CONTROLLO DI ROBOT INDUSTRIALI IL FILTRO DI KALMAN
|
|
- Andrea Riccardo Tonelli
- 7 anni fa
- Visualizzazioni
Transcript
1 CONTROLLO DI SISTEMI ROBOTICI Laurea Specialistica in Ingegneria Meccatronica CONTROLLO DI ROBOT INDUSTRIALI IL FILTRO DI KALMAN Ing. Tel Tecnologia e Incertezza In pratica, l uscita di un sistema è una misura, ovvero l uscita di uno o più sensori che è affetta da un rumore che può essere dovuto a vari fattori come disturbi, limiti costruttivi e quantizzazione dell informazione I sistemi di attuazione, specialmente quelli low-cost, possono essere inaccurati e questa inaccuratezza può essere descritta come un rumore sull ingresso I modelli sono per definizione inaccurati e la loro imperfezione può esssere modellata come un rumore di processo Tutti questi rumori danno luogo sia a un incertezza di misura che a un incertezza di processo. Raggiungibilità e Controllabilità-- 2 Pag. 1
2 Tecnologia e Incertezza 2 m u k y b Incertezza di processo: attriti statici, dissipazione della molla, quantizzazione controllo Incertezza di misura: quantizzazione della misura (es.: encoder), rumore Raggiungibilità e Controllabilità-- 3 Tecnologia e Incertezza L incertezza rende problematico il problema della stima dello stato in quanto il rumore sull uscita falsa l informazione sullo stato e il rumore sul processo falsa il modello utilizzato per l osservatore. Se il modello è abbastanza accurato e sensori e attuatori abbastanza affidabili, l incertezza può essere trascurabile e l osservatore dello stato può essere utilizzato senza problemi Se l entità delle incertezze diventa significativa (es.: per applicazioni low cost), è necessario considerare il rumore nel problema della stima dello stato. Infatti l errore di misura (es.: y Cxˆ ) viene integrato dal modello del sistema e, di conseguenza, i rumori vengono integrati e l incertezza sulla stima si accumula Raggiungibilità e Controllabilità-- 4 Pag. 2
3 Esempio Raggiungibilità e Controllabilità-- 5 Esempio Se all uscita e sul processo è sovrapposto un rumore di media 0.1 e varianza 0.5 y(t) La stima degrada! Raggiungibilità e Controllabilità-- 6 Pag. 3
4 Esempio: Localizzazione Modellando l incertezza e sfruttando informazioni note è possibile gestire l incertezza e ottenere informazioni molto sicure Raggiungibilità e Controllabilità-- 7 Il filtro di Kalman Sfrutta un modello dell incertezza di misura e di processo Consente di costruire un osservatore che fornisce la stima ottima dello stato bilanciando l informazione estratta dal modello e quella estratta dalla misura a seconda dell affidabilità delle informazioni E usato in moltissime discipline: controlli, robotica, economia, computer vision R.E. Kalman, A New Approach to Linear Filtering and Prediction Problems, Transactions of the ASME 82, 1960 Rudolph Emil Kalman ha ricevuto la National Medal of Science da Barack Obama nel 2010 Raggiungibilità e Controllabilità-- 8 Pag. 4
5 Il filtro di Kalman Il rumore sulla misura e l incertezza sul modello può essere modellato come un processo stocastico, ovvero come una variabile casuale caratterizzato da alcuni parametri (media, varianza, ) che possono cambiare nel tempo Il modo in cui vengono descritte le incertezze agenti sul sistema è cruciale per sviluppare gli strumenti per l osservazione dello stato. Il filtro di Kalman utilizza processi Gaussiani per modellare le incertezze agenti sul sistema. Questa descrizione è spesso (ma non sempre!) la migliore per molte applicazioni Raggiungibilità e Controllabilità-- 9 Cenni di Probabilità Sia S l insieme di tutti i risultati di un fenomeno aleatorio S={testa,croce} S={1,2,3,4,5,6} S={1,2, } Un evento A è un sottoinsieme dei possibili risultati (A S) La probabilità che si verifichi un evento A è data da: Pr( A ) = numero dei risultati in A Numero dei risultati possibili Raggiungibilità e Controllabilità-- 10 Pag. 5
6 Cenni di Probabilità Lanciando un dado non truccato con 6 facce, qual è la probabilità che esca 1 o 2? S = {1,2,3,4,5,6} A ={1,2} 2 Pr( A) = = Raggiungibilità e Controllabilità-- 11 Assiomi della probabilità Siano A e B due eventi: 0 Pr( A) 1 Pr( S) = 1 Pr( not( A)) = 1 Pr( A) Pr( ) = 0 Pr( A B) = Pr( A) + Pr( B) Pr( A B) True A A B B Se A e B sono eventi disgiunti, allora Pr( A B) = Pr( A) + Pr( B) Raggiungibilità e Controllabilità-- 12 Pag. 6
