Lezione VIII: Montecarlo
|
|
- Valentino Tarantino
- 6 anni fa
- Visualizzazioni
Transcript
1 Lezione VIII: Montecarlo Laboratorio di Fisica Computazionale 2 (216/217) November 16, 216 Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
2 Metodo di Monte Carlo Metodo di Monte Carlo Il termine metodo di Monte Carlo si riferisce a qualsiasi metodo numerico che faccia uso di numeri casuali (random) per risolvere probabilisticamente un problema. Metodi di Monte Carlo sono normalmente utilizzati in ambito scientifico per: simulare processi stocastici simulare la risposta di apparati sperimentali calcoli numeri approssimati (integrali, etc..) Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
3 Metodo di Monte Carlo Applicazioni del metodo di Monte Carlo I metodi probabilistici hanno una lunga storia ma solo dopo il 1944 è iniziato un loro studio sistematico che ha portato a notevoli sviluppi. Metodi Monte Carlo sono utilizzati per costruire simulazioni di natura probabilistica di fenomeni fisici (reattori nucleari, tra co stradale, aereodinamica), di problemi decisionali e finanziari (econometrica, previsione Dow-Jones), informatica (progettazione VLSI, rendering) o come semplice fonte di divertimento (videogiochi). Il forte legame che esiste tra il gioco e le simulazioni probabilistiche è sottolineato dal fatto che a tali simulazioni viene generalmente dato il nome di metodi Monte Carlo (in onore del famoso casinò di Monaco). Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
4 Metodo di Monte Carlo Breve nota storica L idea di utilizzare in modo sistematico simulazioni di tipo probabilistico per risolvere un problema di natura fisica viene generalmente attribuita al matematico polacco Stanislaw Ulam ( ). Ulam fu uno dei personaggi chiave nel progetto americano per la costruzione della bomba atomica (Manhattan project) durante la seconda guerra mondiale tra il 1943 ed il 1945 a Los Alamos, New Mexico. Il progetto Manhattan richiedeva infatti la risoluzione di un enorme numero di problemi incredibilmente complessi (nella sua autobiografia Ulam descrive come l idea di utilizzare simulazioni casuali per risolvere tali problemi gli sia venuta cercando di calcolare la probabilità di successo al solitario). Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
5 Numeri casuali Numeri casuali I metodi di MC richiedono la generazione dei valori (numeri casuali) di variabili aleatorie di cui sono note le distribuzioni di probabilità. Un sequenza di numeri casuali è una sequenza di numeri che non hanno alcuna relazione di successione tra di loro (ma che seguono, tutti, una stessa distribuzione di probabilità). Come generare sequenze di numeri casuali? Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
6 Numeri casuali Numeri pseudo-casuali L idea stessa di utilizzare un calcolatore (quindi un oggetto puramente deterministico e di conseguenza prevedibile), per generare un numero casuale, quindi imprevedibile, sembra costituire una sfida impossibile. Gli algoritmi utilizzati per generare sequenze di numeri pseudo-casuali al calcolatore hanno periodo di ripetizione molto lungo e basso livello di correlazione tra un elemento della sequenza e quello successivo. Esempio (Middle Square, Von Neumann, 1946): dato un numero intero di 1 cifre (seme della sequenza) lo si eleva al quadrato e si prendono le 1 cifre centrali come numero successivo: = Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
7 Numeri casuali Numeri pseudo-casuali In ambiente C/C++ esiste un generatore di numeri casuali uniformemente distribuiti. La funzione si chiama: long int random(); ed è definita in stdlib.h. Ogni chiamata a random() ritorna un intero compreso tra e RAND MAX (che, nelle macchine a 32 bits vale di solito ). È utile poter fissare il seme della sequenza in modo da poter generare sequenze diverse o esattemente la stessa sequenza (per scopi di debugging): a seme uguale corrisponde sequenza uguale. void srandom(long int); L inizializzazione va fatta una sola volta per tutte all inizio del programma. Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
8 Numeri casuali Generatori moderni Generatori in ROOT TRandom (sostanzialmente identico a random) sfrutta l algoritmo periodo: 1 9 (non usare mai!) X n+1 =(ax n + c) mod m TRandom1, periodo (molto lento) TRandom2, periodo 1 26 (adatto ad applicazioni veloci, che non necessitano periodi lunghi) TRandom3, periodo altissimo 1 6 (Mersenne Twister generator), consigliato. Esempio: TRandom3 rnd; rnd.setseed(121356); rnd.rndm() // estrae numero tra e 1 Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
