli incrementi tn tn 1,..., t1 t0 sono indipendenti, per ogni n 1 e 0 t 0 t 1... t n. L equivalenza tra le due definizioni richiede del lavoro, ma possiamo ad esempio sservare che dalla definizione più astratta discende che: i) se si prende s 0, scopriamo che t è una v.a. di Poisson di parametro t; ii) quindi i valori del processo di Poisson t t 0 sono i numeri interi non negativi: questo significa che se tracciamo il grafico di una generica realizzazione, tale grafico è una curva costante a tratti; iii) ed inoltre è non decrescente in quanto gli incrementi sono anch essi di Poisson; quindi il grafico è una sorta di scalinata ascendente, con salti posizionati irregolarmente. Ci avviciniamo quindi alla visione costruttiva, pur mancando la dimostrazione del fatto che gli intertempi tra un salto
8 ed il successivo sono v.a. esponenziali di parametro indipendenti. Il processo di Poisson serve ad esempio a descrivere il numero di arrivi ad un sistema di servizio, se si può assumere che gli intertempi di arrivo siano esponenziali. Generalizzazioni di Poisson Ci sono varie generalizzazioni interessanti. Data una densità di probabilità f x (non è nemmeno necessario che sia normalizzata ad 1) si può usare questa al posto di nel seguente modo: nella seconda proprietà del processo di Poisson si richiede che t s, per t s 0, è una v.a. di Poisson di parametro s t f x dx. e deriva il cosidetto processo di Poisson non omogeneo, avente funzione di intensità f. Serve ad esempio, per gli arrivi ad un servizio, a distinguere le ore di punta. Un altra generalizzazione è quella al caso bidimensionale (o multidimensionale): punti di Poisson nel piano. Però serve un cambio di punto di vista: bisogna introdurre un processo A A R 2 indicizzato dagli insiemi A del piano e richiedere: A P A A1,..., Ak indipendenti se A 1,..., A k sono insiemi disgiunti. Qui A indica l area di A. Oppure si può generalizzare chiedendo A P A f x dx. Tali processi di Poisson, detti anche processi di punto (di tipo Poisson) nel piano, descrivono vari problemi. Possono indicare il numero di individui colpiti da una certa epidemia, al variare della zona in esame. Oppure, possono descrivere le posizioni aleatorie in cui avvengono determinati avvenimenti. Infatti, in un certo senso opportuno, è come se dietro un processo di Poisson del piano ci fosse una famiglia di punti aleatori P i, P i R 2, e la generica v.a. A fosse definita dal numero di punti che cadono in A (si pensi al caso unidimensionale e gli istanti legati ai tempi T i ). Il software R permette una qualche analisi di questi processi, tramite il package spatial. Un modo approssimato di produrre dei punti di Poisson nel piano è quello di produrre dei punti distribuiti in modo uniforme. Però la densità uniforme ha senso solo su insiemi limitati, per questo è un approssimazione. Si può quindi prendere un grande intervallo L,L, generare delle coppie X,Y di coordinate indipendenti, ciascuna uniforme in L,L. Ecco il risultato (100 punti): Y X Dinamiche stocastiche Idea comune a tanti modelli: la dinamica di un sistema è descritto da un equazione alle differenze finite o da un equazione differenziale, però sono presenti delle incertezze: dati iniziali aleatori (non si conosce l esatta configurazione iniziale) parametri aleatori (es. non si conosce il valore esatto di una certa concentrazione
9 chimica) c è rumore di fondo ci sono variabili che non sappiamo descrivere in modo deterministico. Esempio: evoluzione di una frattura in una lastra di vetro esposta al vento. L influenza del vento viene descritta da un processo stocastico t (es. pressione all istante t), dato a priori, con proprietà statistiche ragionevoli; l ampiezza a t della frattura risolve una certa equazione differenziale del tipo da t f a t, t. Dinamiche discrete e sistemi autoregressivi Accenniamo al caso a tempo discreto: pensiamo ad un sistema descritto da una grandezza P n (es. il prezzo del petrolio il mese n-esimo del 2010), che risolve un equazione ricorsiva, ad esempio lineare, del tipo P n 1 ap n bp n 1 c W n dove W n è un white noise a tempo discreto. Si possono immaginare varie generalizzazioni. Vediamo un uso pratico