1) Codifica di sorgente sub-ottima: algoritmi di Shannon, Shannon-Fano.
|
|
- Nicoletta Capelli
- 6 anni fa
- Visualizzazioni
Transcript
1 Argoment della Lezone ) Codfca d sorgente sub-ottma: algortm d Shannon, Shannon-Fano. 2) Codfca d sorgente basata su blocch 3) Sorgent con memora 4) Codfca d sorgent d Markov 5) Codfca unversale e codfca con erdte
2 Codfca d Codfca d Shannon Shannon La codfca d sorgente d Shannon orta ad un codce le cu lunghezze vengono defnte sulla base delle robabltà d emssone de smbol secondo la regola: Verfchamo la dsuguaglanza d Kraft er un codce d Shannon: n log 2 2 Verfchamo la dsuguaglanza d Kraft er un codce d Shannon: D conseguenza esste semre un codce d Shannon del to a refsso. Tale codce ha un effcenza mnore del codce d Huffman log log log X X X X X N N N N N n
3 Codfca d Shannon e Fano L algortmo d Shannon e Fano è l seguente:. Gl M smbol dell alfabeto d sorgente vengono ordnat n accordo a valor non crescent delle loro robabltà 2. S dvde la lsta n due art n un unto tale che le due art abbano arossmatvamente la stessa robabltà comlessva. 3. S assegna l smbolo 0 alla arte alta della lsta ed l smbolo alla arte bassa della lsta. 4. S retono ass 2 e 3 fnché la suddvsone fnale non contene tutt smbol con tutte le robabltà assocate. Tale algortmo non è ottmo. 3
4 Codfca dell alfabeto d sorgente: codfca a blocch Fno ad ora s è vsto come una code word ossa essere assegnata n modo effcente a cascun smbolo x d un alfabeto d sorgente X. Il maggor rsultato è l teorema: H ( X ) n < H ( X ) + Al lmte nferore del teorema c s uò avvcnare quanto s vuole ν se s codfcano blocch d ν smbol nvece d sngol smbol: ) data una sequenza d osservazon ndendent d X, s assegna una code word al rsultante gruo d smbol Y 2) s costrusce un codce er un nuovo alfabeto d smbol y, la cu robabltà è l rodotto delle robabltà de smbol che secfcano y X υ υ N X 4
5 Prmo Teorema d Shannon er la codfca a blocch Con l rmo Teorema d Shannon s uò costrure un codce er Y la cu lunghezza meda delle codeword soddsfa la relazone: n ν H ( Y ) nν < H ( Y ) + Ogn y è comosto da ν smbol ndendent d X, da cu s uò dmostrare che: D conseguenza s ha: H H ( Y ) νh ( X ) n ( X ) < H ( X ) + v ν v 5
6 Prmo Teorema d Shannon er la codfca a blocch Dalla recedente esressone l numero medo d dgt/smbolo n ν ν d X: uò essere reso arbtraramente vcno a H(X), se s rende ν suffcentemente grande Effcenza del codce d sorgente a blocch: ν H ( X ) ε n ν Rdondanza del codce d sorgente a blocch: ε 6
7 Esemo Dato l alfabeto d sorgente: X {x, x 2, x 3 } con 0.5, e 3 0.2, s vuole costrure un nuovo alfabeto: Y X 2 { y, y 2,..., y 9 } Raggruando smbol a due a due s ottene: 7
8 Esemo - contnua. Costruzone del codce d Huffman er le lunghezze d blocco: ν e ν 2 2. Calcolo ne due cas l numero d dgt/smbolo, usando la defnzone d effcenza d codce er l confronto: ν H ( X ) ε n ν 8
9 Esemo - contnua. Codce d Huffman er ν: x 0.5 x 0.3 x x x 0 x 2 0 x 3 3 n ν n dgt/smbolo ε ν H ( X ) H ( X ) 0.67H ( X n.5 ν ) 9
10 2. Codce d Huffman er ν2: y 0.25 y 0.5 y y 3 0. y 4 0. y y y y Esemo - contnua n ν y dgt/smbolo y 00 y 2 00 y 3 00 y 4 0 y 5 0 y 6 00 y 7 0 y 8 0 y ε ν H ( X Mauro De Sancts corso d Informazone e ncodfca ν 2 Unverstà 3d Roma Tor Vergata y n y 2 H ( X ) 2 H ( X ) ) 0
11 Esemo - contnua Pertanto, ur codfcando a blocch, se ν 2 non c è un mgloramento nell effcenza rsetto al caso ν S uò verfcare che er ν 3 comnca ad esserc un vantaggo n termn d effcenza.