9 La distribuzione binomiale La distribuzione binomiale Una interessante applicazione della generazioni di distribuzioni uniformi è la generazione di processi binomiali. Tale distribuzione si base su eventi (prove) caratterizzati da due soli risultati possibili a o ā: p(a) = p p(ā) = q =1 p Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
10 La distribuzione binomiale La distribuzione binomiale Una interessante applicazione della generazioni di distribuzioni uniformi è la generazione di processi binomiali. Tale distribuzione si base su eventi (prove) caratterizzati da due soli risultati possibili a o ā: p(a) = p p(ā) = q =1 p Questo tipo di evento è facile da generare! Estraggo x 2 [, 1] se x < p allora il risultato è a altrimenti ā. Applicazione tipica: simulazione di un apparato con e cienza di selezione nota. Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
11 Distribizioni probabilità arbitrarie Generazione di distribuzione di probabilità arbitrarie Abbiamo visto come generare eventi con distribuzione di probabilità uniforme, ed abbiamo anche visto in quale contesto tali eventi sono utili. Tuttavia la maggior parte dei problemi di statistica applicati alla fisica richiedono eventi con distribuzioni di probabilità non uniformi. È quindi importante imparare a generare eventi distribuiti secondo una generica densità di probabilità a partire da eventi distribuiti uniformemente. Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
12 Reiezione Metodo di reiezione Supponiamo che la distribuzione da generare f (x) sia definita nell intervallo [x min, x max ] sia, in tale intervallo, compresa tra e f max Se estraiamo un coppia di valori di (x,y) uniformementedistribuitiin [x min, x max ] [, f max ]accetteremox se y è minore di f (x) altrimenti lo rigettiamo. f(x) Frequenza x x Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
13 Reiezione Metodo di reiezione Supponiamo che la distribuzione da generare f (x) sia definita nell intervallo [x min, x max ] sia, in tale intervallo, compresa tra e f max Se estraiamo un coppia di valori di (x,y) uniformementedistribuitiin [x min, x max ] [, f max ]accetteremox se y è minore di f (x) altrimenti lo rigettiamo. f(x) Frequenza x x Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
14 Reiezione Metodo di reiezione Supponiamo che la distribuzione da generare f (x) sia definita nell intervallo [x min, x max ] sia, in tale intervallo, compresa tra e f max Se estraiamo un coppia di valori di (x,y) uniformementedistribuitiin [x min, x max ] [, f max ]accetteremox se y è minore di f (x) altrimenti lo rigettiamo. f(x) Frequenza x x Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
15 Reiezione Metodo di reiezione Supponiamo che la distribuzione da generare f (x) sia definita nell intervallo [x min, x max ] sia, in tale intervallo, compresa tra e f max Se estraiamo un coppia di valori di (x,y) uniformementedistribuitiin [x min, x max ] [, f max ]accetteremox se y è minore di f (x) altrimenti lo rigettiamo. f(x) Frequenza x x Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
16 Reiezione Metodo di reiezione Supponiamo che la distribuzione da generare f (x) sia definita nell intervallo [x min, x max ] sia, in tale intervallo, compresa tra e f max Se estraiamo un coppia di valori di (x,y) uniformementedistribuitiin [x min, x max ] [, f max ]accetteremox se y è minore di f (x) altrimenti lo rigettiamo. f(x) Frequenza x x Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
17 Reiezione Metodo di reiezione Supponiamo che la distribuzione da generare f (x) sia definita nell intervallo [x min, x max ] sia, in tale intervallo, compresa tra e f max Se estraiamo un coppia di valori di (x,y) uniformementedistribuitiin [x min, x max ] [, f max ]accetteremox se y è minore di f (x) altrimenti lo rigettiamo. f(x) Frequenza x x Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
18 Reiezione Metodo di reiezione Supponiamo che la distribuzione da generare f (x) sia definita nell intervallo [x min, x max ] sia, in tale intervallo, compresa tra e f max Se estraiamo un coppia di valori di (x,y) uniformementedistribuitiin [x min, x max ] [, f max ]accetteremox se y è minore di f (x) altrimenti lo rigettiamo. f(x) Frequenza x x Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
19 Reiezione Metodo di reiezione (II) Questo metodo genera, per costruzione, la distribuzione di probabilita desiderata (pesa le x sulla base di f (x)). Il metodo è quello usato per il calcolo dell integrale con la sola di erenza che in quel caso si conta il numero di punti all interno della funzione mentre in questo caso si prende come numero della sequenza di numeri random l ascissa di ognuno di questi punti. L e cienza di un metodo, definita come segue, " = Numeri accettati Numeri estratti Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