di questo tipo di modello. Supponiamo di avere una serie storica, es. il prezzo del petrolio mese per mese negli anni Carichiamo la serie storica in R, nel vettore P di lunghezza 48. Possiamo visualizzare P con ts.plot(p). Ora, prendiamo le seguenti finestre: Y -P[3:48] X1 -P[2:47] X2 -P[1:46] che sono tre vettori di lunghezza 46, ed eseguiamo con R una regressione lineare multipla col comando linear model : REG - lm(y~x1 X2) cioè cerchiamo i coefficienti a,b,c per cui il modello lineare Y ax 1 bx 2 c descrive nel modo più aderente possibile il legame tra i tre vettori. Trovati a,b,c, possiamo usare la formula precedente per estrapolare (prevedere) i valori nel futuro. Equazioni differenziali stocastiche - Equazioni differenziali del tipo: dx t b X t,t X t,t db t - Analogo nel continuo delle equazioni ricorsive nel discreto. - White noise discreto W n rimpiazzato da dbt ( white noise nel continuo). - La soluzione X t t 0 è un processo stocastico. - Possiamo simulare delle traiettorie di X t t 0 discretizzando l equazione. - Possiamo calcolare la densità di probabilità di X t risolvendo un equazione alle derivate parziali di tipo parabolico, detta equazione di Fokker-Planck. Esempi di traiettorie di EDS Equilibrio stocastico.
10 L equazione differenziale dx t X t, X 0 x 0 è uno dei modelli più semplici di sistema con un breve transitorio seguito da una situazione di equilibrio. La soluzione è X t e t x 0, che tende esponenzialmente all equilibrio X 0. Se aggiungiamo un white noise dx t X t db t, X 0 x 0 otteniamo ugualmente un sistema che rilassa all equilibrio (la parte viscosa o dissipativa X t continua ad agire) ma il sistema fluttua in modo casuale attorno al vecchio equilibrio deterministico. Possiamo considerare un equilibrio statistico, questa nuova situazione. c(-1, 1) c(0, * h) I due grafici sono stati ottenuti coi comandi x0-1 h s -0.1 W -rnorm(,0,sqrt(h)) X.det -1: X -1: X.det[1] -x0 X[1] -x0 for (n in 1:(-1)) { X.det[n 1] - X.det[n] - h*x.det[n] X[n 1] - X[n] - h*x[n] s*w[n] } plot(c(0,*h),c(-1,1)) lines(c(0,*h),c(0,0), type l ) T -(1:)*h lines(t,x.det) lines(t,x,col red ) otiamo un dettaglio della discretizzazione. Abbiamo usato il metodo di Eulero esplicito (per semplicità). Indichiamo con 0 t 1 t 2... gli istanti di discretizzazione, che prendiamo della forma t n n h (h è il passo di discretizzazione), e scriviamo
11 ovvero X tn 1 X tn h X tn B t n 1 B tn h X tn 1 X tn h X tn B tn 1 B tn. La v.a. B tn 1 B tn è 0,h. Per questo abbiamo usato il comando W -rnorm(,0,sqrt(h)). Un sistema a due stati L equazione differenziale dx t X t X t 3, X 0 x 0 ha la proprietà che le soluzioni tendono ai due punti fissi X 1 e X 1 (salvo la soluzione uscente da x 0 0 che resta nulla). Ogni soluzione ha un destino preciso, X 1 oppure X 1. Aggiungendo un rumore dx t X t X t 3 db t, X 0 x 0 si ottiene un sistema che tende provvisoriamente ad uno dei due punti fissi, però fluttua intorno ad esso, e quando una fluttuazione è sufficientemente grande, transisce all altro punto fisso; e così via all infinito. In fisica è chiamato l effetto tunneling: ci sono due buche di potenziale ed il sistema, a causa delle fluttuazioni, ogni tanto cambia buca. c(-2, 2) c(0, * h)
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
Dettagli13. Campi vettoriali
13. Campi vettoriali 1 Il campo di velocità di un fluido Il concetto di campo in fisica non è limitato ai fenomeni elettrici. In generale il valore di una grandezza fisica assegnato per ogni punto dello
DettagliPROBABILITÀ - 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 -
DettagliProbabilità 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:
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliEnergia e Lavoro. In pratica, si determina la dipendenza dallo spazio invece che dal tempo
Energia e Lavoro Finora abbiamo descritto il moto dei corpi (puntiformi) usando le leggi di Newton, tramite le forze; abbiamo scritto l equazione del moto, determinato spostamento e velocità in funzione
DettagliBasi di matematica per il corso di micro
Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
DettagliINTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.
INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati
DettagliCAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI
CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI Abbiamo studiato successioni e serie numeriche, ora vogliamo studiare successioni e serie di funzioni. Dato un insieme A R, chiamiamo successione di funzioni
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
Dettagli2. Leggi finanziarie di capitalizzazione
2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M
DettagliProbabilità discreta
Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che
DettagliIl concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
DettagliLa 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
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
Dettagli1 Serie di Taylor di una funzione
Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita
DettagliTransitori del primo ordine
Università di Ferrara Corso di Elettrotecnica Transitori del primo ordine Si consideri il circuito in figura, composto da un generatore ideale di tensione, una resistenza ed una capacità. I tre bipoli
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
DettagliScheda n.5: variabili aleatorie e valori medi
Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliApplicazioni lineari
Applicazioni lineari Esempi di applicazioni lineari Definizione. Se V e W sono spazi vettoriali, una applicazione lineare è una funzione f: V W tale che, per ogni v, w V e per ogni a, b R si abbia f(av
DettagliMATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni.
MATEMATICA. Sistemi lineari in due equazioni due incognite. Date due equazioni lineari nelle due incognite x, y come ad esempio { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un
DettagliCONTINUITÀ E DERIVABILITÀ Esercizi proposti. 1. Determinare lim M(sinx) (M(t) denota la mantissa di t)
CONTINUITÀ E DERIVABILITÀ Esercizi proposti 1. Determinare lim M(sin) (M(t) denota la mantissa di t) kπ/ al variare di k in Z. Ove tale limite non esista, discutere l esistenza dei limiti laterali. Identificare
DettagliFacciamo 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
DettagliOttimizazione vincolata
Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l
DettagliL analisi dei dati. Capitolo 4. 4.1 Il foglio elettronico
Capitolo 4 4.1 Il foglio elettronico Le più importanti operazioni richieste dall analisi matematica dei dati sperimentali possono essere agevolmente portate a termine da un comune foglio elettronico. Prenderemo
DettagliMINIMI QUADRATI. REGRESSIONE LINEARE
MINIMI QUADRATI. REGRESSIONE LINEARE Se il coefficiente di correlazione r è prossimo a 1 o a -1 e se il diagramma di dispersione suggerisce una relazione di tipo lineare, ha senso determinare l equazione
DettagliMatematica e Statistica
Matematica e Statistica Prova d esame (0/07/03) Università di Verona - Laurea in Biotecnologie - A.A. 0/3 Matematica e Statistica Prova di MATEMATICA (0/07/03) Università di Verona - Laurea in Biotecnologie
DettagliVARIABILI 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
DettagliFUNZIONE REALE DI UNA VARIABILE
FUNZIONE REALE DI UNA VARIABILE Funzione: legge che ad ogni elemento di un insieme D (Dominio) tale che D R, fa corrispondere un elemento y R ( R = Codominio ). f : D R : f () = y ; La funzione f(): A
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
DettagliMetodi numerici per la risoluzione di equazioni. Equazioni differenziali ordinarie
Metodi numerici per la risoluzione di equazioni differenziali ordinarie Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ Lezione 5-31 ottobre 2005 Outline 1 Il problema di Cauchy Il problema
DettagliCorrispondenze e funzioni
Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei
DettagliIl Campionameto dei segnali e la loro rappresentazione. 1 e prende il nome frequenza di
Il Campionameto dei segnali e la loro rappresentazione Il campionamento consente, partendo da un segnale a tempo continuo ovvero che fluisce con continuità nel tempo, di ottenere un segnale a tempo discreto,
DettagliCapitolo 1 ANALISI COMPLESSA
Capitolo 1 ANALISI COMPLESSA 1 1.4 Serie in campo complesso 1.4.1 Serie di potenze Una serie di potenze è una serie del tipo a k (z z 0 ) k. Per le serie di potenze in campo complesso valgono teoremi analoghi
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
DettagliStatistiche campionarie
Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle
Dettaglix 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0.