12 Sorgent con memora e codfca adattatva 2
13 Se una sorgente X è dscreta e senza memora, l suo contenuto medo d nformazone è equvalente al contenuto medo d nformazone dell'alfabeto d sorgente con smbol avent robabltà d emssone ar alla massa d robabltà della varable aleatora X. Sorgent con memora Se smbol emess nel temo dalla sorgente sono dendent allora l modello d varable aleatora non è ù valdo. S ha la necesstà d estendere la defnzone d contenuto nformatvo dell ALFABETO d sorgente al contenuto nformatvo della SORGENTE Questo mlca d consderare la dendenza statstca tra smbol n un messaggo 3
14 Process aleator Un rocesso aleatoro è una funzone X(t,ω) del temo t assegnata ad ogn rsultato ω d un esermento aleatoro. Normalmente vene ndcato con X(t) o X t omettendo ω. La dstrbuzone d robabltà e la denstà d robabltà sono defnte come: F X ( x, t) P( X ( t) x), f ( x, t) X F xx ( x, t) Il temo t uò essere una varable contnua o dscreta. Un rocesso aleatoro temo dscreto corrsonde ad una sequenza d varabl aleatore. 4
15 Valore atteso: Autocorrelazone: Process aleator + [ X ( t) ] xf ( x t) η( t) E X, dx [ ( ) ( )] * X t X R XX ( t, t2 ) E t2 Autocovaranza: C XX ( t, t2) RXX ( t, t2) η( t) η( t2) Un rocesso aleatoro è detto stazonaro n senso lato (WSS) se le statstche del rmo e del secondo ordne sono nvarant rsetto a una traslazone del temo e d conseguenza: η t ) η, R ( t, t + τ ) ( XX RXX ( τ ) Denstà settrale d otenza d un rocesso WSS: S XX ( f ) + 2 F{ R τ } R τ e πτ XX ( ) XX ( ) dτ 5
16 Eserczo Una sorgente analogca è modellzzata come un rocesso aleatoro contnuo con denstà settrale d otenza lmtata tra 0 e 4kHz. Il segnale della sorgente vene camonato alla frequenza d Nyqust. S ottene una sequenza d varabl aleatore dscrete che s assume sano ndendente. Esstono 5 lvell d quantzzazone con robabltà ar a /2, /4, /8, /6, /6. Calcolare l entroa della sorgente quantzzata e la frequenza d nformazone. Soluzone: Poché la sorgente è senza memora (smbol ndendent), l entroa d sorgente è ar a: H( X ) log bt / smbolo Il camonamento alla frequenza d Nyqust roduce 2B8000 camon al secondo R 2 B H( X ) 5000 bt / s 6
17 Process d Markov e catene d Markov Un rocesso aleatoro X(t) è detto rocesso d Markov del rmo ordne se le robabltà condzonate dendono soltanto dall'ultmo valore recedente e non da tutt gl altr valor recedent: er P ogn t < t 2 <... < t n < t n+ ( X x X x, X x,..., X x ) P( X x X x ) tn n+ tn n tn n t tn n+ t + + n Una catena d Markov del rmo ordne è un caso artcolare d un rocesso d Markov del rmo ordne n cu X(t) uò avere soltanto valor aartenent ad un nseme dscreto S{s,s 2,...}. Gl element d S sono chamat stat della catena e, nel caso d catena a stat fnt S{s,s 2,...,s N }, N è l numero d stat della catena. n Un rocesso d Markov ed una catena d Markov ossono essere temo-contnu o temo dscret. 7
18 Process d Markov e catene d Markov Per una catena d Markov del rmo ordne X(t) s defnsce la robabltà d transzone d stato:, ( t) P t ( X s X s ) + Se le robabltà d transzone d stato non dendono dal temo t, la catena d Markov vene detta omogenea (o temo omogenea). Defnamo la matrce delle robabltà d transzone come: P, 2,... N,,2 2,2... N, , N 2, N... N, N Un catena d Markov è detta regolare se er qualsas numero ntero r, tutt gl element della matrce P r sono strettamente ostv. t N, 8
19 Process d Markov e catene d Markov Per una catena d Markov del rmo ordne X(t) ndchamo con u () vettore delle robabltà d stato al asso -esmo. l L'elemento -esmo del vettore u () ndca la robabltà che la catena s trov nello stato -esmo al asso -esmo Sa u l vettore delle robabltà d stato al asso 0 e u (n) l vettore delle robabltà d stato al asso n, s ha: n n u ( ) up 9
20 Process d Markov e catene d Markov Per una catena d Markov del rmo ordne X(t) se esste fnto l lmte: ( n) lm u π [ π,..., π n l vettore π vene detto vettore d dstrbuzone degl stat stazonar. N ] Teorema: er una catena d Markov a stat fnt, omogenea e regolare, esste l vettore π d dstrbuzone degl stat stazonar tale che: π π P 20
21 Sorgent con memora S consder una sorgente con memora che vene modellzzata tramte un rocesso aleatoro temo dscreto, ossa una sequenza d varabl aleatore X con ndce che raresenta l temo dscreto e tutte con alfabeto A { x, x2,..., x N X } Contenuto d nformazone condzonato: I ( x x ) 2 log P( x x 2 ) Entroa condzonata: H ( X 2 X ) N N X X P( x, x ) log P( x x ) S ha: H ( X 2 X) H ( X 2) 2
22 Sorgent con memora S consder l'emssone d un blocco d n smbol modellzzable come un vettore d n varabl aleatore X[X, X 2,..., X n ]. L'entroa del blocco d n smbol è data da: H (X) H ( X n, X n,..., X N X NX NX... P ( x ), x,..., x ) log 2 n n P( x, x,..., x ) 2 2 E' necessaro effettuare una normalzzazone er defnre l'entroa er smbolo d un blocco d n smbol: H n ( X ) H ( X) H ( X n, X n,..., X) n n n 22