20 Reiezione Metodo di reiezione (II) Questo metodo genera, per costruzione, la distribuzione di probabilita desiderata (pesa le x sulla base di f (x)). Il metodo è quello usato per il calcolo dell integrale con la sola di erenza che in quel caso si conta il numero di punti all interno della funzione mentre in questo caso si prende come numero della sequenza di numeri random l ascissa di ognuno di questi punti. L e cienza di un metodo, definita come segue, vale per la reiezione " = Numeri accettati Numeri estratti R xmax x = min f (x)dx (x max x min )y max Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
21 Reiezione Calcolo di Prima applicazione del metodo di Monte Carlo (Bu on 1777). Consideriamo una vasta area in cui siano tracciate linee rette parallele a distanza d gettiamo quindi a caso su di essa un sottile ago di lunghezza L < d. Qual era la probabilità che l ago intersechi una linea? P(intersezione) =P(x < L/2sin ) Se gli aghi sono lanciati a caso x 2 [, d/2], 2 [, ], quindi Poco e P(intersezione) = N fav ciente... = L/2 R N tot sin d d/2 = 2L d Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
22 Reiezione Limiti del metodo di reiezione Limiti del metodo: si può applicare solo a funzioni limitate e con dominio limitato; risulta molto ine ciente nel caso si manipolino distribuzioni che si addensano in piccole regioni dell intervallo (con picchi stretti). Il fatto che modulando una distribuzione uniforme con il valore della densità di probabilità si ottenga l integrale di tale distribuzione ci suggerisce che possa esistere un legame funzionale tra l integrale di una densità di probabilità ed una variabile aleatoria distribuita uniformemente. Questa idea è alla base del metodo di inversione. Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
23 Inversione Metodo di inversione Data f (x), definita in [x min, x max ], cerchiamo una funzione g tale che, se è u n a variabile aleatoria distribuita uniformemente in [, 1], allora g( ) èdistribuita secondo f in [x min, x max ]. Poniamo: g() = x min, p( )d = f (x)dx g(1) = x max (la seconda condizione assicura la conservazione della probabilità) p(η) 1.5 f(x) η In questo caso x min =, x max = 1. Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26 x
24 Inversione Metodo di inversione (II) Integriamo la relazione precedente Z Z g( )=x Z x d = f (y)dy ) = f (y)dy g()=x min x min se f (x) non è una densità di probabilità occorre normalizzarla f (x)! R xmax x min f (x) f (x)dx Risolvendo l equazione ottenuta con la soluzione dell integrale si ottiene x = g( ) Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
25 Inversione Metodo di inversione (III): esempio Problema generare numeri casuali secondo e x in [, 1): ottengo la densità di probabilità f (x) = e x integro: = = Z x f (y)dy e y x =1 e x... e risolvo rispetto a x: x = 1 ln(1 ) Si noti che il metodo di reiezione non richiede che il dominio della funzione sia limitato ma solo che se ne conosca l integrale analitico. Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
26 Gaussiana 2D Generazione della gaussiana La gaussiana non può essere generata con il metodo della reiezione (non ha dominio limitato) né con il metodo di inversione (non ha un semplice integrale analitico). Metodo della gaussiana 2D Considero due gaussiane indipendenti (con x =e = 1) lungo x e y f (x, y)dxdy = p 1 e x2 1 2 dx p e y2 1 2 dy = e (x 2 +y 2 ) 2 dxdy passo in coordinate polari: r 2 = x 2 + y 2 dxdy = rdrd f (r, )drd = e y =arctan x r2 2 drd Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
27 Gaussiana 2D Generazione della gaussiana (II) E ettuo il cambio di variabile u = r 2 /2, segue du = rdr equindi: f (x, y)dxdy = f (r, )drd = e u du d 2 La variabile u potrà essere generata secondo e u tra [, 1) e come uniformemente distribuita tra [, 2 ]; perricavarex e y basterà e ettuare i cambi di variabile a ritroso u = ln(1 1 ) r = p 2u =2 2 x = r cos y = r sin Abbiamo quindi definito un metodo per generare due numeri casuali indipendenti distribuiti secondo una gaussiana con media e deviazione standard 1 partendo da due numeri uniformemente distribuiti da [, 1]. Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
28 Generazione gaussiana Generazione gaussiana / Teorema limite centrale Un metodo (poco e ciente) per generare una sequenza di numeri casuali distribuiti secondo una gaussiana consiste nell utilizzare il teorema del limite centrale (può anche essere visto come una verifica del teorema): La distribuzione della somma di N variabili aleatorie comunque distribuite tende, per N!1, ad una distribuzione gaussiana. Consideriamo una variabile x uniformemente distribuita tra [.5,.5] Z.5 x = dx =.5 Z.5 2 = x 2 dx = edefiniamox = P N i=1 x i Frequenza N =1 Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26 X
