Statistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Statistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche"

Transcript

1 Lezione: approccio stocastico all analisi delle serie storiche 13 aprile 211

2 Programma 1 Approccio stocastico all analisi delle serie storiche

3 Programma 1 Approccio stocastico all analisi delle serie storiche

4 Le serie storiche (o temporali) Una serie storica y 1, y 2,..., y n viene definita come la realizzazione finita di un processo stocastico Y 1, Y 2,..., Y n. Un processo stocastico è definito tramite la distribuzione congiunta di Y 1,..., Y n per ogni n. In generale le Y t non sono fra di loro indipendenti e interessa la distribuzione congiunta per esempio di Y t ed Y t+1. Modelli per serie storiche y t = f (y t 1, y t 2,...) + ε t dove ε t processo stocastico stazionario non direttamente osservabile

5 Proprietà di un processo stocastico 1 Stazionarietà Stazionarietà in senso stretto: se la distribuzione congiunta associata ad n osservazioni rilevate ai tempi 1, 2,..., n è la stessa di quella associata a n osservazioni rilevate ai tempi 1 + h, 2 + h,..., n + h, ossia f (y 1, y 2,..., y n) = f (y 1+h, y 2+h,..., y n+h ) Stazionarietà in senso debole: se valgono le seguenti proprietà: E(Y t ) = µ; σt 2 = Var(Y t ) = σ 2 (costante); γ(t, t + h) = Cov(Y t, Y t+h ) = γ(h), funzione di autocovarianza. 2 Invertibilità: Un processo stocastico è invertibile se esiste una funzione lineare H( ) ed un processo ε w.n. tale che per ogni t sia Y t = H(Y t 1, Y t 2,...) + ε t.

6 Autocorrelazione e correlogramma Autocorrelazione ρ t (h) = Cor(Y t, Y t+h ) = Cov(Y t, Y t+h ) σ Yt σ Yt+h Correlogramma L autocorrelazione campionaria, posto è definita da r(h) = ȳ, yt y t+h y 2 t = yt y t+h y 2 t y 2 t+h

7 Funzione di autocorrelazione parziale La funzione di autocorrelazione parziale è data da π k = Cor(Y t, Y t+h Y t+1, Y t+2,..., Y t+h 1 ) ed legame tra due generiche Y t e Y t+h al netto delle variabili intermedie. Può essere vista come il coefficiente φ kk delle regressioni Y t = c + φ 1h Y t 1 + φ 2h Y t φ hh Y t h

8 Calcolo della autocorrelazione parziale P(h) = 1 ρ(1) ρ(2)... ρ(h 2) ρ(1) ρ(1) 1 ρ(1)... ρ(h 3) ρ(2) ρ(h 1) ρ(h 2) ρ(h 3)... ρ(1) ρ(h) 1 ρ(1) ρ(2)... ρ(h 2) ρ(h 1) ρ(1) 1 ρ(1)... ρ(h 3) ρ(h 2) ρ(h 1) ρ(h 2) ρ(h 3)... ρ(1) 1 N.B. Il denominatore è il determinante della matrice di Toeplitz.

9 Alcuni processi stocastici: Rumore Bianco (White Noise) Autoregressivi (AR) Media Mobile (MA) Autoregressivi a Media Mobile (ARMA)

10 Processo Rumore Bianco Un processo stocastico {ε t } è un rumore bianco (w.n.) se E(ε t ) =, t Var(ε t ) = σ 2 ε, t Cov(ε t, ε t h ) =, t, h Si indica con ε t wn(, σ 2 ε) ed è un processo stazionario in senso debole.

11 Simulazione di un Rumore Bianco Rumore bianco (w.n.) Sample autocorrelation coefficients sacf values k values

12 Processo Autoregressivo (AR) Un processo Autoregressivo di ordine 1, AR(1) è definito come Y t = c + φy t 1 + ε t dove ε t wn(, σε). 2 Il processo AR è sempre invertibile. Ponendo c = e indicando con BY t = Y t 1, Y t = φy t 1 + ε t = φby t + ε t (1 φb)y t = ε t

13 Il processo AR(1) è stazionario? Un processo AR(1) può essere scritto come dove Φ(B) = (1 φb). Φ(B)Y t = ε t Se le radici del polinomio caratteristico Φ(B) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1, allora AR(1) è stazionario. Ciò accade se 1 < φ < 1. Esempio: Il processo Y t =.2Y t 1 + ε t può essere scritto come Y t =.2BY t + ε t, (1.2B)Y t = ε t. Ponendo (1.2B) =, si ricava B = 1.2 = 5 > 1. Quindi il processo Y t è stazionario.

14 Momenti di un processo AR(1) Per un processo AR(1) si può dimostrare che: E(Y t ) = µ = Var(Y t ) = σ 2 ε 1 φ 2 ρ h = φ h { φ h = 1 π h = h > 1

15 Simulazione di un AR(1) con φ =.5 Y t =.5Y t 1 + ε t 2 Simulazione AR(1) con φ=

16 funzioni di autocorrelazione di un AR(1) con φ =.5 Sample autocorrelation coefficients Sample partial autocorrelation coefficients sacf values.2.1 spacf values k values k values

17 Simulazione di un AR(1) con φ =.5 Y t =.5Y t 1 + ε t 1.2 Simulazione AR(1) con φ=

18 funzioni di autocorrelazione di un AR(1) con φ =.5 Sample autocorrelation coefficients Sample partial autocorrelation coefficients sacf values spacf values k values k values

19 Processo Autoregressivo di ordine p, AR(p) Un processo Autoregressivo di ordine p, AR(p) è definito come Y t = c + φ 1 Y t 1 + φ 2 Y t φ p Y t p + ε t dove ε t wn(, σ 2 ε). Il processo AR(p) è sempre invertibile. Ponendo c = e indicando con BY t = Y t 1, B 2 Y t = Y t 2,..., B p Y t = Y t p, Y t = φ 1 Y t 1 + φ 2 Y t φ p Y t p + ε t = φ 1 BY t + φ 2 B 2 Y t φ p B p Y t + ε t (1 φ 1 B φ 2 B 2... φ p B p )Y t = ε t

20 Il processo AR(p) è stazionario? Un processo AR(p) può essere scritto come Φ(B)Y t = ε t dove Φ(B) = (1 φ 1 B φ 2 B 2... φ p B p ). Se le radici del polinomio caratteristico Φ(B) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1, allora AR(p) è stazionario.