23 Sorgent con memora S consder una sorgente dscreta con memora. Il contenuto nformatvo medo er smbolo (entroa) d tale sorgente è defnta come: H ( X ) lm H n ( X ) lm H ( X) lm H ( X n, X n,..., X) n n n n n se l lmte esste. Per una sorgente stazonara tale lmte esste. 23
24 Sorgent con memora Frequenza meda d nformazone ( nformaton rate ) della sorgente: R S H ( T S S vedrà come l aarzone del temo sa strettamente legata alla larghezza d banda del canale fsco che s usa er trasortare l nformazone X ) N.B. H ( X ) s msura n bt/smbolo, l temo d smbolo T s n s/smbolo: dunque R s s msura n bt/s 24
25 Sorgent d Markov Consderamo una sorgente dscreta e con memora X modellzzata da una catena d Markov temo dscreta omogenea e regolare, con N S stat, matrce d transzone P e vettore d dstrbuzone degl stat stazonar π. S assume che l'emssone d un smbolo sa generata da ogn transzone d stato che avvene ogn T s second. Il numero d smbol N X dell'alfabeto d sorgente è n generale dverso dal numero N S degl stat della catena. 25
26 Sorgent d Markov Sa S lo stato -esmo della catena. L'entroa della sorgente allo stato S è data da: H ( S ) N S, log, Teorema: s consder una sorgente dscreta e con memora X modellzzata da una catena d Markov temo dscreta omogenea e regolare, con N S stat, matrce d transzone P e vettore d dstrbuzone degl stat stazonar π. L'entroa d tale sorgente è data da: NS NS NS H ( X ), log π π H ( S ), 26
27 Eserczo Sa data la catena d Markov omogenea e regolare a due stat raresentata n fgura. Calcolare la matrce P delle robabltà d transzone, l vettore w degl stat stazonar e la matrce P delle robabltà d transzone lmte S S P Soluzone: ( S S) 0.2 P( S S2) 0.7 P( S2 S) 0.8 P( S2 S ) P( S S, ) P
28 Eserczo Essendo la catena regolare, er calcolare l vettore w degl stat stazonar è suffcente rsolvere l sstema: wp w [ w ] [ ] w2 w w w + w2 0.2w + 0.7w w w2 2 w w w 2.4w.4w w w w [ ] P w w
29 Codfca d una sorgente stazonara d Markov Nel caso d sorgent d Markov è alcable la rocedura d Huffman er codfcare smbol dell alfabeto er ogn stato S Cò uò rchedere l uso d un nseme d code word dverso er ogn stato d sorgente Per ottenere le restazon d tale rocedura s usa l teorema: n H( X) n < H( X) + ( S Indcando con l numero medo d dgt/smbolo d alfabeto usato nello stato S s ottene: ) H ( S ) n( S ) < H ( S ) + 29
30 Codfca d una sorgente stazonara d Markov La lunghezza meda della code word s uò defnre come: n N S π n( S ) Partendo dal rmo teorema d Shannon alcato ad ogn stato della catena d Markov e oerando una sommatora su π er tutt membr della dsequazone s ottene: H ( X ) n < H ( X ) + 30
31 Codfca unversale Fno ad ora sono state consderate sorgent d cu s conosce la dstrbuzone statstca de smbol. Tale nformazone non è d solto dsonble ed è necessaro svluare nuov metod er la comressone che non faccano uso delle robabltà d emssone de smbol. Un metodo semlce detto a due ass è quello d attendere che tutt smbol sano stat emess, calcolarne la frequenza d emssone er ogn smbolo e o codfcare la sorgente sulla base della statstca sulle frequenze d emssone che è stata msurata. Tale rocedmento ntroduce un rtardo agguntvo nella codfca. 3
32 Comressone d dat basata su dzonar Gl algortm d comressone basat su dzonar vengono utlzzat er la comressone d fle. Al contraro della codfca statstca, n questa classe d algortm s codfcano strnghe d smbol d sorgente a lunghezza varable con codeword d lunghezza costante. Vene creato un dzonaro contenente tutte le strnghe d smbol rcorrent nel fle. Ogn strnga d lunghezza varable resente nel fle vene codfcata con un ndrzzo che ndca la sua oszone nel dzonaro. Il rmo esemo d codfca basato su dzonaro fu l algortmo d Lemel e Zv del 977 (LZ77). Il formato d comressone.z utlzza una varante d LZ77. 32
33 Codfca d sorgente senza erdta d nformazone I t d dat analogc n natura (mmagn, audo, vdeo), er oter essere dgtalzzat devono essere subre un rocesso d quantzzazone che determna ntrnsecamente una certa erdta d nformazone. A seguto del rocesso d quantzzazone, l nformazone uò essere comressa utlzzando metod con erdta o senza erdta. Alcun de metod d codfca senza erdte ottmzzat er determnat t d dat analogc sono: - mmagn: TIFF (lossless), PNG, GIF, RAW format - audo (musca, voce): WAV, FLAC, ALAC, WMA (lossless), Monkey's Audo, WavPack - vdeo: Drac (lossless), FFV, YULS 33
34 Codfca d sorgente con erdta d nformazone In alcun cas, oltre alla erdta d nformazone dovuta alla quantzzazone, s è dsost a erdere una ulterore quanttà d nformazone nella fase d codfca d sorgente a vantaggo d una maggore comressone de dat. Alcun de metod d codfca con erdte sono: - mmagn: JPEG (lossy), JPEG2000 (lossy) - audo (musca): MP3, AAC, OGG - audo (voce): ACELP, QCELP, RCELP - vdeo: H.264/MPEG-4, WMV 34