29 Generazione gaussiana Generazione gaussiana / Teorema limite centrale Un metodo (poco e ciente) per generare una sequenza di numeri casuali distribuiti secondo una gaussiana consiste nell utilizzare il teorema del limite centrale (può anche essere visto come una verifica del teorema): La distribuzione della somma di N variabili aleatorie comunque distribuite tende, per N!1, ad una distribuzione gaussiana. Consideriamo una variabile x uniformemente distribuita tra [.5,.5] Z.5 x = dx =.5 Z.5 2 = x 2 dx = edefiniamox = P N i=1 x i Frequenza N =2 Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26 X
30 Generazione gaussiana Generazione gaussiana / Teorema limite centrale Un metodo (poco e ciente) per generare una sequenza di numeri casuali distribuiti secondo una gaussiana consiste nell utilizzare il teorema del limite centrale (può anche essere visto come una verifica del teorema): La distribuzione della somma di N variabili aleatorie comunque distribuite tende, per N!1, ad una distribuzione gaussiana. Consideriamo una variabile x uniformemente distribuita tra [.5,.5] Z.5 x = dx =.5 Z.5 2 = x 2 dx = edefiniamox = P N i=1 x i Frequenza N =6 Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26 X
31 Generazione gaussiana Generazione gaussiana / Teorema limite centrale Un metodo (poco e ciente) per generare una sequenza di numeri casuali distribuiti secondo una gaussiana consiste nell utilizzare il teorema del limite centrale (può anche essere visto come una verifica del teorema): La distribuzione della somma di N variabili aleatorie comunque distribuite tende, per N!1, ad una distribuzione gaussiana. Consideriamo una variabile x uniformemente distribuita tra [.5,.5] Z.5 x = dx =.5 Z.5 2 = x 2 dx = edefiniamox = P N i=1 x i Frequenza N = 12 X Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
32 Generazione gaussiana Generazione variabili in ROOT Generazione di variabili che seguono una gaussiana TRandom3 rnd;... double x = rnd.gaus(,1); // numeri appartenenti ad una gaussiana //centrata un con larghezza 1 Generazione di variabili che seguono una funzione qualsiasi TRandom3 rnd;... TF1 f("f","...",-1,1); double x = f.getrandom(); // ritorna numeri distribuiti come f Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
33 Integrali Calcolo di Integrali Supponiamo di dover calcolare l integrale di una funzione in un intervallo limitato [x min, x max ], e di conoscere il massimo ed il minimo della funzione in tale intervallo. Se generiamo n punti uniformemente distribuiti nel rettangolo [x min, x max ] [f min, f max ] avremo che la frazione p di punti che cadono sotto la funzione è pari al rapporto tra l integrale e l area del rettangolo A. A =(x max x min )(f max f min ) Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
34 Integrali Calcolo di Integrali Supponiamo di dover calcolare l integrale di una funzione in un intervallo limitato [x min, x max ], e di conoscere il massimo ed il minimo della funzione in tale intervallo. Se generiamo n punti uniformemente distribuiti nel rettangolo [x min, x max ] [f min, f max ] avremo che la frazione p di punti che cadono sotto la funzione è pari al rapporto tra l integrale e l area del rettangolo A. A =(x max x min )(f max f min ) La distribuzione di successi è binomiale e si ha: I = Z xmax x min (I )=A f (x)dx = Ap = A N fav r p(1 p) N tot N tot Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
35 Integrali Calcolo di Integrali: approccio alternativo Altro modo di ragionare: Z b a f (x)dx = Z b a =(b 1 (b a)f (x) b a) 1 X N i a f (x i )=(b dx =(b a)hf i a)e[f (x)] {a,b} dove x i sono distribuiti uniformemente nell intervallo [a, b] L errore è dato da r r (hf 2 i hf i N =(b a) 2 )N/(N 1) hf 2 i hf i =(b a) 2 N N 1 Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
36 Integrali Calcolo di Integrali: importance sampling Provo con una densità di probabilità non uniforme g(x) Z b a f (x) g(x)dx =(b g(x) =(b a)e[f (x)/g(x)] a)hf /gi dove x i sono distribuiti uniformemente secondo g(x) L errore è dato da r r (h(f /g)2 i hf /gi N =(b a) 2 )N/(N 1) h(f /g)2 i hf /gi =(b a) 2 N N 1 per N fissato l errore è minimo se g(x) = f (x) R f (x)dx Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
37 Integrali Metodo di reiezione con campionamento p(x) è di cile da campionare ma può essere valutata per ogni x q(x) invece: è facile da campionare si può definire una costante c tale che p(x) apple cq(x) Metodo di reiezione con campionamento: estraggo x secondo q(x) estraggo u uniformemente in [, cq(x)] se u apple p(x) accettox altrimenti estraggo un altro x Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