7 Variabili Aleatorie Discrete Una variabile aleatoria (random variable) discreta è una variabile che assume un valore casuale in un insieme di valori ammissibili. Ciascun valore ammissibile è caratterizzato da una certa probabilità di essere assunto. Formalmente, se X è una variabile aleatoria: 1) X può assumere un valore finito (o contabile) di valori {x 1, x 2,, x n }. 2) P(X=x i ), or P(x i ), è la probabilità che la variabile aleatoria X assuma il valore x i 3) Esempio: l esperimento lancio di un dado può essere rappresentato come una variabile aleatoria discreta X che può assumere i valori {x 1, x 2,, x 6 } ={1,2,3,4,5,6} e P(x i )=1/6 per i=1,,6 Raggiungibilità e Controllabilità-- 13 Variabili Aleatorie Continue Una variabile aleatoria continua è una variabile che assume un valore casuale in un insieme continuo di valori ammissibili. Ciascun valore ammissibile è caratterizzato da una certa probabilità di essere assunto. Formalmente, se X è una variabile aleatoria continua: 1) X può assumere valori in un intervallo continuo [x 1,x 2 ]. 2) p(x=x), o p(x) (o f(x)), è la funzione di densità di probabilità che la variabile aleatoria X assuma il valore x p(x) Pr( x ( a, b)) = p( x) dx b a E più probabile essere vicini al centro della campana x Raggiungibilità e Controllabilità-- 14 Pag. 7
8 La somma delle probabilità è 1 Variabili Aleatorie Discrete P( x) = 1 x Variabili Aleatorie Continue p ( x) dx =1 I valori che può assumere una variabile aleatoria possono essere interpretati come eventi disgiunti La probabilità che una variabile assuma un valore oppure un altro è la somma delle probabilità dei valori presi in considerazione La probabilità che una variabile aleatoria assuma un qualsiasi valore possibile è 1 Raggiungibilità e Controllabilità-- 15 Probabilità Congiunta e Condizionata Dati due eventi A e B, la probabilità congiunta è la probabilità che i due eventi si verifichino contemporaneamente. Date due variabili aleatorie X e Y la probabilità congiunta che X assuma il valore x e Y il valore y si indica come P(X=x ey=y) = P(x,y) Se X e Y sono indipendenti, allora P(x,y) = P(x) P(y) I lanci di un dado sono indipendenti. La probabilità di ottenre due volte lo stesso valore è 1/6*1/6=1/36 P(x y) indica la probabilità che X=x quando Y=y. In altre parole è la probabilità di x dato y P(x y) = P(x,y) / P(y) P(x,y) = P(x y) P(y) Se X e Y sono indipendenti, allora P(x y) = P(x) Raggiungibilità e Controllabilità-- 16 Pag. 8
9 Esempio Consideriamo un mazzo di carte. Il fenomeno aleatorio estrazione della prossima carta può essere modellato come una variabile aleatoria. Due giocatori estraggono una carta a turno e le estrazioni sono modellate con due variabili aleatorie X e Y. La probabilità un giocatore estragga un asso dopo che l altro ha estratto un asso è data da: 4 3 P( X = 1 Y = 1) = = Raggiungibilità e Controllabilità-- 17 Valore atteso (Expected Value) Generalizza il concetto di valore medio in un fenomeno aleatorio. Se il fenomeno è modellato con una variabile aleatoria discreta X allora il valore atteso è: E[ X ] = n i= 1 x P( i x i E[X] rappresenta il valore mediamente assunto da X considerando la probabilità con la quale possono essere assunti i valori ammissibili ) Esempio: X può assumere valori {x 1,x 2 }={1,2} con P(x 1 )=0.1 P(x 2 ) =0.9. Il valore atteso per X non è la media dei valori ammissibili (=1.5) ma E[X]=0.1*1+0.9*2=1.9. E[X] è spostato verso 2 perché 2 ha una probabilità di verificarsi molto maggiore. E[X] è la media dei valori che si ottengono da X dopo un numero abbastanza grande di esperimenti Raggiungibilità e Controllabilità-- 18 Pag. 9
10 Valore Atteso (Expected Value) Nel caso di variabili aleatorie continue, la definizione di valore atteso è concettualmente la stessa. Se l intervallo su cui è definita la variabile aleatoria X è R e p(x) indica la funzione di densità di probabilità si ha che E [ X ] = xp( x) dx Raggiungibilità e Controllabilità-- 19 Varianza La varianza σ 2 di un segnale attorno al suo valore atteso è data da 2 σ = E[( X E( X )) ] =! 2 = E[(X! E[X]) 2 ] = (x! E[X]) 2 p(x)dx 2 " #!" n i= 1 ( x E[ X ]) P( 2 i x i La varianza rappresenta la dispersione di una variabile aleatoria attorno al suo valore atteso. Maggiore è la varianza, maggiore è la dispersione intorno al valore medio. ) Tempo discreto Tempo continuo E[X]=1 σ 2 =1.41 E[X]=1 σ 2 =0.32 Raggiungibilità e Controllabilità-- 20 Pag. 10
11 Variabili Incorrelate Due variabili aleatorie X e Y si dicono incorrelate, se E [ XY ] = E[ X ] E[ Y] Intuitivamente questo implica che non esiste nessuna correlazione tra due fenomeni aleatori e che la loro combinazione non introduce nessun termine aggiuntivo al loro valore atteso Due variabili indipendenti sono incorrelate ma non è sempre vero il contrario Raggiungibilità e Controllabilità-- 21 Variabili Aleatorie Vettoriali Un vettore aleatorio X =(x 1,,x n ) T è un vettore le cui componenti sono variabili aleatorie Il valore atteso di un vettore aleatorio X è dato da: E[ x1 ] E[ X ] = E[ x n ] La matrice di covarianza Σ di un vettore aleatorio X è data da T Σ = E[( X E[ X ])( X E[ X ]) ] E la generalizzazione della varianza! Raggiungibilità e Controllabilità-- 22 Pag. 11