Appunti di Teoria dell Informazione
Corso d Telecomuncazon (Classe Qunta della specalzzazone Elettronca e Telecomuncazon) Pagna - - . La teora dell nformazone La teora dell nformazone descrve l funzonamento de sstem d comuncazone sa analogc
DettagliSorgenti Numeriche - Soluzioni
Sorgent umerche - Soluzon *) L anals delle frequenze con cu compaono le vare lettere n un documento n talano, comprendente 5975 caratter, ha fornto seguent dat: Lettera umero Frequenza relatva A 666. B
DettagliIntorduzione alla teoria delle Catene di Markov
Intorduzone alla teora delle Catene d Markov Mchele Ganfelce a.a. 2014/2015 Defnzone 1 Sa ( Ω, F, {F n } n 0, P uno spazo d probabltà fltrato. Una successone d v.a. {ξ n } n 0 defnta su ( Ω, F, {F n }
Dettagli1. Il Teorema Ergodico per le catene di Markov * Definizione Una catena di Markov discreta con spazio degli stati E; si dice regolare se, detta P = (P
. Il Teorema Ergodco er le catene d Markov * Defnzone Una catena d Markov dscreta con sazo degl stat E; s dce regolare se, detta P = (P ) la matrce delle robablt a d transzone assocata, esstono un ntero
DettagliEsempi di canali DMC ed esercizi su: 1) Calcolo della capacità di canale. 2) Calcolo della probabilità di errore
Argoment della Lezone Esem d canal DMC ed esercz su: Calcolo della caactà d canale Calcolo della robabltà d errore 3 Verca della dsuguaglanza d Fano Eserczo Sa data una sorgente bnara con smbol ed avent
Dettagli6. Catene di Markov a tempo continuo (CMTC)
6. Catene d Markov a tempo contnuo (CMTC) Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto numerable. L nseme de
Dettagli3) Entropie condizionate, entropie congiunte ed informazione mutua
Argoment della Lezone ) Coppe d varabl aleatore 2) Canale dscreto senza memora 3) Entrope condzonate, entrope congunte ed nformazone mutua 4) Esemp d canal Coppe d varabl aleatore Fno ad ora è stata consderata
Dettagli6. Catene di Markov a tempo continuo (CMTC)
6. Catene d Markov a tempo contnuo (CMTC) Carla Seatzu, 8 Marzo 28 Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto
DettagliVariabili casuali doppie
Varabl casual doe Una varable casuale doa (,) è una funzone defnta sullo sazo degl event che assoca ad ogn evento una coa d numer real (x,y) (x 1, y 1 ) S y 1 A B y (x, y ) (x 3, y 3 ) C y 3 x 1 x x 3
DettagliMatematica Computazionale(6cfu) Ottimizzazione(8cfu)
Docente: Marco Gavano (e-mal:gavano@unca.t) Corso d Laurea n Infomatca Corso d Laurea n Matematca Matematca Computazonale(6cfu) Ottmzzazone(8cfu) (a.a. 205-6, lez.8) Matematca Computazonale, Ottmzzazone,
Dettagli* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *
* PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che
DettagliAnalisi Class Successioni Lezione 6 2 ottobre 2014
CLASS Bologna Anals Matematca @ Class Successon Lezone 6 2 ottobre 2014 professor Danele Rtell danele.rtell@unbo.t 1/17? Successon Una successone d numer real è una funzone a valor real l cu domno è l
DettagliCorso di TELECOMUNICAZIONI a.a
Corso d TEECOMUNICAZIONI anno accademco 2008-2009 Element d Teora dell Informazone Introduzone Storcamente, s fa rsalre la nascta della teora dell nformazone al 1948, quando C. Shannon pubblcò l suo lavoro
DettagliSTATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea. Scienze e tecniche neuropsicologiche Modulo 3 Statistica Inferenziale
STATISTICA PSICOMETRICA a.a. 004/005 Cors d laurea Scenze e tecnche neuropscologche Modulo 3 Statstca Inferenzale Probabltà Dstrbuzon d probabltà Dstrbuzon camponare Stma ntervallare Verfca delle potes
DettagliAnalisi Matenatica Lezione 5 1 ottobre 2013
Dpartmento d Scenze Statstche Anals Matenatca Lezone 5 1 ottobre 2013 prof. Danele Rtell danele.rtell@unbo.t 1/13? Fattorale d un numero naturale Sa n N {0}. Il fattorale d n, n! s defnsce nduttvamente
Dettagli{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo
Element d teora de goch Govann D Bartolomeo Unverstà degl Stud d Teramo 1. Descrzone d un goco Un generco goco, Γ, che s svolge n un unco perodo, può essere descrtto da una Γ= NSP,,. Ess sono: trpla d
DettagliRICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2
RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A La rappresentazone n Complemento a Due d un numero ntero relatvo (.-3,-,-1,0,+1,+,.) una volta stablta la precsone che s vuole ottenere (coè l numero d
DettagliB - ESERCIZI: IP e TCP:
Unverstà d Bergamo Dpartmento d Ingegnera dell Informazone e Metod Matematc B - ESERCIZI: IP e TCP: F. Martgnon Archtetture e Protocoll per Internet Eserczo b. S consder l collegamento n fgura A C =8 kbt/s
DettagliLezione 20 Maggio 29
PSC: Progettazone d sstem d controllo III Trm 2007 Lezone 20 Maggo 29 Docente: Luca Schenato Stesor: Maran F, Marcon R, Marcassa A, Zanella F Fnora s sono sempre consderat sstem tempo-nvarant, ovvero descrtt