Problema. Sia W il sottospazio dello spazio vettoriale R 4 dato da tutte le soluzioni dell equazione x + x 2 + x = 0. (a. Sia U R 4 il sottospazio dato da tutte le soluzioni dell equazione Si determini
DettagliParte 3. Rango e teorema di Rouché-Capelli
Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
DettagliPolitecnico 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.....................
DettagliIniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:
Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione
DettagliSTUDIO DI UNA FUNZIONE
STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliMetodi Stocastici per la Finanza
Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2011-2012 Lezione 6 Indice 1 Il metodo bootstrap 2 Esercitazione 3 Interpolazione
Dettagli2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione
Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza
DettagliCorso di Automazione Industriale 1. Capitolo 4
Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione
DettagliSulle funzioni di W 1,p (Ω) a traccia nulla
Sulle funzioni di W 1,p () a traccia nulla Sia u W 1,p (R n ) e supponiamo che il supp u, essendo un aperto di R n. Possiamo approssimare u con una successione di funzioni C il cui supporto è contenuto
DettagliLA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di
STATISTICA LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di oggetti; cerca, attraverso l uso della matematica
DettagliEquazioni alle differenze finite (cenni).
AL 011. Equazioni alle differenze finite (cenni). Sia a n } n IN una successione di numeri reali. (Qui usiamo la convenzione IN = 0, 1,,...}). Diremo che è una successione ricorsiva o definita per ricorrenza
Dettagli1 Definizione: lunghezza di una curva.
Abstract Qui viene affrontato lo studio delle curve nel piano e nello spazio, con particolare interesse verso due invarianti: la curvatura e la torsione Il primo ci dice quanto la curva si allontana dall
Dettagli1 Applicazioni Lineari tra Spazi Vettoriali
1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!
DettagliMatematica generale CTF
Equazioni differenziali 9 dicembre 2015 Si chiamano equazioni differenziali quelle equazioni le cui incognite non sono variabili reali ma funzioni di una o più variabili. Le equazioni differenziali possono
DettagliLezioni di Matematica 1 - I modulo
Lezioni di Matematica 1 - I modulo Luciano Battaia 16 ottobre 2008 Luciano Battaia - http://www.batmath.it Matematica 1 - I modulo. Lezione del 16/10/2008 1 / 13 L introduzione dei numeri reali si può
DettagliFinanza 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
DettagliParte 6. Applicazioni lineari
Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
DettagliProof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme
G Pareschi Principio di induzione Il Principio di Induzione (che dovreste anche avere incontrato nel Corso di Analisi I) consente di dimostrare Proposizioni il cui enunciato è in funzione di un numero
DettagliIntroduzione al MATLAB c Parte 2
Introduzione al MATLAB c Parte 2 Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 18 gennaio 2008 Outline 1 M-file di tipo Script e Function Script Function 2 Costrutti di programmazione
Dettaglix (x i ) (x 1, x 2, x 3 ) dx 1 + f x 2 dx 2 + f x 3 dx i x i
NA. Operatore nabla Consideriamo una funzione scalare: f : A R, A R 3 differenziabile, di classe C (2) almeno. Il valore di questa funzione dipende dalle tre variabili: Il suo differenziale si scrive allora:
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
DettagliVC-dimension: Esempio
VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio
DettagliRELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della
RELAZIONE TRA VARIABILI QUANTITATIVE Lezione 7 a Accade spesso nella ricerca in campo biomedico, così come in altri campi della scienza, di voler studiare come il variare di una o più variabili (variabili
DettagliMattia Zanella mattia.zanella@unife.it www.mattiazanella.eu
mattia.zanella@unife.it www.mattiazanella.eu Department of Mathematics and Computer Science, University of Ferrara, Italy Ferrara, 1 Maggio 216 Programma della lezione Seminario II Equazioni differenziali
DettagliApplicazioni del calcolo differenziale allo studio delle funzioni
Capitolo 9 9.1 Crescenza e decrescenza in piccolo; massimi e minimi relativi Sia y = f(x) una funzione definita nell intervallo A; su di essa non facciamo, per ora, alcuna particolare ipotesi (né di continuità,
DettagliAPPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI
APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................