38 Integrali Calcolo di Integrali Quando diventa conveniente valutare un integrale con il metodo Monte Carlo? Ricordiamo che ogni estrazione implica il calcolo della funzione integranda (per stabilire se y < f (x) cioè se il punto è contenuto nell area). Consideriamo una funzione a m dimensioni e chiamiamo N il numero di valutazioni della funzione integrale: Simpson: fissatoan il numero di campionamenti per dimensione N vale n m Monte Carlo: la precisione migliora come 1/ p N Quando a parità di tempo di esecuzione i due metodi danno precisioni simili con stesso tempo di esecuzione? La risposta non è semplice perché dipende da come è fatta la funzione. In generale però per m > 4 il metodo Monte Carlo comincia a diventare competitivo. Fabrizio Parodi Lezione VIII: Montecarlo November 16, / 26
Metodo di Monte Carlo
Il termine metodo di si riferisce a qualsiasi metodo numerico che faccia uso di numeri (random) per risolvere probabilisticamente un problema. Metodi di sono normalmente utilizzati in ambito scientifico
DettagliLaboratorio di Calcolo B 68
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliGenerazione di numeri casuali
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliLaboratorio di Calcolo I. Applicazioni : Metodo Monte Carlo
Laboratorio di Calcolo I Applicazioni : Metodo Monte Carlo 1 Monte Carlo Il metodo di Monte Carlo è un metodo per la risoluzione numerica di problemi matematici che utilizza numeri casuali. Si applica
DettagliUlteriori conoscenze di informatica Elementi di statistica Esercitazione3
Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows. Immettere Nome utente b## (##
Dettagli- noise di conteggio ; f[m] è un numero intero che è la realizzazione di una variabile aleatoria con valor medio (valore atteso) f 0 [m].
Segnali con noise Sia f [m], m,,..., N-, il campionamento del segnale in arrivo sul rivelatore; il segnale campionato in uscita f[m] differisce da f [m] per quantità che variano in modo casuale. Si hanno
DettagliGenerazione di numeri random. Distribuzioni uniformi
Generazione di numeri random Distribuzioni uniformi I numeri random Per numero random (o numero casuale) si intende una variabile aleatoria distribuita in modo uniforme tra 0 e 1. Le proprietà statistiche
DettagliAlgoritmi in C++ (prima parte)
Algoritmi in C++ (prima parte) Alcuni algoritmi in C++ Far risolvere al calcolatore, in modo approssimato, problemi analitici Diverse tipologie di problemi generazione di sequenze di numeri casuali ricerca
DettagliSimulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
DettagliCenno sui metodi Monte Carlo
Cenno sui metodi Monte Carlo I metodi probabilistici hanno una lunga storia ma solo dopo il 1944 è iniziato un loro studio sistematico che ha portato a notevoli sviluppi. Attualmente è stato valutato che
DettagliCorso di Laboratorio 2 Programmazione C++ Silvia Arcelli. 9 Novembre 2015
Corso di Laboratorio 2 Programmazione C++ Silvia Arcelli 9 Novembre 2015 1 Generazione di numeri casuali Numeri casuali: valore assunto da una variabile aleatoria, il cui valore è per definizione impredicibile
DettagliDI IDROLOGIA TECNICA PARTE III
FACOLTA DI INGEGNERIA Laurea Specialistica in Ingegneria Civile N.O. Giuseppe T. Aronica CORSO DI IDROLOGIA TECNICA PARTE III Idrologia delle piene Lezione XIX: I metodi indiretti per la valutazione delle
DettagliIl metodo Monte Carlo. Esempio di transizione al caos. Numeri (pseudo)casuali. λ 1. Analisi dati in Fisica Subnucleare
Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa
Dettagli2.3.1 Generazione di numeri pseudocasuali con distribuzione uniforme
GENERAZIONE DI OSSERVAZIONI CASUALI 145 2.3 GENERAZIONE DI OSSERVAZIONI CASUALI Una volta determinate le distribuzioni di input, la simulazione dovrà generare durante ogni esecuzione osservazioni casuali
DettagliDistribuzioni di probabilità e principi del metodo di Montecarlo. Montecarlo
Distribuzioni di probabilità e principi del metodo di Montecarlo Simulazione di sistemi complessi Distribuzioni di probabilità Istogrammi Generazione di numeri casuali Esempi di applicazione del metodo
DettagliSe la funzione è analiticamente invertibile, estratto q, si può ricavare x = x(q).
La tecnica Monte Carlo Il metodo Monte Carlo è basato sulla scelta di eventi fisici con una probabilità di accadimento nota a priori. sia p(x) la distribuzione di probabilità con la quale si manifesta
DettagliMetodi MonteCarlo. Sono metodi probabilistici utilizzati per ottenere stime di grandezze d interesse attraverso estrazioni di numeri casuali.