DettagliLezione 2 Codifica della informazione
Lezone Codfca della nformazone Vttoro Scarano Archtettura Corso d Laurea n Informatca Unverstà degl Stud d Salerno Organzzazone della lezone La codfca della nformazone Notazone poszonale Rappresentazone
DettagliMassimizzazione del profitto e offerta concorrenziale
Massmzzazone del roftto e offerta concorrenzale Eserczo Un mresa roduce un bene megando un solo nut. La sua funzone d roduzone è f(x)=4 x dove x è l numero d untà del fattore roduttvo. Una untà del rodotto
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Modelli 1 lezione novembre 2011 Media e varianza
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Modell 1 lezone 17 30 novembre 2011 Meda e varanza professor Danele Rtell www.unbo.t/docent/danele.rtell 1/23? Teorema er ogn funzone
DettagliESERCITAZIONE 2 DIAGRAMMI A BARRE, COSTRUZIONE DI ISTOGRAMMA. Notazione: x i = i-esima modalità della variabile X
ESERCITAZIONE 2 DIAGRAMMI A BARRE, COSTRUZIONE DI ISTOGRAMMA Notazone: x = -esma modaltà della varable X Nel caso d dstrbuzon n class: x = Lmte superore della classe -esma x -1 = Lmte nferore della classe
DettagliMedia aritmetica (ponderata)
I calcol che abbamo vsto fnora s ossono effettuare se s dsone d tutte le osservazon relatve alle N untà statstche. Tuttava, sesso accade che s debba oerare con tabelle d dstrbuzon d frequenze. Grado n
DettagliCapitolo 9 - Teoria dell informazione
Aunt d Comuncazon Elettrche Aunt d Catolo 9 - Teora dell nformazone Introduzone alla teora dell nformazone... Sorgente dscreta senza memora... entroa (del rmo ordne) della sorgente...4 Rcham d Teora de
DettagliDBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2
DBMS multmedal A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2 DBMS multmedal Def: Sono DBMS che consentono d memorzzare e recuperare dat d natura multmedale:
DettagliI Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2014/15 Nome: 29 gennaio
I Appello d Calcolo delle Probabltà Cognome: Laurea Trennale n Matematca 24/5 Nome: 29 gennao 25 Emal: Se non è espressamente ndcato l contraro, per la soluzone degl esercz è possble usare tutt rsultat
Dettaglitermodinamica dei gas perfetti V i Funzione di stato Trasformazione isotermica di un gas perfetto: Q isot = L isot V = cost L = 0
termodnamca de gas erfett Equazone d stato de gas erfett: = nrt Prmo rnco della termodnamca: U = Q - L Q = nc T, er una trasformazone socora Q = nc T, er una trasformazone sobarca Lavoro: L = Energa nterna
DettagliCorso di Fondamenti di Telecomunicazioni
Corso d Fondament d Telecomuncazon Prof. Govann Schembra Struttura della lezone Defnzon d process aleator e caratterzzazone statstca ( Stma delle statstche d prmo e secondo ordne Process aleator stazonar
DettagliANALISI STATISTICA DELLE INCERTEZZE CASUALI
AALISI STATISTICA DELLE ICERTEZZE CASUALI Consderamo l caso della msura d una grandezza fsca che sa affetta da error casual. Per ottenere maggor nformazone sul valore vero della grandezza rpetamo pù volte
DettagliStatistica descrittiva
Statstca descrttva. Indc d poszone. Per ndc d poszone d un nseme d dat, ordnat secondo la loro randezza, s ntendono alcun valor che cadono all nterno dell nseme. Gl ndc pù usat sono: I. eda. II. edana.
DettagliIl campionamento casuale semplice
Il camponamento casuale semplce Metod d estrazone del campone. robabltà d nclusone. π = n N π j = n N n 1 N 1 Stmatore corretto del totale e della meda. Ŷ = Nȳ e ˆȲ = ȳ Varanza degl stmator corrett. V
Dettagli1 Le equazioni per le variabili macroscopiche: i momenti dell equazione di Boltzmann
FISICA DEI FLUIDI Lezone 5-5 Maggo 202 Le equazon per le varabl macroscopche: moment dell equazone d Boltzmann Teorema H a parte, non è facle estrarre altre consderazon general sulla funzone denstà d probabltà
Dettaglirendere più veloce il trasferimento dei dati, per esempio attraverso una rete;
Corso: Gestone ed elaborazone grand mol d dat Lezone del: 29 maggo 2006 Argomento: Introduzone alla compressone de dat: tecnche d compressone, msure d performance, entropa della sorgente, modell statstc
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Modell 1 lezone 18 1 dcembre 2011 Covaranza, Varabl aleatore congunte professor Danele Rtell www.unbo.t/docent/danele.rtell 1/19?
DettagliElementi di calcolo numerico
Element d calcolo numerco Molto sesso nel calcolo scentco sorge la necesstà d calcolare l valore numerco d ntegral che non ossono essere calcolat analtcamente oure occorre calcolare l valore del mnmo d
DettagliIL RUMORE NEGLI AMPLIFICATORI
IL RUMORE EGLI AMPLIICATORI Defnzon S defnsce rumore elettrco (electrcal nose) l'effetto delle fluttuazon d corrente e/o d tensone sempre present a termnal degl element crcutal e de dspostv elettronc.