21 Funzione di autocorrelazione di un processo AR(p) La funzione di AUTOCORRELAZIONE di un processo AR(p) decade a velocemente. La funzione di AUTOCORRELAZIONE PARZIALE di un processo AR(p) ha il seguente comportamento: { h p π h = h > p

22 Simulazione di un AR(2) con φ 1 =.5 e φ 2 =.38 Y t =.5Y t Y t 2 + ε t.8 Sample autocorrelation coefficients.4 Sample partial autocorrelation coefficients sacf values.2 spacf values k values k values

23 Simulazione di un AR(3) con φ 1 =.5, φ 2 =.3 e φ 3 =.15 Y t =.5Y t 1 +.3Y t Y t 3 + ε t 1.2 Sample autocorrelation coefficients 1.2 Sample partial autocorrelation coefficients sacf values.6.4 spacf values k values k values

24 Processo a Media Mobile di ordine 1, MA(1) Un processo MA(1) è definito come Y t = c + ε t + θε t 1 dove ε t wn(, σε). 2 Il processo MA è sempre stazionario. Ponendo c = e indicando con Bε t = ε t 1, Y t = θε t 1 + ε t = θbε t + ε t Y t = (1 + θb)ε t

25 Il processo MA(1) è invertibile? Un processo MA(1) può essere scritto come dove Θ(B) = (1 + θb). Y t = Θ(B)ε t Se le radici del polinomio caratteristico Θ(B) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1, allora MA(1) è invertibile. Ciò accade se 1 < θ < 1. Esempio: Il processo Y t =.2ε t 1 + ε t può essere scritto come Y t =.2Bε t + ε t, Y t = (1 +.2B)ε t. Ponendo (1 +.2B) =, si ricava B = 1.2 = 5 > 1. Quindi il processo Y t è invertibile.

26 Funzione ACF di un processo MA(1) Per un processo MA(1) si può dimostrare che: { θ h = 1 ρ h = 1+θ 2 h > 1 La funzione di autocorrelazione parziale π h decade a all aumentare di h.

27 Simulazione di un MA(1) con θ =.8 Y t =.8ε t 1 + ε t.6 Sample autocorrelation coefficients.6 Sample partial autocorrelation coefficients sacf values.3.2 spacf values k values k values

28 Simulazione di un MA(1) con φ =.8 Y t =.8ε t 1 + ε t.2 Sample autocorrelation coefficients.2 Sample partial autocorrelation coefficients.1.1 sacf values.1.2 spacf values k values k values

29 Processo Media Mobile di ordine q, MA(q) Un processo MA(q) è definito come dove ε t wn(, σ 2 ε). Y t = c + θ 1 ε t 1 + θ 2 ε t θ q ε t q + ε t Il processo MA(q) è sempre stazionario. Ponendo c = e indicando con Bε t = ε t 1, B 2 ε t = ε t 2,..., B q ε t = ε t q, Y t = θ 1 ε t 1 + θ 2 ε t θ q ε t q + ε t = θ 1 Bε t + θ 2 B 2 ε t θ q B q ε t + ε t Y t = (1 + θ 1 B + θ 2 B θ q B q )ε t

30 Il processo MA(q) è invertibile? Un processo MA(q) può essere scritto come Y t = Θ(B)ε t dove Θ(B) = (1 + θ 1 B + θ 2 B θ p B p ). Se le radici del polinomio caratteristico Θ(B) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1, allora MA(q) è stazionario.

31 Funzione di autocorrelazione di un processo MA(q) La funzione di AUTOCORRELAZIONE PARZIALE di un processo MA(q) decade a velocemente. La funzione di AUTOCORRELAZIONE di un processo MA(Q) ha il seguente comportamento: { h q ρ h = h > q

32 Simulazione di un MA(2) con θ 1 =.6 e θ 2 =.3 Y t =.6ε t 1 +.3ε t 2 + ε t 4 Simulazione MA(2) con θ 1 =.6 e θ 2 =

33 Funzioni di autocorrelazione di un processo MA(2) con θ 1 =.6 e θ 2 =.3 Sample autocorrelation coefficients Sample partial autocorrelation coefficients sacf values spacf values k values k values

34 Simulazione di un MA(3) con θ 1 =.5, θ 2 =.3 e θ 3 =.15 Y t =.4ε t 1.3ε t ε t 3 + ε t 4 Simulazione MA(3) con θ 1 =.4, θ 2 =.3 e θ 3 =

35 Funzioni di autocorrelazione di un processo MA(3)con θ 1 =.5, θ 2 =.3 e θ 3 =.15 Sample autocorrelation coefficients Sample partial autocorrelation coefficients.2.25 sacf values k values spacf values k values

36 Processo AutoRegressivo a Media Mobile di ordine 1,1, ARMA(1,1) Un processo ARMA(1, 1) è definito come dove ε t wn(, σ 2 ε). Ponendo c =, Y t = c + φy t 1 + θε t 1 + ε t Y t φy t 1 = θε t 1 + ε t (1 φb)y t = (1 + θb)ε t

37 Il processo ARMA(1,1) è invertibile e/o stazionario? Un processo ARMA(1, 1) può essere scritto come Φ(B)Y t = Θ(B)ε t dove Φ(B) = (1 φb) e Θ(B) = (1 + θb). Il processo ARMA(1,1) è STAZIONARIO se le radici del polinomio caratteristico 1 φb = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1. Il processo ARMA(1,1) è INVERTIBILE se le radici del polinomio caratteristico 1 + θ(b) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1. ARMA(1,1) è stazionario ed invertibile se 1 < φ < 1 e 1 < θ < 1.