Metodi MonteCarlo Sono metodi probabilistici utilizzati per ottenere stime di grandezze d interesse attraverso estrazioni di numeri casuali. 0 1 0 1 Esempio: stima di Si estraggono coppie (a,b), dove a
DettagliEsame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni. 12 luglio 2004
Esame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni luglio 4 Esercizio Un sacchetto A contiene caramelle ai gusti fragola, limone e lampone. Un sacchetto B contiene caramelle
DettagliIntegrazione con metodo Monte Carlo
28 Ottobre 2010 Outline 1 Integrazione numerica I metodi deterministici di integrazione numerica (come Simpson, trapezi, e in generale Newton-Cotes) lavorano tipicamente con campionature uniformi del dominio.
DettagliEsercizi di Matematica per la prova di ammissione alla Scuola Galileiana /16
Esercizi di Matematica per la prova di ammissione alla Scuola Galileiana - 015/16 Esercizio 1 Per quali valori n Z \ {0} l espressione è un numero intero positivo? (n + 5)(n + 6) 6n Soluzione. Il problema
DettagliCampionamento di variabili aleatorie. Andrea Marin Università Ca' Foscari Venezia Corso di Probabilità e Statistica a.a. 2009/2010
Campionamento di variabili aleatorie Andrea Marin Università Ca' Foscari Venezia Corso di Probabilità e Statistica a.a. 2009/2010 Premessa Soluzione della prima esercitazione: l'analisi teorica Richiami:
DettagliMetodi Computazionali. Generazione di numeri pseudocasuali
Metodi Computazionali Generazione di numeri pseudocasuali A.A. 2009/2010 Pseudo random numbers I più comuni generatori di numeri random determinano il prossimo numero random di una serie come una funzione
DettagliIl metodo Monte Carlo
Il metodo Monte Carlo Le proprietà davvero uniche del cervello umano mi sembrano caratterizzate proprio dal possente sviluppo e dall impiego intensivo della funzione di simulazione J. Monod, Il caso e
DettagliPrima prova in itinere di Analisi Matematica 2 Ingegneria Elettronica. Politecnico di Milano. A.A. 2017/2018. Prof. M. Bramanti.
Prima prova in itinere di Analisi Matematica Ingegneria Elettronica. Politecnico di Milano Es. Punti A.A. 07/08. Prof. M. Bramanti Tema n 4 5 6 Tot. Cognome e nome (in stampatello) codice persona (o n
DettagliProblema ( ) = 0,!
Domanda. Problema ( = sen! x ( è! Poiché la funzione seno è periodica di periodo π, il periodo di g x! = 4. Studio di f. La funzione è pari, quindi il grafico è simmetrico rispetto all asse y. È sufficiente
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
DettagliESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE
ESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114 7 Maggio 2013 Esercizio
DettagliIl Metodo Monte Carlo è basato sulla generazione di una molteplicità di iterazioni per determinare
LA SIMULAZIONE MONTE CARLO NEGLI STUDI ED ANALISI ECONOMICO-AMBIENTALI (Luigi Fanizzi ECOACQUE ) Premessa La simulazione numerica Monte Carlo è un potente metodo probabilistico (da cui il nome del famoso
DettagliIndici di posizione e dispersione per distribuzioni di variabili aleatorie
Indici di posizione e dispersione per distribuzioni di variabili aleatorie 12 maggio 2017 Consideriamo i principali indici statistici che caratterizzano una distribuzione: indici di posizione, che forniscono
DettagliAnalisi 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
Dettagli2. la ricerca di funzioni che hanno una derivata assegnata.
INTEGRALI PER FUNZIONI DI UNA VARIABILE Il calcolo integrale per funzioni reali di una variabile reale si occupa di risolvere due problemi:. il calcolo dell area di parti di piano qualsiasi, 2. la ricerca
DettagliPROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE
PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE (da un idea di M. Impedovo Variabili aleatorie continue e simulazione Progetto Alice n. 15, ) 1. La simulazione Nelle schede precedenti
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. I Esonero - 29 Ottobre Tot.