DettagliLa teoria del consumo
La teora del consumo L equazone d Slutsky. Problema dell ntegrabltà. Maro Sortell Dartmento d Matematca Unverstà degl Stud d Bar Va E. Orabona, 4 I-70125 Bar (Italy) (Tel.: +39 (0)99 7720 626; fax: +39
DettagliDipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 3: 27 febbraio 2013
Dpartmento d Statstca Unverstà d Bologna Matematca fnanzara aa 2012-2013 lezone 3: 27 febbrao 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/26? S può dmostrare che 1. se 0 < t < 1 allora
DettagliLimitazioni di ampiezza negli amplificatori reali
Lmtazon d ampezza negl amplfcator real G. Martnes 1 Lnearzzazone della trans-caratterstca G. Martnes Anals a pccolo segnale e concetto d punto d lavoro IL RUMORE EGLI AMPLIFICATORI Defnzon S defnsce rumore
DettagliCARATTERISTICHE DEI SEGNALI RANDOM
CARATTERISTICHE DEI SEGNALI RANDOM I segnal random o stocastc rvestono una notevole mportanza poché sono present, pù che segnal determnstc, nella maggor parte de process fsc real. Esempo d segnale random:
DettagliPOLINOMIO MINIMO E FORMA CANONICA DI JORDAN NOTA AGGIUNTIVA PER IL CORSO DI GEOMETRIA ANALITICA E ALGEBRA LINEARE A.A DOCENTE: PAOLO LISCA
POLINOMIO MINIMO E FORMA CANONICA DI JORDAN NOTA AGGIUNTIVA PER IL CORSO DI GEOMETRIA ANALITICA E ALGEBRA LINEARE AA 2009-2010 DOCENTE: PAOLO LISCA 1 Polnomo mnmo Avvertenza: con V ndcheremo uno spazo
Dettagli26/08/2010. segnali deterministici. segnali casuali o random. stazionario. periodico. Non stazionario. transitorio
Cap 5: ANALISI DEI SEGNALI E ARAURA DINAMICA Un segnale è defnto come una qualsas varable fsca che camba nel tempo, nello spazo, o rspetto a altre varabl e che trasporta nformazon segnal determnstc segnal
DettagliTeoria dei processi casuali a tempo continuo. Seconda lezione: Medie statistiche
Teora de process casual a tempo contnuo Seconda lezone: Valore medo e autocorrelazone Esemp Valor med de process Quas Determnat (QD) 005 Poltecnco d Torno Valore medo e autocorrelazone e valore atteso
Dettagliuna variabile casuale è continuase può assumere un qualunque valore in un intervallo
Varabl casual contnue Se samo nteressat alla temperatura massma gornaleraquesta è una varable casuale msurata n un ntervallo contnuoe qund è una v.c. contnua una varable casuale è contnuase può assumere
DettagliLEZIONE 2. Riassumere le informazioni: LE MEDIE MEDIA ARITMETICA MEDIANA, MODA, QUANTILI. La media aritmetica = = N
LE MEDIE LEZIOE MEDIE ALGEBRICHE: calcolate con operazon algebrche su valor del carattere (meda artmetca) per varabl Rassumere le nformazon: MEDIA ARITMETICA MEDIAA, MODA, QUATILI MEDIE LASCHE: determnate
DettagliElementi di statistica
Element d statstca Popolazone statstca e campone casuale S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..) e
DettagliEquilibri Chimici. Processi chimici indipendenti & reazioni in fase gas
Equlbr Chmc Process chmc ndendent & reazon n fase gas Process stechometrc ndendent (1) Un rocesso stechometrco ndendente è costtuto da un nseme d relazon quanttatve tra le varazon del numero d mol d cascun
DettagliRealizzazione di FSM sincrone. Sommario. Introduzione. Sommario. M. Favalli
Realzzazone d FSM sncrone M. Favall Engneerng Department n Ferrara Realzzazone d FSM Anals e sntes de sstem dgtal / Introduzone Realzzazone d FSM Anals e sntes de sstem dgtal 2 / Una volta ottenuto l automa
DettagliIntelligenza Artificiale II. Ragionamento probabilistico Rappresentazione. Marco Piastra. Intelligenza Artificiale II - AA 2007/2008
Intellgenza rtfcale II Ragonamento probablstco Rappresentazone Marco astra Ragonamento probablstco: rappresentazone - arte Mond possbl sottonsem event artzon e varabl aleatore robabltà Margnalzzazone Condzonal
DettagliEsercitazione 1 del corso di Statistica 2
Eserctazone del corso d Statstca rof. Domenco Vstocco Dott.ssa aola Costantn 8 Aprle 008 Eserczo n. S consder un campone d 00 student d cu s conoscono le seguent probabltà dstnt secondo l sesso (Mmascho,
DettagliELEMENTI DI STATISTICA
ELEMENTI DI STATISTICA POPOLAZIONE STATISTICA E CAMPIONE CASUALE S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..)
Dettaglix 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n
Corso d Statstca docente: Domenco Vstocco La msura della varabltà per varabl qualtatve ordnal Lo studo della varabltà per varabl qualtatve ordnal può essere condotto servendos degl ndc d omogenetà/eterogenetà
DettagliAlgoritmo di Carlier- Pinson per problemi di Job Shop Scheduling: un esempio
Formulazone e Notazon Algortmo d Carler- Pnson er roblem d Job Sho Schedulng: un esemo Notazon o C M ( o r, q -esma oerazone del ob Temo d rocessamento d o Macchna che deve rocessare o Clque (nseme d oerazon
DettagliIL RUMORE NEGLI AMPLIFICATORI
G. Martnes 1 G. Martnes G. Martnes 3 IL RUMORE EGLI AMPLIFICATORI Defnzon S defnsce rumore elettrco (electrcal nose) l'effetto delle fluttuazon d corrente e/o d tensone sempre present a termnal degl element
DettagliAnalisi Matematica Lezione 16 3 novembre 2014 Limiti di funzioni
Dpartmento d Scenze Statstche Anals Matematca Lezone 6 3 novembre 204 Lmt d funzon prof. Danele Rtell danele.rtell@unbo.t /7? Eserczo 9 Determnare l ordne d nfntesmo e la parte prncpale dell nfntesmo rspetto
DettagliIncertezza di sensibilità < fluttuazione intrinseca delle misure.