38 Funzione di autocorrelazione di un processo ARMA(1,1) La funzione di AUTOCORRELAZIONE, ρ h di un processo ARMA(1,1) tende a zero all aumentare di h. La funzione di AUTOCORRELAZIONE PARZIALE φ h di un processo ARMA(1,1) tende a all aumentare di h.

39 Simulazione di un ARMA(1,1) con φ 1 =.7 e θ =.2 Y t =.7Y t 1.2ε t 1 + ε t 4 Simulazione ARMA(1,1) con φ=.7 e θ 1 =

40 Funzioni di autocorrelazione di un processo un ARMA(1,1) con φ 1 =.7 e θ =.2 Sample autocorrelation coefficients Sample partial autocorrelation coefficients sacf values.3.2 spacf values k values k values

41 Processo AutoRegressivo a Media Mobile di ordine p,q, ARMA(p,q) Un processo ARMA(p, q) è definito come Y t = c+φ 1 Y t 1 +φ 2 Y t φ p Y t p +ε t +θ 1 ε t 1 +θ 2 ε t θ q ε t q dove ε t wn(, σ 2 ε). Ponendo c =, Y t φ 1 Y t 1 φ 2 Y t 2... φ p Y t p = θ 1 ε t 1 + θ 2 ε t θ q ε t q (1 φ 1 B φ 2 B 2... φ p B p )Y t = (1 + θ 1 B + θ 2 B θ q B q )ε t Φ(B) = Θε t

42 Il processo ARMA(p,q) è invertibile e/o stazionario? Un processo ARMA(p, q) può essere scritto come Φ(B)Y t = Θ(B)ε t dove Φ(B) = ((1 φ 1 B φ 2 B 2... φ p B p ) e Θ(B) = (1 + θ 1 B + θ 2 B θ q B q ). Il processo ARMA(p,q) è STAZIONARIO se le radici del polinomio caratteristico Φ(B) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1. Il processo ARMA(p,q) è INVERTIBILE se le radici del polinomio caratteristico Θ(B) = giacciono al di fuori del raggio di cerchio unitario, cioè B > 1.

43 Funzione di autocorrelazione di un processo ARMA(p,q) La funzione di AUTOCORRELAZIONE, ρ h di un processo ARMA(1,1) tende a zero all aumentare di h. La funzione di AUTOCORRELAZIONE PARZIALE φ h di un processo ARMA(1,1) tende a all aumentare di h.

44 Simulazione di un ARMA(3,2) con φ 1 =.4, φ 2 =.3, φ 3 =.2, θ 1 =.3, e θ 2 =.6 Y t =.4Y t 1.3Y t 2 +.2Y t 3.3ε t 1 +.6ε t 2 + ε t 4 Simulazione ARMA(p,q) φ 1 =.4, φ 2 =.3, φ 3 =.2, θ 1 =.3, e θ 2 =

45 Funzioni di autocorrelazione di un processo un ARMA(p,q) con φ 1 =.4, φ 2 =.3, φ 3 =.2, θ 1 =.3, e θ 2 =.6 Sample autocorrelation coefficients Sample partial autocorrelation coefficients.35.3 sacf values spacf values k values k values

Statistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche

Statistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico

Dettagli

SERIE STORICHE. opportuna, tale che. (1.1) X t = θ i ε t i

SERIE STORICHE. opportuna, tale che. (1.1) X t = θ i ε t i SERIE STORICHE 1. Rappresentazioni media mobile e autoregressiva di processi stazionari In questo capitolo discuteremo i modi mediante i quali sia possibile rappresentare un processo stazionario puramente

Dettagli

ANALISI DELLE SERIE STORICHE

ANALISI DELLE SERIE STORICHE ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di

Dettagli

Tipi di Processi Stocastici

Tipi di Processi Stocastici Processi Stocastici Definizione intuitiva: un processo stocastico è un insieme ordinato di variabili casuali, indicizzate dal parametro t, spesso detto tempo. Definizione rigorosa: dati uno spazio di probabilità

Dettagli

Modelli stocastici per i rendimenti finanziari

Modelli stocastici per i rendimenti finanziari Modelli socasici er i rendimeni finanziari Alcuni rocessi socasici lineari Y Processo MA() μ con ε ~ WN(0, σ ε ) = + ε + θε. Esemio di generazione di un MA() e sima con R Caraerisiche di un rocesso MA()

Dettagli

SERIE STORICHE - AA Alessandra Luati

SERIE STORICHE - AA Alessandra Luati SERIE STORICHE - AA2004-2005 Alessandra Luati Programma dettagliato del corso di Analisi delle serie storiche, Laurea triennale in Finanza e assicurazioni, sede di Rimini, I ciclo, periodi 1,2: 27/09/04-29/10/04,

Dettagli

Fondamenti di Automatica

Fondamenti di Automatica Fondamenti di Automatica Stabilità esterna e analisi della risposta Stabilità esterna e risposta a regime Risposte di sistemi del I e II ordine 2 Stabilità esterna e analisi della risposta Stabilità esterna

Dettagli

STATISTICA A K (60 ore)

STATISTICA A K (60 ore) STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta

Dettagli

ANALISI SERIE STORICHE

ANALISI SERIE STORICHE ANALISI SERIE STORICHE SERIE STORICA: insieme finito di osservazioni di uno stesso fenomeno, ordinate secondo il tempo, con cadenza periodica costante (mensile, trimestrale, annuale ecc.). 8000000 Presenze

Dettagli

Fasi del modello di regressione

Fasi del modello di regressione Fasi del modello di regressione Specificazione del modello: scelta del tipo di funzione da utilizzare per descrivere un fenomeno; definizione delle ipotesi di base Stima dei parametri: uso di stimatori

Dettagli

Analisi 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) 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

Dettagli

Massimi e minimi vincolati

Massimi e minimi vincolati Massimi e minimi vincolati Vedremo tra breve un metodo per studiare il problema di trovare il minimo e il massimo di una funzione su di un sottoinsieme dello spazio ambiente che non sia un aperto. Abbiamo