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 I Esonero - 29 Ottobre 2013 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliNumeri Random. D.E.I.S. Università di Bologna DEISNet
Numeri Random D.E.I.S. Università di Bologna DEISNet http://deisnet.deis.unibo.it/ Introduzione Può sembrare assurdo usare un computer per generare numeri casuali: Il computer è una macchina deterministica
DettagliGeneratori di sequenze pseudocasuali. Manuela Aprile Maria Chiara Fumi
Generatori di sequenze pseudocasuali Manuela Aprile Maria Chiara Fumi Indice Concetti base e terminologia Random bit generator Pseudorandom bit generator Cenni di statistica Test Statistici Concetti base
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali LABORATORIO R - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2014 Argomenti La distribuzione normale e applicazioni La distribuzione binomiale
DettagliCOPPIE DI VARIABILI ALEATORIE
COPPIE DI VAIABILI ALEATOIE E DI NADO 1 Funzioni di ripartizione congiunte e marginali Definizione 11 Siano X, Y va definite su uno stesso spazio di probabilità (Ω, F, P La coppia (X, Y viene detta va
DettagliAlgoritmi in C++ (seconda parte)
Algoritmi in C++ (seconda parte) Introduzione Obiettivo: imparare a risolvere problemi analitici con semplici programmi in C++. Nella prima parte abbiamo imparato: generazione di sequenze di numeri casuali
DettagliNumeri casuali. Lorenzo Pareschi.
Numeri casuali Lorenzo Pareschi http://utenti.unife.it/lorenzo.pareschi/ Dipartimento di Matematica & Centro di Modellistica Calcolo e Statistica (CMCS) Universitá di Ferrara The true logic of this world
DettagliStudio dell aleatorietà: : proprietà di indipendenza ed uniformità. Daniela Picin
Studio dell aleatorietà: : proprietà di indipendenza ed uniformità Daniela Picin TEST TEORICI: studio della media, della varianza e della correlazione del primo ordine, studio della struttura reticolare.
DettagliESERCITAZIONE 9: INTEGRALI DEFINITI. CALCOLO DELLE AREE E ALTRE APPLICAZIONI
ESERCITAZIONE 9: INTEGRALI DEFINITI. CALCOLO DELLE AREE E ALTRE APPLICAZIONI Tiziana Raparelli 5/5/9 CONOSCENZE PRELIMINARI Vogliamo calcolare f ( x, ax + bx + c ) dx. Se a =, allora basta porre bx + c
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
DettagliVARIABILI CASUALI CONTINUE
p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale continua può assumere tutti gli infiniti valori appartenenti ad un intervallo di numeri reali. p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
DettagliDistribuzione Gaussiana - Facciamo un riassunto -
Distribuzione Gaussiana - Facciamo un riassunto - Nell ipotesi che i dati si distribuiscano seguendo una curva Gaussiana è possibile dare un carattere predittivo alla deviazione standard La prossima misura
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 3 Abbiamo visto: Definizione di partizione di Teorema di Bayes Definizione di variabile aleatoria
DettagliStatistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill
Statistica - metodologie per le scienze economiche e sociali /e S. Borra A. Di Ciaccio - McGraw Hill s. 9. Soluzione degli esercizi del capitolo 9 In base agli arrotondamenti effettuati nei calcoli si
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
DettagliCalcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale a.a. 2016/17
Calcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale aa 6/ Punteggi: : 3 + 6; : + + + ; 3: + Una scatola contiene monete; 8 di queste sono equilibrate, mentre le
DettagliNUMERI CASUALI E SIMULAZIONE
NUMERI CASUALI E SIMULAZIONE NUMERI CASUALI Usati in: statistica programmi di simulazione... Strumenti: - tabelle di numeri casuali - generatori hardware - generatori software DESCRIZIONE DEL PROBLEMA
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
DettagliProbabilità e Statistica per l Informatica Esercitazione 4
Probabilità e Statistica per l Informatica Esercitazione 4 Esercizio : [Ispirato all Esercizio, compito del 7/9/ del IV appello di Statistica e Calcolo delle probabilità, professori Barchielli, Ladelli,
DettagliL analisi dei dati. Primi elementi. EEE- Cosmic Box proff.: M.Cottino, P.Porta
L analisi dei dati Primi elementi Metodo dei minimi quadrati Negli esperimenti spesso si misurano parecchie volte due diverse variabili fisiche per investigare la relazione matematica tra le due variabili.
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
DettagliSIMULAZIONE - 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
Dettagliquando il limite delle somme di Riemann esiste. In tal caso diciamo che la funzione è integrabile sul rettangolo.