Error casual no ad ora abbamo correlato la bontà d una msura alla sensbltà degl strument utlzzat. Samo partt da una stuazone n cu effettuata una sere d msure rpetute, le msure hanno tutte dato lo stesso
DettagliDipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 20: 16 maggio 2012
Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2011-2012 lezone 20: 16 maggo 2012 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/25? Errata slde 14: 8 maggo 2012 Rendta perpetua
DettagliIl modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti
Il modello marovano per la rappresentazone del Sstema Bonus Malus rof. Cercara Rocco Roberto Materale e Rferment. Lucd dstrbut n aula. Lemare 995 (pag.6- e pag. 74-78 3. Galatoto G. 4 (tt del VI Congresso
DettagliTeoria dell informazione e Meccanica Statistica
Teora dell nformazone e Meccanca Statstca L. P. Gugno 2007 Rporto qu una breve rassegna dell approcco alla Meccanca Statstca medante la teora dell nformazone. Partamo dalla consderazone che la probabltà
DettagliUniversità di Cassino. Esercitazione di Statistica 1 del 4 dicembre Dott.ssa Simona Balzano
Unverstà d Cassno Eserctazone d Statstca del 4 dcembre 6 Dott.ssa Smona Balzano Eserczo Sa la varable casuale che descrve l rsultato del lanco d dad, sulle cu facce v sono numer: 5, 5, 7, 7, 9, 9. a) Defnre
DettagliDefinizione di campione
Defnzone d campone S consder una popolazone fnta U = {1, 2,..., N}. Defnamo campone ordnato d dmensone n qualsas sequenza d n etchette della popolazone anche rpetute. s = ( 1, 2,..., n ), dove j è l etchetta
DettagliUniversità di Cassino Corso di Statistica 1 Esercitazione del 28/01/2008 Dott. Alfonso Piscitelli. Esercizio 1
Unverstà d Cassno Corso d Statstca Eserctazone del 28/0/2008 Dott. Alfonso Psctell Eserczo Il seguente data set rporta la rlevazone d alcun caratter su un collettvo d 20 soggett. Soggetto Età Resdenza
DettagliAlgoritmi basati sulla tecnica Divide et Impera
Qucksort Algortm basat sulla tecnca Dvde et Impera In questo corso: Rcerca bnara Mergesort (ordnamento) Qucksort (ordnamento) Moltplcazone d nter Moltplcazone d matrc (non n programma) NOTA: nonostante
DettagliGas ideale (perfetto):
Gas deale (erfetto): non esste n realtà drogeno e elo assomglano d ù a un gas deale - le molecole sono untform; - nteragscono tra loro e con le aret del recente medante urt erfettamente elastc (ovvero
DettagliEsercizi di econometria: serie 1
Esercz d econometra: sere Eserczo E data la popolazone dell Abruzzo classcata n se categore d reddto ed n tre class d età come segue: Reddto: () L... 4.. () L. 4.. 8.. () L. 8.... (4) L..... () L.....
DettagliLKC LKT. Grafo della rete PRESCINDE DAI SUOI COMPONENTI. V e I scelte arbitrariamente, purché soddisfino le LK
Teorem Teorema d Tellegen Dato un nseme d tenson e d corrent comatbl col grafo (che soddsfano rsettvamente le LKT e le LKC), la sommatora, della tensone d lato er le corrent d lato è semre nulla. nodo
DettagliEsercizi sulle reti elettriche in corrente continua (parte 2)
Esercz sulle ret elettrche n corrente contnua (parte ) Eserczo 3: etermnare gl equvalent d Thevenn e d Norton del bpolo complementare al resstore R 5 nel crcuto n fgura e calcolare la corrente che crcola
DettagliSTATO DI TENSIONE IN SEZIONI MASSICCE. Sforzo normale
STATO DI TENSIONE IN SEZIONI MASSICCE Sforzo normale In caso d sforzo normale trazone o comressone, s assume che nelle sezon della trave suffcentemente lontane da vcolo e dalle forze alcate, essta solo
DettagliModello del Gruppo d Acquisto
InVMall - Intellgent Vrtual Mall Modello del Gruppo d Acqusto Survey L attvtà svolta per la realzzazone dell attvtà B7 Defnzone del Gruppo d Acqusto e de Relatv Algortm d Inferenza, prevsta dal captolato
DettagliTeoria dei Segnali Rumore granulare
Teora de Segnal Rumore granulare Valentno Lberal Dpartmento d Fsca Unverstà degl Stud d Mlano valentno.lberal@unm.t Teora de Segnal Rumore granulare 24 gennao 211 Valentno Lberal (UnMI) Teora de Segnal
DettagliMisure indipendenti della stessa grandezza, ciascuna con una diversa precisione.
Msure ndpendent della stessa grandezza, cascuna con una dversa precsone. Consderamo d avere due msure o n generale della stessa grandezza, ndpendent, caratterzzate da funzone denstà d probabltà d Gauss.
Dettaglix(t) x[n] x q [n] x q [n] Campionamento Quantizzazione Codifica
1. a conversone analogco dgtale (A/D) a conversone A/D è una operazone che permette d rappresentare un segnale analogco, coè contnuo nel domno del tempo e delle ampezze, medante una seuenza d campon numerc.