12 Variabili Aleatorie Vettoriali Nel caso scalare, la definizione di matrice di covarianza coincide con quella di varianza I termini sulla diagonale sono le varianze delle componenti del vettore aleatorio X I termini fuori dalla diagonale della matrice di covarianza indicano la correlazione che c è tra le componenti della matrice di covarianza Se un vettore aleatorio X è costituito da variabili aleatorie incorrelate, la matrice di covarianza e diagonale Raggiungibilità e Controllabilità-- 23 Variabili Aleatorie Gaussiane Una variabile aleatoria continua si dice variabile gaussiana (o variabile normale o semplicemente gaussiana) se la sua densità di probabilità è una curva di Gauss del tipo f ( xµ ) 1 2 2σ ( x) = e σ 2π 2 f(x) Si dimostra che: E[X]=µ E[(X-µ) 2 ]=σ 2 Il valore atteso si dice anche valore medio o media della gaussiana Più la campana è stretta minore è la varianza Una variabile aleatoria Gaussiana è completamente descritta dal suo valore atteso e dalla sua varianza µ -σ σ x Raggiungibilità e Controllabilità-- 24 Pag. 12
13 Variabili Aleatorie Gaussiane Un vettore aleatorio si dice gaussiano (o normale) se la sua densità di probabilità è del tipo f ( x) = 1 e n (2π ) det( Σ) 1 T 1 ( xµ ) Σ 2 ( xµ ) E possibile mostrare che la probabilità che nel 95% dei casi il vettore si trova entro un elissoide di incertezza centrato in µ e descritto da x T Σx=1 µ Si dimostra che: E[X]=µ E[(X-µ) (X-µ) T ]=Σ Raggiungibilità e Controllabilità-- 25 Variabili Aleatorie Gaussiane e Robotica Le variabili Gaussiane sono semplici perché sono descritte solo da due parametri Consentono di modellare incertezze molto comuni nella robotica fissa e, soprattutto, mobile Dove sono? In questa posizione a meno di una certa incertezza Indicheremo l insieme delle variabili aleatorie Gaussiane di media µ e varianza σ 2 come N(µ, σ 2 ) e l insieme dei vettori aleatori di media µ e matrice di covarianza Σ come N(µ, Σ) Raggiungibilità e Controllabilità-- 26 Pag. 13
14 Il filtro di Kalman Illustreremo il filtro di Kalman per sistemi discreti Il filtro viene usato quando è necessario considerare rumore di processo e/o di misura e, quindi, l uscita discreta dei sensori Una sua versione estesa è molto utilizzata nell ambito della robotica mobile La versione continua del filtro di Kalman è analoga Raggiungibilità e Controllabilità-- 27 Filtro di Kalman Discreto Consente di stimare lo stato x di un sistema lineare discreto descritto che evolve dall istante k-1 all istante k secondo le seguenti equazioni x( = Ax( + Bu( + w( y( = Cx( + v( w( è un vettore aleatorio che rappresenta le incertezze di processo v( è un vettore aleatorio che rappresenta l incertezza sulla misura Raggiungibilità e Controllabilità-- 28 Pag. 14
15 Filtro di Kalman w( è un processo gaussian con media nulla e matrice di covarianza data, pari a Q( v( è un processo gaussiano con media nulla e matrice di covarianza data, pari a R( w( e v( sono variabili indipendenti à L incertezza sulla misura non dipende dall incertezza sul processo e viceversa. w( e v( codificano un puro rumore che contiene tutte le incertezze indeterministiche del sistema Le matrici Q( e R( si possono determinare facendo un modello statistico del processo o del sensore. Anche con stime iniziali grossolane, il filtro solitamente restituisce buoni risultati. Raggiungibilità e Controllabilità-- 29 Filtro di Kalman Lo stato x(0) è un vettore aleatorio gaussiano di media µ 0 e covarianza Σ 0. Lo stato x( e l uscita y( sono vettori aleatori gaussiani perché combinazione lineare di vettori aleatori gaussiani L idea alla base del filtro di Kalman è quella di sfruttare la conoscenza del modello e la descrizione probabilistica dell incertezza per decidere come combinare in maniera ottima l informazione del processo e l informazione dell incertezza L uscita del filtro è lo stato del filtro stesso, ovvero un vettore aleatorio con una certa media e una certa covarianza che rappresenta una stima statistica dello stato del sistema. Raggiungibilità e Controllabilità-- 30 Pag. 15