DettagliDocente: Anna Valeria Germinario. Università di Bari. A.V.Germinario (Università di Bari) Analisi Matematica ITPS 1 / 22
Laurea in Informatica e Tecnologie per la Produzione del Software Corso di Analisi Matematica Calcolo differenziale e approssimazioni, formula di Taylor Docente: Anna Valeria Germinario Università di Bari
DettagliLa grafica. La built-in funzione grafica plot. x spezzata poligonale. discretizzato
La grafica. Il Matlab possiede un ambiente grafico abbastanza potente paragonabile a software grafici operanti in altri contesti. In questo corso ci limiteremo ad illustrare solo una funzione grafica,
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliCome visto precedentemente l equazione integro differenziale rappresentativa dell equilibrio elettrico di un circuito RLC è la seguente: 1 = (1)
Transitori Analisi nel dominio del tempo Ricordiamo che si definisce transitorio il periodo di tempo che intercorre nel passaggio, di un sistema, da uno stato energetico ad un altro, non è comunque sempre
DettagliLEZIONE 31. B i : R n R. R m,n, x = (x 1,..., x n ). Allora sappiamo che è definita. j=1. a i,j x j.
LEZIONE 31 31.1. Domini di funzioni di più variabili. Sia ora U R n e consideriamo una funzione f: U R m. Una tale funzione associa a x = (x 1,..., x n ) U un elemento f(x 1,..., x n ) R m : tale elemento
Dettagli1. PRIME PROPRIETÀ 2
RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,
DettagliProva 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.
DettagliStatistica 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
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
Dettaglia b c Figura 1 Generatori ideali di tensione
Generatori di tensione e di corrente 1. La tensione ideale e generatori di corrente Un generatore ideale è quel dispositivo (bipolo) che fornisce una quantità di energia praticamente infinita (generatore
DettagliDiagonalizzazione di matrici e applicazioni lineari
CAPITOLO 9 Diagonalizzazione di matrici e applicazioni lineari Esercizio 9.1. Verificare che v = (1, 0, 0, 1) è autovettore dell applicazione lineare T così definita T(x 1,x 2,x 3,x 4 ) = (2x 1 2x 3, x
DettagliForze, leggi della dinamica, diagramma del. 28 febbraio 2009 (PIACENTINO - PREITE) Fisica per Scienze Motorie
Forze, leggi della dinamica, diagramma del corpo libero 1 FORZE Grandezza fisica definibile come l' agente in grado di modificare lo stato di quiete o di moto di un corpo. Ci troviamo di fronte ad una
DettagliProf.ssa Paola Vicard
Questa nota consiste perlopiù nella traduzione (con alcune integrazioni) da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo i dati nel file esercizio10_dati.xls.