DettagliUniversità di Cassino Corso di Statistica 1 Esercitazione del 17/10/2006 Dott. Alfonso Piscitelli. Esercizio 1
Unverstà d Cassno Corso d Statstca Eserctazone del 7/0/006 Dott. Alfonso Psctell Eserczo Il seguente data set rporta la rlevazone d alcun caratter su un collettvo d 0 soggett. Soggetto Sesso Età Reddto
Dettagli4.6 Dualità in Programmazione Lineare
4.6 Dualtà n Programmazone Lneare Ad ogn PL n forma d mn (max) s assoca un PL n forma d max (mn) Spaz e funzon obettvo dvers ma n genere stesso valore ottmo! Esempo: l valore massmo d un flusso ammssble
DettagliCorso di. Dott.ssa Donatella Cocca
Corso d Statstca medca e applcata 3 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone I concett prncpal che sono stat presentat sono: Mede forme o analtche (Meda artmetca semplce, Meda artmetca
DettagliAlberi di classificazione: caratteristiche. della metodologia CART
Alber d classfcazone: caratterstche della metodologa CAT Introduzone I modell strutturat ad albero sono stat usat n cam dvers come la botanca e la medcna, rma che l loro otenzale eslcatvo vensse scoerto
Dettagli1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x
TEORIA 1) Le mede e le varanze calcolate su n osservazon relatve alle varabl quanttatve X ed Y sono tal che 1 e. Consderando le corrspondent varabl standardzzate delle seguent affermazon rsulta vera 1
Dettagli4. ALGORITMI GREEDY. cambia-monete scheduling a minimo il ritardo. Il problema del cambia-monete. Proprietà di una soluzione ottima
Il problema del camba-monete. ALGORITMI GREEDY camba-monete schedulng a mnmo l rtardo Scopo. Dat tagl dsponbl: c, c, 5c, 0c, 0c, 50c,, progettare un algortmo che data una certa somma la camb usando l mnmo
DettagliEsercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media
Alcun esercz su algortm e programmazone Fondament d Informatca A Ingegnera Gestonale Unverstà degl Stud d Bresca Docente: Prof. Alfonso Gerevn Scrvere l algortmo e l dagramma d flusso per l seguente problema:
DettagliStrada B. Classe Velocità valore frequenza Frequ. ass Frequ. % hi Freq. Cum
Eserczo SINTESI S supponga d avere eseguto 70 msure della veloctà stantanea de vecol che transtano nelle sezon d due strade A e B. S supponga che tal msure sano state eseguta n corrspondenza d valor modest
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Matematica aa lezione febbraio 2009
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Matematca aa 2008-2009 lezone 17 13 febbrao 2009 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/19? 2/19? Fgura 1: ( 5y
DettagliRagionamento probabilistico: rappresentazione
Intellgenza Artfcale II Ragonamento probablstco: rappresentazone Marco astra Intellgenza Artfcale II - A.A. - Rappresentazone robablstca ] Ragonamento probablstco: rappresentazone Mond possbl sottonsem
DettagliIl logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico.
Il logartmo dscreto n Z p Il gruppo moltplcatvo Z p delle class resto modulo un prmo p è un gruppo cclco. Defnzone (Logartmo dscreto). Sa p un numero prmo e sa ā una radce prmtva n Z p. Sa ȳ Z p. Il logartmo
DettagliAnalisi Matematica Lezione novembre 2013
Dpartmento d Scenze Statstche Anals Matematca Lezone 6 novembre 203 prof. Danele Rtell danele.rtell@unbo.t /2? Avvso Questa settmana tutte le lezon saranno d teora La prossma settmana lezon d teora lunedì
DettagliEsercitazione 8 del corso di Statistica (parte 1)
Eserctazone 8 del corso d Statstca (parte ) Dott.ssa Paola Costantn Eserczo Marzo 0 Un urna rossa contene 3 pallne banche, nere e galla. S consder l estrazone d due pallne. S calcol la probabltà d estrarre:.
DettagliAnalisi Modale. Le evoluzioni libere dei due sistemi a partire dalla condizione iniziale x(0) = x 0 sono
Captolo 1 INTRODUZIONE 21 Anals Modale S facca rfermento al sstema tempo-dscreto e al sstema tempo-contnuo x(k +1)=Ax(k) ẋ(t) =Ax(t) Le evoluzon lbere de due sstem a partre dalla condzone nzale x() = x
DettagliMatematica Computazionale(6cfu) Ottimizzazione(8cfu) (a.a , lez.9)
Docente: Marco Gavano (e-mal:gavano@unca.t) Corso d Laurea n Infomatca Corso d Laurea n Matematca Matematca Computazonale(6cfu) Ottmzzazone(8cfu) (a.a. 03-4, lez.9) Matematca Computazonale, Ottmzzazone,
DettagliS O L U Z I O N I. 1. Effettua uno studio qualitativo della funzione. con particolare riferimento ai seguenti aspetti:
S O L U Z I O N I 1 Effettua uno studo qualtatvo della funzone con partcolare rfermento a seguent aspett: f ( ) ln( ) a) trova l domno della funzone b) ndca qual sono gl ntervall n cu f() rsulta postva
DettagliDipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 3:
Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2011-2012 lezone 3: 21022012 professor Danele Rtell www.unbo.t/docdent/danele.rtell 1/31? Captalzzazone msta S usa l regme composto per l
DettagliStatistica Descrittiva
Statstca Descrttva Corso d Davd Vettur Dat osservat Sano note le seguent msure dello spessore d una lastra d materale polmerco espresse n mllmetr 3.71 3.83 3.85 3.96 3.84 3.8 3.94 3.55 3.76 3.63 3.88 3.86
DettagliLa Stima Spettrale classica Ingegneria Clinica
Unverstà d Roma La Sapenza Corso d Elaborazone d Dat e Segnal Bomedc Facoltà d Ingegnera Cvle ed Industrale La Stma Spettrale classca Ingegnera Clnca A.A. 08-09 Francesco Infarnato, PhD Laboratoro d Bongegnera
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Modell 1 lezone 12 10 novembre 2011 Teorema d Lebesgue Vtal-Generazone d msure professor Danele Rtell www.unbo.t/docent/danele.rtell
DettagliEsame di Statistica Corso di Laurea in Economia Prof.ssa Giordano
Esame d Statstca Corso d Laurea n Economa Prof.ssa Gordano 6 Febbrao 0 Cognome Nome atr. Eserczo I dat seguent s rferscono al numero d mmatrcolat nel gruppo d cors d studo n Economa n 5 ann accademc. Calcolare
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne
Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che
DettagliMetodi di Ottimizzazione mod. Modelli per la pianificazione delle attività
Metod d Ottmzzazone mod. Modell er la anfcazone delle attvtà Paolo Dett Dartmento d Ingegnera dell Informazone e Scenze Matematche Unverstà d Sena Metod d Ottmzzazone mod. Modell er la anfcazone delle
Dettagli