16 Filtro di Kalman - L algoritmo E ricorsivo Sono necessari solo lo stato stimato all istante precedente e la misura attuale per calcolare la stima dello stato attuale Consente di avere all istante k la stima dello stato x( e solitamente è tutto ciò che serve per pianificare il movimento di un robot o per controllare un sistema Lo stato del filtro è rappresentato da due variabili xˆ ( : Il valore atteso dello stato stimato Σ(: la matrice di covarianza di xˆ ( (una misura dell accuratezza della stima dello stato) Il filtro deve essere inizializzato e poi cicla tra due stadi: Predizione Aggiornamento Raggiungibilità e Controllabilità-- 31 Inizializzazione E necessario inizializzare lo stato del filtro con un vettore aleatorio gaussiano Come per gli osservatori di stato deterministici, quanto più vicino è lo stato iniziale del filtro allo stato reale, tanto più veloce sarà la convergenza del filtro allo stato del sistema Se si ha una stima approssimativa µ 0 dello stato iniziale del sistema, è bene inizializzare il filtro con tale stima e con una matrice di covarianza adeguata Se non si ha nessuna stima dello stato iniziale, si inizializzi il filtro con un valore casuale e una matrice di covarianza grande (quanto, dipende dall applicazione, in modo da segnalare al filtro che la stima attuale è assolutamente inaccurata). Raggiungibilità e Controllabilità-- 32 Pag. 16
17 L algoritmo (Notazione 1) Predizione Stato Predetto xˆ ( k = Axˆ( k 1 + Bu( Covarianza Predetta Aggiornamento Innovazione Covarianza Innovazione Guadagno di Kalman Aggiornamento dello stato Aggiornamento Covarianza Σ( k = AΣ( k 1 A T + Q( e( = y( Cxˆ( k S( = CΣ( k C T + R( T K( = Σ( k C S( 1 x ˆ( k = xˆ( k + K( e( Σ( k = ( I K( C) Σ( k Raggiungibilità e Controllabilità-- 33 L algoritmo (Notazione 2) Predizione Stato Predetto xˆ ( = Axˆ( + Bu( Covarianza Predetta Aggiornamento Innovazione Covarianza Innovazione Guadagno di Kalman Aggiornamento dello stato Aggiornamento Covarianza Σ( = AΣ( A T + Q( e( = y( Cxˆ( S( = CΣ( C T + R( T K( = Σ( C S( 1 x ˆ( = xˆ( + K( e( Σ ( = ( I K( C) Σ( Raggiungibilità e Controllabilità-- 34 Pag. 17
18 Il filtro di Kalman Predizione (1) Predizione dello stato xˆ ( = Axˆ( + Bu( (2) Predizione della covarianza Σ( = AΣ( A T + Q( Aggiornamento xˆ ( Σ( (1) Calcolo il guadagno di Kalman T T K( = Σ( C ( CΣ( C + R) (2) Aggiorno la stima con la misura x ˆ( = xˆ( + K( e( (3) Aggiorno la covariaza Σ ( = ( I K( C) Σ( 1 Raggiungibilità e Controllabilità-- 35 Esempio x( = 3 x( + 2 u( + w( A B y( = 4 x( + v( C Q = 0.1 R = 0.8 x( = 3 u( = 1 Σ( = 0.1 y( = xˆ ( = Axˆ( + Bu( = 11 T Σ( = AΣ( A + Q( = 1 e( = y( Cxˆ( = 0.22 T S( = CΣ( C + R( = 16.8 K( = Σ( C T S( 1 = 0.23 xˆ ( = xˆ( + K( e( = Σ( = ( I K( C) Σ( = 0.08 previsione la covarianza peggiora a causa dell incertezza di processo costruisco l innovazione usando l uscita L innovazione è molto incerta Il guadagno di Kalman è basso per non dare troppo peso all innovazione che introdurrebbe una grande incertezza La correzione allo stato predetto è minima La stima ottenuta ha poca incertezza grazie alla correzione tramite l innovazione Raggiungibilità e Controllabilità-- 36 Pag. 18
19 Illustrazione del funzionamento Un robot si muove lungo l asse orizzontale. Il robot conosce un modello di se stesso e riceve informazioni sulla sua posizione da un sensore (GPS, telecamera, ). Sia il modello che il sensore sono imprecisi e, pertanto, sia lo stato che la misura sono rappresentabili come variabili aleatorie gaussiane. Raggiungibilità e Controllabilità-- 37 Illustrazione del funzionamento La posizione del robot è una variabile aleatoria gaussiana. Il robot sa dove si trova (valor medio à picco della campana) con una certa imprecisione (varianza à ampiezza della campana) Il robot legge l uscita del sensore per sapere dove si trova e riceve una misura dal sensore che dice dove si trova con una certa imprecisione Il Filtro di Kalman fonde l informazione della posizione del robot con quella derivante dal sensore e ottiene una stima più precisa di dove si trova. Raggiungibilità e Controllabilità-- 38 Pag. 19
20 Illustrazione del funzionamento Se il robot si muove a destra, ottiene dal modello (predizione) una stima imprecisa della sua posizione a causa dell incertezza del modello Il robot può interrogare il sensore che trasmette una misura incerta (un altra gaussiana) della posizione del robot Integrando la stima ottenuta dal modello e la misura dello stato tramite il filtro di Kalman si ottiene una stima migliore della posizione del robot Raggiungibilità e Controllabilità-- 39 Commenti Il filtro di Kalman consente di trovare la stima ottima dello stato nel caso in cui le incertezze siano modellabili come gaussiane Aggiorna la stima facendo una media pesata sulle incertezze: Se la covarianza di processo è alta il guadagno di Kalman dà più peso all innovazione Se la covarianza di innovazione è alta, il guadagno dà più peso alla predizione Nel tempo continuo, il guadagno di Kalman si ricava in maniera analoga e può essere usato come guadagno in uno stimatore asintotico dello stato in catena chiusa per ottenere la stima ottima dello stato in caso di incertezze gaussiane sul processo e la misura Raggiungibilità e Controllabilità-- 40 Pag. 20