Dettagli

Esercitazione con R 30 Maggio 2006

Esercitazione con R 30 Maggio 2006 Esercitazione con R 30 Maggio 2006 Previsioni per la serie del PIL statunitense Procediamo ad identificare un modello per la serie storica dei dati trimestrali del PIL statunitense. Carichiamo i dati >

Dettagli

= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E

= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E 1. Previsione per modelli ARM A Questo capitolo è dedicato alla teoria della previsione lineare per processi stocastici puramente non deterministici, cioè per processi che ammettono una rappresentazione

Dettagli

Metodi statistici per l economia (Prof. Capitanio) Slide n. 10. Materiale di supporto per le lezioni. Non sostituisce il libro di testo

Metodi statistici per l economia (Prof. Capitanio) Slide n. 10. Materiale di supporto per le lezioni. Non sostituisce il libro di testo Metodi statistici per l economia (Prof. Capitanio) Slide n. 10 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 REGRESSIONE LINEARE Date due variabili quantitative, X e Y, si è

Dettagli

Statistica Applicata all edilizia: il modello di regressione

Statistica Applicata all edilizia: il modello di regressione Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione

Dettagli

Scomposizione in fratti semplici

Scomposizione in fratti semplici 0.0.. Scomposizione in fratti semplici La determinazione dell evoluzione libera e dell evoluzione forzata di un sistema lineare stazionario richiedono l antitrasformazione di una funzione razionale fratta

Dettagli

Sistemi lineari con ingresso stocastico

Sistemi lineari con ingresso stocastico January 21, 2011 1 Media e densità spettrale 2 Processi a spettro razionale 3 MA 4 AR 5 ARMA 6 ARMAX Media e densità spettrale Media Ipotesi: Y (z) = G(z)U(z) 1 u(t) processo casuale stazionario in senso

Dettagli

Maria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano

Maria 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

Dettagli

Previsioni Statistiche

Previsioni Statistiche Previsioni Statistiche Matteo Pelagatti Questa versione: 21 novembre 2011 1 Il problema della previsione Da un punto di vista statistico prevedere significa determinare con il minore errore possibile la

Dettagli

1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano

1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una

Dettagli

Proprietà strutturali: Controllabilità e Osservabilità

Proprietà strutturali: Controllabilità e Osservabilità CONTROLLI AUTOMATICI LS Ingegneria Informatica Proprietà strutturali: Controllabilità e Osservabilità Prof. Claudio Melchiorri DEIS-Università di Bologna Tel. 051 2093034 e-mail: claudio.melchiorri@deis.unibo.it

Dettagli

ANALISI DI SEGNALI BIOLOGICI

ANALISI DI SEGNALI BIOLOGICI ANALISI DI SEGNALI BIOLOGICI A.Accardo accardo@units.it LM Neuroscienze A.A. 2010-11 1 Obiettivi del corso: Individuazione delle caratteristiche principali del segnale EEG quantificate mediante tecniche

Dettagli

Teoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici

Teoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici eoria dei Segnali rasmissione binaria casuale; somma di processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it eoria dei Segnali rasmissione

Dettagli

CANALE STAZIONARIO CANALE TEMPO INVARIANTE

CANALE STAZIONARIO CANALE TEMPO INVARIANTE CANALE STAZIONARIO Si parla di un Canale Stazionario quando i fenomeni che avvengono possono essere modellati da processi casuali e le proprietà statistiche di tali processi sono indipendenti dal tempo.

Dettagli

Statistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1

Statistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1 Statistica Capitolo 1 Regressione Lineare Semplice Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare il significato del coefficiente di correlazione lineare

Dettagli

Analisi delle Serie Temporali lucidi delle lezioni a.a. 2004/05

Analisi delle Serie Temporali lucidi delle lezioni a.a. 2004/05 Analisi delle Serie Temporali lucidi delle lezioni a.a. 2004/05 Guido Masarotto Facoltà di Scienze Statistiche Università di Padova guido.masarotto@unipd.it 16 gennaio 2005 ii Materiale didattico 1. Questi

Dettagli

Corso di Identificazione dei Modelli e Analisi dei Dati

Corso di Identificazione dei Modelli e Analisi dei Dati Corso di Identificazione dei Modelli e Analisi dei Dati Prof. Sergio Bittanti Esercitazione di Laboratorio A.A. 2010-11 Sistemi dinamici lineari a tempo discreto 1. Si consideri il sistema dinamico a tempo

Dettagli

lezione 7 AA Paolo Brunori

lezione 7 AA Paolo Brunori AA 2016-2017 Paolo Brunori dove siamo arrivati? - se siamo interessati a studiare l andamento congiunto di due fenomeni economici - possiamo provare a misurare i due fenomeni e poi usare la lineare semplice

Dettagli

I VETTORI GAUSSIANI E. DI NARDO

I VETTORI GAUSSIANI E. DI NARDO I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,

Dettagli

Indice. Prefazione...

Indice. Prefazione... Indice Prefazione... IX 1 Introduzione... 1 1.1 L'econometria.... 1 1.2 Struttura del volume... 2 1.3 Esempi ed esercizi... 4 2 Introduzione al modello di regressione lineare... 6 2.1 I minimi quadrati

Dettagli

1 Distanza di un punto da una retta (nel piano)

1 Distanza di un punto da una retta (nel piano) Esercizi 26/10/2007 1 Distanza di un punto da una retta (nel piano) Sia r = {ax + by + c = 0} una retta. Sia P = (p 1, p 2 ) R 2 un punto che non sta sulla retta r. Vogliamo vedere se si può parlare di

Dettagli

1 Endogeneità, variabili strumentali

1 Endogeneità, variabili strumentali 1 Endogeneità, variabili strumentali 1.1 Proprieta dello stimatore OLS Modello statistico y t = β 1 +β 2 x t2 +...+β k x tk +ε t y t = x tβ+ε t, Brevesommario: y t ex t sonovariabiliosservablimentre ε

Dettagli

Modelli lineari generalizzati

Modelli lineari generalizzati Modelli lineari generalizzati Estensione del modello lineare generale Servono allo studio della dipendenza in media di una variabile risposta da una o più variabili antecedenti Vengono attenuate alcune

Dettagli

Limite. Se D non è limitato si può fare il limite di f(x) per x che tende

Limite. Se D non è limitato si può fare il limite di f(x) per x che tende Appunti sul corso di Complementi di Matematica,mod.Analisi, prof. B.Bacchelli - a.a. 200/20. 05 - Limiti continuità: Riferimenti: R.Adams, Calcolo Differenziale 2. Capitoli 3., 3.2. - Esercizi 3., 3.2.