DettagliLezione 10: Il problema del consumatore: Preferenze e scelta ottimale
Corso di Scienza Economica (Economia Politica) prof. G. Di Bartolomeo Lezione 10: Il problema del consumatore: Preferenze e scelta ottimale Facoltà di Scienze della Comunicazione Università di Teramo Scelta
DettagliFunzioni inverse Simmetrie rispetto alla bisettrice dei quadranti dispari. Consideriamo la trasformazione descritta dalle equazioni : = y
Funzioni inverse Simmetrie rispetto alla bisettrice dei quadranti dispari. Consideriamo la trasformazione descritta dalle equazioni : ' = y y' = Consideriamo il punto P(,5) se eseguiamo tra trasformazione
DettagliAutomazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it
Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione
DettagliEQUAZIONI DIFFERENZIALI. 1. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x 2 log t (d) x = e t x log x (e) y = y2 5y+6
EQUAZIONI DIFFERENZIALI.. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x log t (d) x = e t x log x (e) y = y 5y+6 (f) y = ty +t t +y (g) y = y (h) xy = y (i) y y y = 0 (j) x = x (k)
DettagliEQUAZIONI DIFFERENZIALI Esercizi svolti. y = xy. y(2) = 1.
EQUAZIONI DIFFERENZIALI Esercizi svolti 1. Determinare la soluzione dell equazione differenziale (x 2 + 1)y + y 2 =. y + x tan y = 2. Risolvere il problema di Cauchy y() = 1 2 π. 3. Risolvere il problema
DettagliInterpolazione ed approssimazione di funzioni
Interpolazione ed approssimazione di funzioni Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 9 novembre 2007 Outline 1 Polinomi Valutazione di un polinomio Algoritmo di Horner
DettagliLE FIBRE DI UNA APPLICAZIONE LINEARE
LE FIBRE DI UNA APPLICAZIONE LINEARE Sia f:a B una funzione tra due insiemi. Se y appartiene all immagine di f si chiama fibra di f sopra y l insieme f -1 y) ossia l insieme di tutte le controimmagini
DettagliFasi di creazione di un programma
Fasi di creazione di un programma 1. Studio Preliminare 2. Analisi del Sistema 6. Manutenzione e Test 3. Progettazione 5. Implementazione 4. Sviluppo 41 Sviluppo di programmi Per la costruzione di un programma
DettagliQUANTIZZAZIONE diverse fasi del processo di conversione da analogico a digitale quantizzazione
QUANTIZZAZIONE Di seguito lo schema che illustra le diverse fasi del processo di conversione da analogico a digitale. Dopo aver trattato la fase di campionamento, occupiamoci ora della quantizzazione.
DettagliMetodi di previsione
Metodi di previsione Giovanni Righini Università degli Studi di Milano Corso di Logistica I metodi di previsione I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali
DettagliAnalisi e diagramma di Pareto
Analisi e diagramma di Pareto L'analisi di Pareto è una metodologia statistica utilizzata per individuare i problemi più rilevanti nella situazione in esame e quindi le priorità di intervento. L'obiettivo
DettagliComplementi di Termologia. I parte
Prof. Michele Giugliano (Dicembre 2) Complementi di Termologia. I parte N.. - Calorimetria. Il calore è una forma di energia, quindi la sua unità di misura, nel sistema SI, è il joule (J), tuttavia si
DettagliTeoria delle code. Sistemi stazionari: M/M/1 M/M/1/K M/M/S
Teoria delle code Sistemi stazionari: M/M/1 M/M/1/K M/M/S Fabio Giammarinaro 04/03/2008 Sommario INTRODUZIONE... 3 Formule generali di e... 3 Leggi di Little... 3 Cosa cerchiamo... 3 Legame tra N e le
DettagliRETTE, PIANI, SFERE, CIRCONFERENZE
RETTE, PIANI, SFERE, CIRCONFERENZE 1. Esercizi Esercizio 1. Dati i punti A(1, 0, 1) e B(, 1, 1) trovare (1) la loro distanza; () il punto medio del segmento AB; (3) la retta AB sia in forma parametrica,
DettagliDefinisci il Campo di Esistenza ( Dominio) di una funzione reale di variabile reale e, quindi, determinalo per la funzione:
Verso l'esame di Stato Definisci il Campo di Esistenza ( Dominio) di una funzione reale di variabile reale e, quindi, determinalo per la funzione: y ln 5 6 7 8 9 0 Rappresenta il campo di esistenza determinato
Dettagli