21 Esempio Si desidera stimare un valore costante (es.: una tensione) quando la sua misura è corrotta da un rumore con varianza 0.1 V Raggiungibilità e Controllabilità-- 41 Esempio E possibile modellare il processo come un sistema LTI con un incertezza x ( = Ax( + Bu( + w( x ( = x( + w( L uscita è caratterizzata da un incertezza: y ( = Cx( + w( y ( = x( + w( Lo stato non cambia e non c è nessun ingresso x( R A = 1 B = 0 Si misura l intero stato C =1 w( è una variabile gaussiana di media nulla e varianza 0.1 Raggiungibilità e Controllabilità-- 42 Pag. 21
22 Esempio Raggiungibilità e Controllabilità-- 43 Esempio Si consideri un robot olonomo completamente attuato e che si muove su un piano. y u x u y La posizione sul piano del robot è rilevata con un sensore GPS caratterizzato da una certa incertezza x Raggiungibilità e Controllabilità-- 44 Pag. 22
23 Esempio Il robot può essere modellato come un sistema LTI discreto, supponendo che la sua velocità non cambi significativamente tra due istanti di campionamento x( = x( + u( + w( y( = x( + v( x x = y w( N(0, Q( ) v( N(0, R( ) 0.05 Q( = Q = R( = R = u u = u Il modello è noto con una buona precisone La precisione del un GPS è di un paio di metri Raggiungibilità e Controllabilità-- 45 x y Osservazione Il robot parte da x=0 e y=1 ed è eccitato con un ingresso u x (=sin (0.01 u y (=cos(0.1] y ( y( e traiettoria reale L incertezza corrompe la misura e dall uscita non è possibile risalire accuratamente al movimento del robot. La precisione è limitata dall incertezza della misura. Raggiungibilità e Controllabilità-- 46 Pag. 23
24 Esempio Utilizzando il filtro di Kalman è possibile sfruttare la conoscenza del modello per costruire una stima dello stato più precisa di quella data dall uscita La stima è inizializzata a xˆ (0) = [ 0 1] xˆ ( 4 Σ(0) = xˆ ( e traiettoria reale Raggiungibilità e Controllabilità-- 47 Esempio Il filtro parte da una stima molto incerta e man mano che il sistema evolve la stima diventa più accurata grazie alla fusione dei dati del modello con la misura. Raggiungibilità e Controllabilità-- 48 Pag. 24
25 Esempio Il sistema parte dallo stato iniziale [10;10] e si controlla il sistema con un feedback u( = x( per rendere il sistema controllato asintoticamente stabile e far convergere a 0 il movimento del sistema Raggiungibilità e Controllabilità-- 49 Esempio u ( = Ky( u ( = Kxˆ( Il rumore sull uscita peggiora notevolmente le prestazioni del controllore. Utilizzando il filtro di Kalman è possibile migliorare notevolmente le prestazioni del sistema controllato. Raggiungibilità e Controllabilità-- 50 Pag. 25
26 CONTROLLO DI SISTEMI ROBOTICI Laurea Specialistica in Ingegneria Meccatronica CONTROLLO DI ROBOT INDUSTRIALI IL FILTRO DI KALMAN Ing. Tel Pag. 26
TEORIA DEI SISTEMI E DEL CONTROLLO LM in Ingegneria Informatica e Ingegneria Elettronica
TEORIA DEI SISTEMI E DEL CONTROLLO LM in Ingegneria Informatica e Ingegneria Elettronica http://www.dii.unimore.it/~lbiagiotti/teoriasistemicontrollo.html Stima dello stato in presenza di disturbi: il
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
DettagliBrevi richiami su variabili aleatorie e processi stocastici
Appendice Parte 9, 1 Brevi richiami su variabili aleatorie e processi stocastici Richiami di teoria della probabilita` Appendice Parte 9, 2 Esperimento casuale: analisi degli elementi caratteristici dei
DettagliRichiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche
Richiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche Ludovico Biagi Politecnico di Milano, DIIAR ludovico.biagi@polimi.it (materiale didattico preparato in
DettagliIl Corso di Fisica per Scienze Biologiche
Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 75-585 278 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
Dettagli1 Alcuni risultati sulle variabili Gaussiane multivariate
Il modello lineare-gaussiano e il filtro di Kalman Prof. P.Dai Pra 1 Alcuni risultati sulle variabili Gaussiane multivariate In questo paragrafo verranno enunciate e dimostrate alcune proprietà del valor
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
DettagliTecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
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
DettagliLezione 2 Aprile 19, Il filtro di Kalman: derivazione delle equazioni
PSC: Progettazione di sistemi di controllo III Trim. 2007 Lezione 2 Aprile 19, 2007 Docente: Luca Schenato Stesori: Schenato 2.1 Il filtro di Kalman: derivazione delle equazioni Si consideri il modello
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
DettagliSTATISTICA: esercizi svolti sulle VARIABILI CASUALI
STATISTICA: esercizi svolti sulle VARIABILI CASUALI VARIABILI CASUALI 2 VARIABILI CASUALI. Variabili casuali generiche. Si supponga che un dado truccato, formato da sei facce contrassegnate dai numeri
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliSTATISTICA A D (72 ore)
STATISTICA A D (72 ore) Marco Riani mriani@unipr.it http://www.riani.it Tipologia di v.a. v.a. discreta numero finito di valori (infinità numerabile) x 1 x 2,, x k con probabilità p 1 p 2, p k Esempio:
Dettagli5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana)
5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana) Esercizio 1: Una variabile casuale e caratterizzata da una distribuzione uniforme tra 0 e 10. Calcolare - a) la probabilità
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliMateriale didattico per il corso di Statistica I Quinta esercitazione SOLUZIONI
Materiale didattico per il corso di Statistica I Quinta esercitazione SOLUZIONI Claudia Furlan Anno Accademico 006-007 Ringrazio Carlo Gaetan, Nicola Sartori e Aldo Solari per il materiale, aggiunte e
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 17-18, I semestre Settembre 18 Scritto del - 9-18 Cognome Nome Matricola Esercizio 1. Un urna contiene
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliStatistica. Lezione : 18, 19. Variabili casuali
Corsi di Laurea: a.a. 2017-18 Diritto per le Imprese e le istituzioni Scienze dell Amministrazione e Consulenza del Lavoro sienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili
DettagliDistribuzioni di probabilità nel continuo
Distribuzioni di probabilità nel continuo Prof.ssa Fabbri Francesca Classe 5C Variabili casuali continue Introduzione: Una Variabile Casuale o Aleatoria è una grandezza che, nel corso di un esperimento
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliCampionamento. Una grandezza fisica e' distribuita secondo una certa PDF
Campionamento Una grandezza fisica e' distribuita secondo una certa PDF La pdf e' caratterizzata da determinati parametri Non abbiamo una conoscenza diretta della pdf Possiamo determinare una distribuzione
DettagliStatistica Corso di laurea in Biotecnologie I esonero - 19 aprile 2010
Statistica Corso di laurea in Biotecnologie I esonero - 9 aprile 00 Esercizio Determinare, a P X ; b PX < /; c il terzo quartile della distribuzione, nei casi ix N, ; iix variabile aleatoria continua con
DettagliCorso di Laurea: Diritto per le Imprese e le istituzioni a.a Statistica. Probabilità. Lezioni : 11, 12. Docente: Alessandra Durio
Corso di Laurea: Diritto per le Imprese e le istituzioni a.a. 2016-17 Statistica Probabilità Lezioni : 11, 12 Docente: Alessandra Durio 1 Contenuti 1. Variabili casuali notevoli DISCRETE (uniforme, di
DettagliCOMPITO DI SCIENZE NATURALI 23 gennaio Modulo di probabilità e statistica SOLUZIONI
COMPITO DI SCIENZE NATURALI 23 gennaio 22 Modulo di probabilità e statistica SOLUZIONI. In Svizzera, al primo gennaio di ogni anno, tutti i cittadini vengono sottoposti a vaccinazione contro l influenza
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2014/2015 www.mat.uniroma2.it/~caramell/did 1415/ps.htm 02/03/2015 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
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
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
DettagliModelli di probabilità
Modelli di probabilità Corso di STATISTICA Ordinario di, Università di Napoli Federico II Professore supplente, Università della Basilicata a.a. 0/0 Obiettivo dell unità didattica Definire i concetti di
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
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
DettagliI modelli probabilistici
e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:
DettagliESERCIZI. Gli esercizi di maggiore difficoltà sono contrassegnati con un asterisco. 1. SPAZI DI PROBABILITA.
ESERCIZI Gli esercizi di maggiore difficoltà sono contrassegnati con un asterisco.. SPAZI DI PROBABILITA.. Si consideri lo spazio di probabilità finito corrispondente alla somma dei risultati di due dadi
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.