Dettagli

Universita degli Studi di Ancona Laurea in Ingegneria Meccanica ed Informatica a Distanza Anno Accademico 2005/2006. Matematica 2 (Analisi)

Universita degli Studi di Ancona Laurea in Ingegneria Meccanica ed Informatica a Distanza Anno Accademico 2005/2006. Matematica 2 (Analisi) Universita degli Studi di Ancona Laurea in Ingegneria Meccanica ed Informatica a Distanza Anno Accademico 2005/2006 Matematica 2 (Analisi) Nome:................................. N. matr.:.................................

Dettagli

Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2016/2017 Appello 15 Settembre 2017

Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2016/2017 Appello 15 Settembre 2017 Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 206/207 Appello 5 Settembre 207. Sia r t il log-return di un asset e r m t il log-retun del mercato.

Dettagli

Renato Morbidelli, Corrado Corradini. Metodi quantitativi. per la gestione ottimale delle acque. Morlacchi Editore U.P.

Renato Morbidelli, Corrado Corradini. Metodi quantitativi. per la gestione ottimale delle acque. Morlacchi Editore U.P. Renato Morbidelli, Corrado Corradini Metodi quantitativi per la gestione ottimale delle acque Morlacchi Editore U.P. Prima edizione: Margiacchi Galeno Editrice 2011 Seconda edizione rivista e ampliata:

Dettagli

Analisi delle Serie Temporali (lucidi delle lezioni)

Analisi delle Serie Temporali (lucidi delle lezioni) Indice Analisi delle Serie Temporali (lucidi delle lezioni) Guido Masarotto Facoltà di Scienze Statistiche Università di Padova guido.masarotto@unipd.it 6 gennaio 2003 A. Introduzione, 1 Che cos è una

Dettagli

( t) NR( t) NR( t) ( t)

( t) NR( t) NR( t) ( t) prof Valerio CURCIO Simulazione del prezzo del petrolio 1 1. Processi stocastici stazionari e non stazionari dall analisi del prezzo del petrolio Quello che vogliamo fare in questo articolo è un analisi

Dettagli

()Probablità, Statistica e Processi Stocastici

()Probablità, Statistica e Processi Stocastici Probablità, Statistica e Processi Stocastici Serie storiche (verso fpca) La tecnica chiamata fpca (functional PCA) esamina serie storiche utilizzando paradigmi propri di PCA. E utile premettere un po di

Dettagli

ẋ 1 = 2x 1 + (sen 2 (x 1 ) + 1)x 2 + 2u (1) y = x 1

ẋ 1 = 2x 1 + (sen 2 (x 1 ) + 1)x 2 + 2u (1) y = x 1 Alcuni esercizi risolti su: - calcolo dell equilibrio di un sistema lineare e valutazione delle proprietà di stabilità dell equilibrio attraverso linearizzazione - calcolo del movimento dello stato e dell

Dettagli

Traccia della soluzione degli esercizi del Capitolo 3

Traccia della soluzione degli esercizi del Capitolo 3 Traccia della soluzione degli esercizi del Capitolo 3 Esercizio 68 Sia X una v.c. uniformenente distribuita nell intervallo ( π, π, cioè f X ( = π ( π, π (. Posto Y = cos(x, trovare la distribuzione di

Dettagli

La procedura Box-Jenkins

La procedura Box-Jenkins La procedura Box-Jenkins La selezione del modello - Procedura di Box e Jenkins (976): procedura per cosruire, a parire dall osservazione dei dai, un modello ARMA ao ad approssimare il processo generaore

Dettagli

Graficazione qualitativa del luogo delle radici

Graficazione qualitativa del luogo delle radici .. 1.1 1 Graficazione qualitativa del luogo delle radici Esempio. Si faccia riferimento al seguente sistema retroazionato: d(t) G(s) r(t) e(t) K 1(s 1) s(s+1)(s +8s+5) y(t) Per una graficazione qualitativa

Dettagli

Comportamento meccanico dei materiali

Comportamento meccanico dei materiali Il caso delle travi Sollecitaioni di flessione: piano Sollecitaioni di flessione: piano oduli di resistena Composiione dei momenti: flessione deviata e retta 006 Politecnico di Torino 1 semplice () Seione

Dettagli

Esercitazione con R. > plot(eps, ylab=" ", xlab="t", main="simulazione di un processo white-noise")

Esercitazione con R. > plot(eps, ylab= , xlab=t, main=simulazione di un processo white-noise) Esercitazione con R 16 Maggio 2006 Corso di Statististica per le Applicazioni Economiche In questa esercitazione lavoreremo con serie storiche generate da modelli ARMA. Introdurremo, quindi, il trend ed

Dettagli

Il modello di regressione lineare multipla con regressori stocastici

Il modello di regressione lineare multipla con regressori stocastici Università di Pavia Il modello di regressione lineare multipla con regressori stocastici Eduardo Rossi Il valore atteso condizionale Modellare l esperimento casuale bivariato nel quale le variabili casuali

Dettagli

Regressione lineare semplice

Regressione lineare semplice Regressione lineare semplice Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Statistica con due variabili var. nominale, var. nominale: gruppo sanguigno - cancro

Dettagli

MODELLO DI REGRESSIONE LINEARE. le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza,

MODELLO DI REGRESSIONE LINEARE. le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza, MODELLO DI REGRESSIONE LINEARE le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza, teorema di Gauss-Markov, verifica di ipotesi e test di