DettagliStima di Posizione e Orientamento Mediante Elaborazione di Immagini con il Filtro di Kalman
Incontro CIRA 21 Lecce, 12 14 Settembre 21 Stima di Posizione e Orientamento Mediante Elaborazione di Immagini con il Filtro di Kalman Fabrizio CACCAVALE Vincenzo LIPPIELLO Bruno SICILIANO Luigi VILLANI
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile casuale normale Da un analisi di bilancio è emerso che, durante i giorni feriali
DettagliProprietà strutturali e leggi di controllo. Stima dello stato e regolatore dinamico
Proprietà strutturali e leggi di controllo Stima dello stato e regolatore dinamico Stima dello stato e regolatore dinamico Stimatore asintotico dello stato Esempi di progetto di stimatori asintotici dello
DettagliUniversity of Messina, Italy
ERRORI CASUALI NELL ANALISI CHIMICA 1 Errori casuali Gli errori casuali si incontrano tutte le volte che un sistema di misura viene usato al massimo della sua sensibilità. In queste circostanze i risultati
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
DettagliUniversity of Messina, Italy
ERRORI CASUALI ELL AALISI CHIMICA Errori casuali Gli errori casuali si incontrano tutte le volte che un sistema di misura viene usato al massimo della sua sensibilità. In queste circostanze i risultati
DettagliLE VARIABILI CASUALI A 1, A 2.,..., A k., p 2.,..., p k. generati da una specifica prova sono necessari ed incompatibili:
LE VARIABILI CASUALI Introduzione Data prova, ad essa risultano associati i k eventi A, A,..., A k con le relative probabilità p, p,..., p k. I k eventi A i generati da una specifica prova sono necessari
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
DettagliComputazione per l interazione naturale: fondamenti probabilistici (2)
Computazione per l interazione naturale: fondamenti probabilistici (2) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@di.unimi.it
DettagliARGOMENTI TRATTATI NEL CORSO DI ANALISI II
ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ANALISI Limiti Curve Convergenza di una successione di punti Definizione di limite Condizione necessaria e condizione sufficiente all esistenza del limite in
DettagliRichiami sul calcolo delle probabilità
robabilità Richiami sul calcolo delle probabilità TEORIA DEI SEGNALI LAUREA IN INGEGNERIA DELL INFORMAZIONE Modello matematico Sommario Assiomi del calcolo delle probabilità robabilità di un evento robabilità
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
DettagliESERCIZI DI PROBABILITA
ESERCIZI DI PROBABILITA Sezione 1. Spazi di Probabilità e Indipendenza. Per convenienza dello studente si danno le risposte di alcuni esercizi. 1) Si consideri lo spazio di probabilità corrispondente alla
DettagliEsercizi di Calcolo delle Probabilità e Statistica
Esercizi di Calcolo delle Probabilità e Statistica Master E C Andrea Garulli, Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato 3 volte. Qual è la probabilità
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 16/06/2016 NOME: COGNOME: MATRICOLA: Esercizio 1 Cinque lettere
DettagliCOMPITO DI IDENTIFICAZIONE DEI MODELLI ED ANALISI DEI DATI 23 luglio 2012
COMPITO DI IDENTIFICAZIONE DEI MODELLI ED ANALISI DEI DATI 23 luglio 2012 Domanda 1. Si assuma che un sistema fisico di interesse con ingresso u(t) (misurato) ed uscita y(t) si possa modellare tramite
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliStatistica Corso Base (Serale) Dott.ssa Cristina Mollica
Statistica Corso Base Serale Dott.ssa Cristina Mollica cristina.mollica@uniroma1.it Campionamento Esercizio 1. Da una ricerca si è osservato che il peso del prodotto A varia tra i e i 530 grammi. 1 Ipotizzando
DettagliIDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 01 - Variabili aleatorie. Calcolo di densità di probabilità. Operatore di media
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 01 - Variabili aleatorie Motivazioni Densità di probabilità Operatore di media Densità di probabilità congiunta Densità di probabilità condizionata
DettagliCOGNOME.NOME...MATR..
STATISTICA 29.01.15 - PROVA GENERALE (CHALLENGE) Modalità A (A) ai fini della valutazione verranno considerate solo le risposte riportate dallo studente negli appositi riquadri bianchi: in caso di necessità
DettagliProprietà Strutturali dei Sistemi Dinamici: Controllabilità e Raggiungibilità
Proprietà Strutturali dei Sistemi Dinamici: ontrollabilità e Raggiungibilità Ingegneria dell'automazione orso di Sistemi di ontrollo Multivariabile - Prof. F. Amato Versione 2.2 Ottobre 22 ontrollabilità
DettagliVALIDAZIONE DEL MODELLO
VALIDAZIONE DEL MODELLO Validazione del Modello Non è sufficiente stimare il vettore θ per dichiarare concluso il processo di identificazione. E necessario ottenere una misura della sua affidabilità L
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
Dettagli(5 sin x + 4 cos x)dx [9]
FACOLTÀ DI SCIENZE MM. FF. NN. CORSO DI LAUREA IN SCIENZE NATURALI II Modulo di Matematica con elementi di statistica. Esercitazioni A.A. 009.00. Tutor: Mauro Soro, p.soro@tin.it Integrali definiti Risolvere
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 3: Variabili aleatorie discrete notevoli
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 3: Variabili aleatorie discrete notevoli Esperimenti binari ripetuti o esperimenti bernoulliani (Bernoulli
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliVariabili aleatorie gaussiane
Variabili aleatorie gaussiane La distribuzione normale (riconoscibile dalla curva a forma di campana) è la più usata tra tutte le distribuzioni, perché molte distribuzioni che ricorrono naturalmente sono
DettagliPOPOLAZIONE E CAMPIONI
p. 1/2 POPOLAZIONE E CAMPIONI POPOLAZIONE insieme di tutti quegli elementi che hanno almeno una caratteristica comune (persone, oggetti,misure, osservazioni). Consideriamo il caso di caratteristiche associate
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 Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
DettagliComputazione per l interazione naturale: fondamenti probabilistici (2)
Computazione per l interazione naturale: fondamenti probabilistici (2) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliTeoria dei Segnali Introduzione ai processi stocastici
Teoria dei Segnali Introduzione ai processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it Teoria dei Segnali Introduzione ai processi
DettagliINTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA
INTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA IRCBG 19027 Modulo Dal campione alla popolazione: l'inferenza e l'intervallo di confidenza IRCCS Burlo Garofolo Formazione, Aula A via dell Istria
DettagliCalcolo delle Probabilità e Statistica Matematica Fisciano, 10/1/2012
Fisciano, 10/1/2012 Esercizio 1 Un esperimento consiste nel generare a caso un vettore di interi (x 1, x 2, x 3, x 4 ), dove x i {1, 2, 3, 4, 5, 6} i. (i) Si individui lo spazio campionario, determinandone
DettagliIntroduzione all Inferenza Statistica
Introduzione all Inferenza Statistica Fabrizio Cipollini Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) G. Parenti Università di Firenze Firenze, 3 Febbraio 2015 Introduzione Casi di studio
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
DettagliCalcolo delle Probabilità
Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosiddette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello
DettagliIDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 20: Stima puntuale. Stimatore lineare a MEQM. Esempi. Motivazioni
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 20: Stima puntuale Motivazioni Stima puntuale Indice di qualitá della stima Stimatore a MEQM Stimatore lineare a MEQM Il caso gaussiano Esempi 20-1
DettagliScopo del Corso: Lezione 1. La Probabilità. Organizzazione del Corso e argomenti trattati: Prerequisiti:
Lezione 1 La Probabilità Scopo del Corso: Introduzione alla probabilità e alle procedure di inferenza statistica Introduzione ad alcune importanti tecniche di analisi multivariata dei dati Organizzazione
DettagliParametri statistici
SMID a.a. 2004/2005 Corso di Metodi Statistici in Biomedicina Parametri statistici 24/1/2005 Deviazione standard della media La variabilità di una distribuzione può quindi essere espressa da un indice
DettagliDISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19 Variabili casuali (o aleatorie) 2 / 19 Disponendo di metodi corretti per raccogliere i dati e costruire i campioni data una popolazione, i valori numerici
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE MODELLI STATISTICI, RICHIAMI Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione Nel
DettagliVariabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia
Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile
DettagliVariabile casuale Normale
Variabile casuale Normale La var. casuale Normale (o Gaussiana) è considerata la più importante distribuzione Statistica per le innumerevoli Applicazioni e per le rilevanti proprietà di cui gode L'importanza
DettagliDistribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
DettagliΨ PSICOMETRIA. Corso di laurea triennale (classe 34) STATISTICA INFERENZIALE
Ψ PSICOMETRIA Corso di laurea triennale (classe 34) STATISTICA INFERENZIALE STATISTICA INFERENZIALE CAMPIONE caratteristiche conosciute POPOLAZIONE caratteristiche sconosciute STATISTICA INFERENZIALE STIMA
DettagliRichiami di probabilità e statistica
Richiami di probabilità e statistica Una variabile casuale (o aleatoria) X codifica gli eventi con entità numeriche x ed è caratterizzata dalla funzione di distribuzione di probabilità P(x) : P(x)=Pr ob[x
DettagliEsercitazioni di Statistica Matematica A Lezione 7. Variabili aleatorie continue
Esercitazioni di Statistica Matematica A Lezione 7 Variabili aleatorie continue.) Determinare la costante k R tale per cui le seguenti funzioni siano funzioni di densità. Determinare poi la media e la
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2004-05 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento suscettibile di più
DettagliDistribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
DettagliComputazione per l interazione naturale: Modelli dinamici
Computazione per l interazione naturale: Modelli dinamici Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliElementi di Teoria della Probabilità
Elementi di Teoria della Probabilità Alcune definizioni iniziali: Fenomeno casuale: fenomeno ripetibile (almeno in teoria) infinite volte che può manifestarsi in diverse modalità, imprevedibili singolarmente,
DettagliLE DISTRIBUZIONI CAMPIONARIE
LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
Dettagli