Dettagli

LA MODELLAZIONE EMPIRICA DELLE RELAZIONI ECONOMICHE: APPLICAZIONI IN STATA 7. Maria Elena Bontempi

LA MODELLAZIONE EMPIRICA DELLE RELAZIONI ECONOMICHE: APPLICAZIONI IN STATA 7. Maria Elena Bontempi LA MODELLAZIONE EMPIRICA DELLE RELAZIONI ECONOMICHE: APPLICAZIONI IN STATA 7 L'econometria delle serie storiche Maria Elena Bontempi e.bontempi@economia.unife.it 1. Alcuni concetti di base...1 2. Come

Dettagli

Statistica Applicata all edilizia Lezione: carte di controllo

Statistica Applicata all edilizia Lezione: carte di controllo Lezione: carte di controllo E-mail: orietta.nicolis@unibg.it 24 maggio 2007 Programma 1 Fonti di variabilità e controllo di un fenomeno 2 Programma 1 Fonti di variabilità e controllo di un fenomeno 2 Fonti

Dettagli

TEMI D ESAME DI ANALISI MATEMATICA I

TEMI D ESAME DI ANALISI MATEMATICA I TEMI D ESAME DI ANALISI MATEMATICA I Corso di laurea quadriennale) in Fisica a.a. 003/04 Prova scritta del 3 aprile 003 ] Siano a, c parametri reali. Studiare l esistenza e, in caso affermativo, calcolare

Dettagli

Scomposizione in fratti semplici

Scomposizione in fratti semplici 0.0. 2.2 Scomposizione in fratti semplici La determinazione dell evoluzione libera e dell evoluzione forzata di un sistema lineare stazionario richiede l antitrasformazione di una funzione razionale fratta

Dettagli

Esercitazione ENS su processi casuali (13 e 14 Maggio 2008)

Esercitazione ENS su processi casuali (13 e 14 Maggio 2008) Esercitazione ES su processi casuali ( e 4 Maggio 2008) D. Donno Esercizio : Calcolo di autovalori e autovettori Si consideri un processo x n somma di un segnale e un disturbo: x n = Ae π 2 n + w n, n

Dettagli

3.6 Metodi basati sui piani di taglio

3.6 Metodi basati sui piani di taglio 3.6 Metodi basati sui piani di taglio Problema generale di Programmazione Lineare Intera (PLI) con A matrice m n e b vettore n 1 razionali min{ c t x : x X = {x Z n + : Ax b} } Sappiamo che esiste una

Dettagli

Risposta in vibrazioni libere di un sistema lineare viscoso a più gradi di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1

Risposta in vibrazioni libere di un sistema lineare viscoso a più gradi di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1 Risposta in vibrazioni libere di un sistema lineare viscoso a più gradi di libertà Prof. Adolfo Santini - Dinamica delle Strutture 1 Vibrazioni libere non smorzate 1/6 Le equazioni del moto di un sistema

Dettagli

Analisi delle Serie Storiche con R

Analisi delle Serie Storiche con R Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Analisi delle Serie Storiche con R Francesca

Dettagli

Analisi di Regressione Multivariata. β matrice incognita dei coeff. di regressione (regr. lineare in β)

Analisi di Regressione Multivariata. β matrice incognita dei coeff. di regressione (regr. lineare in β) Analisi di Regressione Multivariata Regressione: metodologia per dedurre info e per anticipare risposte di una variabile dip. Modello classico di regressione lineare: Y {z} n k = {z} X β + ρ {z} {z} n

Dettagli

SIMULAZIONE - 29 APRILE QUESITI

SIMULAZIONE - 29 APRILE QUESITI www.matefilia.it SIMULAZIONE - 29 APRILE 206 - QUESITI Q Determinare il volume del solido generato dalla rotazione attorno alla retta di equazione y= della regione di piano delimitata dalla curva di equazione

Dettagli

Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 27 Giugno 2016

Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 27 Giugno 2016 Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 205/206 Appello 27 Giugno 206 Per lo svolgimento della prova completa si ha un massimo di due ore. Invece

Dettagli

Probabilità e Statistica Esercizi

Probabilità e Statistica Esercizi Corso di PIANIFICAZIONE DEI TRASPORTI 1 ing. Antonio Comi Marzo 2006 Probabilità e Statistica Esercizi 1 Variabile aleatoria X(E): funzione che associa ad un evento E dello spazio delle prove un numero

Dettagli

Processi stocastici A.A Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo

Processi stocastici A.A Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo Processi stocastici A.A. 09 0 Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo G. Sanfilippo 20 maggio 200 Registro delle lezioni. Lezione del 3 Marzo 200, 8-, ore complessive 3 Richiami

Dettagli

1. Funzioni implicite

1. Funzioni implicite 1. Funzioni implicite 1.1 Il caso scalare Sia X R 2 e sia f : X R. Una funzione y : (a, b) R si dice definita implicitamente dall equazione f(x, y) = 0 in (a, b) quando: 1. (x, y(x)) X x (a, b); 2. f(x,

Dettagli

' $ Teoria del traffico & % 1

' $ Teoria del traffico & % 1 Teoria del traffico Andamento della distribuzione di Poisson P(k) = (λt)k k! e λt 1 k=0 k=1 k=2 k=3 0.8 0.6 P(k) 0.4 0.2 0 0 1 2 3 4 5 λt Proprietá La sovrapposizione di h processi di Poisson aventi frequenze

Dettagli

Modellazione e calcolo assistito di strutture meccaniche

Modellazione e calcolo assistito di strutture meccaniche Modellazione e calcolo assistito di strutture meccaniche Lezione 1 Introduzione al metodo FEM Il metodo degli elementi finiti FEM: Finite Element Method E un metodo numerico Inizialmente è stato sviluppato

Dettagli

! # %# & # & # #( # & % & % ( & )!+!,!++

! # %# & # & # #( # & % & % ( & )!+!,!++ ! # %# & # & # #( # &! # % & % ( & )!+!,!++ ! # % & & ( ) +,.! / ( # / # % & ( % &,. %, % / / 0 & 1.. #! # ) ) + + + +) #!! # )! # # #.. & & 8. 9 1... 8 & &..5.... < %. Α < & & &. & % 1 & 1.. 8. 9 1.

Dettagli

Esercizi e soluzioni relativi al Capitolo 10

Esercizi e soluzioni relativi al Capitolo 10 Esercizi e soluzioni relativi al Capitolo 1 Esercizio 1.1 Sia (Mat 2 2 (R), +, ) l anello delle matrici quadrate di ordine 2 a coefficienti reali. [ Gli ] elementi unitari sono tutte e sole le matrici

Dettagli

ESERCIZI DI ANALISI II Ingegneria Civile e dei Trasporti (M-Z) a.a. 2006/2007

ESERCIZI DI ANALISI II Ingegneria Civile e dei Trasporti (M-Z) a.a. 2006/2007 ESERCIZI I ANALISI II Ingegneria Civile e dei Trasporti (M-Z) a.a. 006/007 1 FUNZIONI IN UE VARIABILI (I parte) Insiemi di definizione eterminare gli insiemi di definizione delle seguenti funzioni in due

Dettagli

Fondamenti di Automatica

Fondamenti di Automatica Fondamenti di Automatica Introduzione e modellistica dei sistemi Introduzione allo studio dei sistemi Modellistica dei sistemi dinamici elettrici Modellistica dei sistemi dinamici meccanici Modellistica

Dettagli

LA DISTRIBUZIONE NORMALE o DI GAUSS

LA DISTRIBUZIONE NORMALE o DI GAUSS p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,

Dettagli

P ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)

P ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea) 10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo

Dettagli

Filtraggio Digitale. Alfredo Pironti. Ottobre Alfredo Pironti Univ. di Napoli Federico II Corso Ansaldo Breda 1 / 20

Filtraggio Digitale. Alfredo Pironti. Ottobre Alfredo Pironti Univ. di Napoli Federico II Corso Ansaldo Breda 1 / 20 Filtraggio Digitale Alfredo Pironti Ottobre 2012 Alfredo Pironti Univ. di Napoli Federico II Corso Ansaldo Breda 1 / 20 Filtri Analogici (1) Un filtro analogico è un sistema lineare tempo-invariante (LTI)

Dettagli

Note sul teorema del Dini

Note sul teorema del Dini Note sul teorema del Dini S. Spagnolo 1 Punti fissi Data un applicazione ψ : C C, ogni punto z C per cui risulti ψ(z) = z si chiama punto fisso della ψ. Teorema 1 (delle contrazioni) Sia C un sottoinsieme

Dettagli

1 Il polinomio minimo.

1 Il polinomio minimo. Abstract Il polinomio minimo, così come il polinomio caratterisico, è un importante invariante per le matrici quadrate. La forma canonica di Jordan è un approssimazione della diagonalizzazione, e viene

Dettagli

Ripasso segnali e processi casuali. Trasmissione dell Informazione

Ripasso segnali e processi casuali. Trasmissione dell Informazione Ripasso segnali e processi casuali 1 Breve ripasso di segnali e trasformate Dato un segnale s(t), la sua densità spettrale si calcola come dove S(f) è la trasformata di Fourier. L energia di un segnale

Dettagli

LE VARIABILI CASUALI A 1, A 2.,..., A k., p 2.,..., p k. generati da una specifica prova sono necessari ed incompatibili:

LE 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

Dettagli

Statistica Inferenziale

Statistica Inferenziale Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 6 Abbiamo visto: Definizione di popolazione, di campione e di spazio campionario Distribuzione

Dettagli

Fondamenti di Automatica. Unità 3 Equilibrio e stabilità di sistemi dinamici

Fondamenti di Automatica. Unità 3 Equilibrio e stabilità di sistemi dinamici Fondamenti di Automatica Unità 3 Equilibrio e stabilità di sistemi dinamici Equilibrio e stabilità di sistemi dinamici Equilibrio di sistemi dinamici Linearizzazione di sistemi dinamici Stabilità interna

Dettagli

Regressione Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007

Regressione Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007 Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il costo mensile Y di produzione e il corrispondente volume produttivo X per uno dei propri stabilimenti. Volume

Dettagli

Gli esperimenti condotti da Faraday hanno portato a stabilire l esistenza di una forza elettromotrice e quindi di una corrente indotta in un circuito

Gli esperimenti condotti da Faraday hanno portato a stabilire l esistenza di una forza elettromotrice e quindi di una corrente indotta in un circuito Gli esperimenti condotti da Faraday hanno portato a stabilire l esistenza di una forza elettromotrice e quindi di una corrente indotta in un circuito quando: 1) il circuito è in presenza di un campo magnetico

Dettagli

METODO DEGLI ELEMENTI FINITI

METODO DEGLI ELEMENTI FINITI Tale metodo richiede la valutazione della funzione G(r,s) in un certo numero, n, di "punti di integrazione" nel dominio di definizione. Il numero di tali punti condiziona la precisione della approssimazione.

Dettagli

Risposta al gradino di un sistema del primo ordine

Risposta al gradino di un sistema del primo ordine 0.0..4 Risposta al gradino di un sistema del primo ordine Diagramma Si consideri il seguente sistema lineare del primo ordine: G(s) = +τ s L unico parametro che caratterizza il sistema è la costante di

Dettagli

Università degli Studi di Padova Corso di Laurea in Statistica Economia e Finanza MODELLI DI PREVISIONE PER SERIE STORICHE FINANZIARIE

Università degli Studi di Padova Corso di Laurea in Statistica Economia e Finanza MODELLI DI PREVISIONE PER SERIE STORICHE FINANZIARIE Università degli Studi di Padova Corso di Laurea in Statistica Economia e Finanza MODELLI DI PREVISIONE PER SERIE STORICHE FINANZIARIE Relatore: Prof. Claudio Pizzi Dipartimento di Scienze Statistiche

Dettagli

PREVISIONE. E inutile cercare di prevedere la componente deterministica. Quindi si opera su valori depurati di questa componente.

PREVISIONE. E inutile cercare di prevedere la componente deterministica. Quindi si opera su valori depurati di questa componente. PREVISIONE Sono analoghi a quelli di simulazione tranne che per l'uso dell'informazione: - si utilizzano tutte le informazioni disponibili (ingressi) fino all'istante t e si calcola il passo/i passi successivi

Dettagli

La multicollinearità sorge quando c è un elevata correlazione tra due o più variabili esplicative.

La multicollinearità sorge quando c è un elevata correlazione tra due o più variabili esplicative. Lezione 14 (a cura di Ludovica Peccia) MULTICOLLINEARITA La multicollinearità sorge quando c è un elevata correlazione tra due o più variabili esplicative. In un modello di regressione Y= X 1, X 2, X 3

Dettagli

lezione n. 6 (a cura di Gaia Montanucci) Verosimiglianza: L = = =. Parte dipendente da β 0 e β 1

lezione n. 6 (a cura di Gaia Montanucci) Verosimiglianza: L = = =. Parte dipendente da β 0 e β 1 lezione n. 6 (a cura di Gaia Montanucci) METODO MASSIMA VEROSIMIGLIANZA PER STIMARE β 0 E β 1 Distribuzione sui termini di errore ε i ε i ~ N (0, σ 2 ) ne consegue : ogni y i ha ancora distribuzione normale,

Dettagli

Modelli statistici per lo studio della Fibrillazione Atriale

Modelli statistici per lo studio della Fibrillazione Atriale Politecnico di Milano Facoltà di Ingegneria dei Sistemi Corso di Studi in Ingegneria Matematica Tesi di Laurea Specialistica Modelli statistici per lo studio della Fibrillazione Atriale Relatore: Prof.ssa

Dettagli

Comunicazioni Elettriche anno accademico Esercitazione 1

Comunicazioni Elettriche anno accademico Esercitazione 1 Comunicazioni Elettriche anno accademico 003-004 Esercitazione Esercizio Un processo aleatorio a tempo discreto X(n) è definito nel seguente modo: Viene lanciata una moneta. Se il risultato è testa X(n)=

Dettagli

I teoremi della funzione inversa e della funzione implicita

I teoremi della funzione inversa e della funzione implicita I teoremi della funzione inversa e della funzione implicita Appunti per il corso di Analisi Matematica 4 G. Mauceri Indice 1 Il teorema della funzione inversa 1 Il teorema della funzione implicita 3 1

Dettagli

Graficazione qualitativa del luogo delle radici

Graficazione qualitativa del luogo delle radici .. 5.3 1 Graficazione qualitativa del luogo delle radici Esempio. Si faccia riferimento al seguente sistema retroazionato: d(t) G(s) r(t) e(t) K 1(s 1) s(s + 1)(s + 8s + 5) y(t) Per una graficazione qualitativa

Dettagli

Modelli di regressione dinamica

Modelli di regressione dinamica Modelli di regressione dinamica Matteo Pelagatti 25 giugno 2007 Modello di regressione dinamica Il modello di regressione classico coglie solamente relazioni istantanee tra la variabile esplicative e la

Dettagli

Analisi degli Errori di Misura. 08/04/2009 G.Sirri

Analisi degli Errori di Misura. 08/04/2009 G.Sirri Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia

Dettagli

Teorie non finanziarie dell investimento

Teorie non finanziarie dell investimento Teorie non finanziarie dell investimento Investimento, Informazione e Razionalità A. M. Variato Saggi di Teoria e Politica Economica, Giuffrè, 2004 Daniela Maggioni Tatiana Conti 1 Teorie non finanziarie

Dettagli

NUMERI COMPLESSI Esercizi svolti. d) (1 i) 3. b) (1 + i)(1 i)(1 + 3 i) c) 1 i 1

NUMERI COMPLESSI Esercizi svolti. d) (1 i) 3. b) (1 + i)(1 i)(1 + 3 i) c) 1 i 1 Calcolare le seguenti potenze di i: NUMERI COMPLESSI Esercizi svolti a) i b) i 7 c) i d) i e) i f) i 9 Semplificare le seguenti espressioni: a) i) i i) b) + i) i) + ) 0 i c) i) i) i) d) i) Verificare che

Dettagli

CONCETTO DI STABILITÀ NEI SISTEMI DI CONTROLLO. Sistema in condizioni di equilibrio a t = 0. d(t) = 0. u(t) = 0. y(t) = 0. Sistema

CONCETTO DI STABILITÀ NEI SISTEMI DI CONTROLLO. Sistema in condizioni di equilibrio a t = 0. d(t) = 0. u(t) = 0. y(t) = 0. Sistema CONCETTO DI STABILITÀ NEI SISTEMI DI CONTROLLO Sistema in condizioni di equilibrio a t = 0. d(t) = 0 u(t) = 0 Sistema y(t) = 0 Tipi di perturbazione. Perturbazione di durata limitata: u(t) = 0, t > T u

Dettagli

1 L analisi discriminante lineare

1 L analisi discriminante lineare 1 L analisi discriminante lineare L analisi discriminante lineare presuppone che p variabili (quantitative) Y 1,... Y p siano state misurate su osservazioni appartenenti a 2 o più gruppi: G 1,...,G k,

Dettagli

Stabilità dei sistemi in retroazione. Diagrammi polari e teorema di Nyquist

Stabilità dei sistemi in retroazione. Diagrammi polari e teorema di Nyquist Stabilità dei sistemi in retroazione Diagrammi polari e teorema di Nyquist STABILITA DEI SISTEMI IN RETROAZIONE Vogliamo studiare la stabilità del sistema in retroazione a partire della conoscenza di L(s

Dettagli

Processi di Markov. Processi di Markov

Processi di Markov. Processi di Markov Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Un

Dettagli

5 Un applicazione: le matrici di rotazione

5 Un applicazione: le matrici di rotazione 5 Un applicazione: le matrici di rotazione 51 Rotazioni nel piano di un angolo ϑ Si vuole considerare il caso della rotazione nel piano di un vettore di R di un angolo ϑ assegnato Chiaramente si tratta

Dettagli