Integrali multipli Consideriamo, inizialmente il caso degli integrali doppi. Il concetto di integrale doppio è l estensione della definizione di integrale per una funzione reale di una variabile reale
DettagliCOMUNICAZIONE OPZIONE SPORTIVA QUESTIONARIO QUESITO 1
www.matefilia.it COMUNICAZIONE OPZIONE SPORTIVA 7 - QUESTIONARIO QUESITO Definito il numero E come: E = xe x dx, dimostrare che risulta: x e x dx = e E esprimere x e x dx in termini di e ed E. Cerchiamo
DettagliCorso di Analisi Numerica
Corso di Laurea in Ingegneria Informatica Corso di 3 - PROBLEMI DI INTERPOLAZIONE Lucio Demeio Dipartimento di Scienze Matematiche 1 Interpolazione: Polinomio di Lagrange 2 3 Introduzione Problemi di interpolazione
DettagliIntroduzione alla probabilità. Renato Mainetti
Introduzione alla probabilità Renato Mainetti Esperimenti sulla probabilità: Vedremo come utilizzare semplici funzioni di matlab per avvicinarci al mondo della probabilità, iniziando così ad introdurre
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
DettagliMarkov Chains and Markov Chain Monte Carlo (MCMC)
Markov Chains and Markov Chain Monte Carlo (MCMC) Alberto Garfagnini Università degli studi di Padova December 11, 2013 Catene di Markov Discrete dato un valore x t del sistema ad un istante di tempo fissato,
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
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
Dettagli1 Successioni di funzioni
Successioni di Esercizio.. Studiare la convergenza puntuale ed uniforme della seguente successione di (.) f n (x) = n x Osserviamo che fissato x R f n(x) = + n x x R. x ( n + x ) = pertanto la successione
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
DettagliTeoria 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
DettagliIstituzioni di Matematiche, Integrali fratti. corso di laurea in Scienze geologiche. Mauro Costantini
Istituzioni di Matematiche, Integrali fratti corso di laurea in Scienze geologiche. Mauro Costantini tipo: Il nostro obiettivo è studiare gli integrali (indefiniti e definiti delle funzioni razionali,
Dettaglinon solo otteniamo il valore cercato per la validità della (1.4), ma anche che tale valore non dipende da
NOTE INTEGRATIVE PER IL CORSO DI ANALISI MATEMATICA 2 ANNO ACCADEMICO 2012/13 NOTE SULLA CONTINUITÀ UNIFORME D.BARTOLUCCI, D.GUIDO Sia f(x) = x 3, x [ 1, 1]. Si ha 1. La continuità uniforme x 3 y 3 = x
DettagliTeoria e tecniche dei test
Teoria e tecniche dei test Lezione 9 LA STANDARDIZZAZIONE DEI TEST. IL PROCESSO DI TARATURA: IL CAMPIONAMENTO. Costruire delle norme di riferimento per un test comporta delle ipotesi di fondo che è necessario
DettagliMetodi Stocastici per la Finanza
Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2013-2014 Lezione 4 Indice 1 Convergenza in legge di processi stocastici 2
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 6/02/2017
Corso di Laurea in Ingegneria Informatica e Automatica (M-Z Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 6/02/2017 NOME: COGNOME: MATRICOLA: Esercizio 1 Nel gioco del
DettagliRegola dei trapezi. a, b punti fissi a priori. non fissi a priori (indeterminati) errore di integrazione. a, b
INTEGRAZIONE NUMERICA (Quadratura di Gauss) Regola dei trapezi I ( b a) f ( a) + f ( b) f (x) errore di integrazione f (x) f (a) f (b) a b x a a ' b' b x a, b punti fissi a priori a, b non fissi a priori
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 8/04/2016
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 8/4/26 NOME: COGNOME: MATRICOLA: Esercizio Si supponga di avere
DettagliIntegrali inde niti. F 2 (x) = x5 3x 2
Integrali inde niti Abbiamo sinora studiato come ottenere la funzione derivata di una data funzione. Vogliamo ora chiederci, data una funzione f, come ottenerne una funzione, che derivata dia f. Esempio
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (A-O Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 20/10/201 NOME: COGNOME: MATRICOLA: Esercizio 1 Se supponiamo
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
DettagliDensità di probabilità del prodotto di due variabili casuali distribuite uniformemente
Firenze - Dip. di Fisica 2 agosto 2008 Densità di probabilità del prodotto di due variabili casuali distribuite uniformemente In questa dispensa, che presentiamo a semplice titolo di esercizio e applicazione
DettagliMetodi Computazionali della Fisica Secondo Modulo: C++
Metodi Computazionali della Fisica Secondo Modulo: C++ Seconda Lezione Andrea Piccione () Metodi Comptazionali della Fisica - Secondo Modulo: C++ Milano, 09/1/08 1 / 9 La lezione di oggi Obiettivo: implementare
DettagliCenni di statistica statistica
Cenni di statistica La statistica è una disciplina che ha come fine lo studio quantitativo e qualitativo di un particolare fenomeno in condizioni di incertezza o non determinismo, ovvero di non completa
DettagliVariabili aleatorie scalari
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Variabili aleatorie scalari Sommario della Introduzione CDF e PDF: definizione CDF e PDF: proprietà Distribuzioni uniforme e Gaussiana
DettagliCalcolo integrale. Regole di integrazione
Calcolo integrale Linearità dell integrale Integrazione per parti Integrazione per sostituzione Integrazione di funzioni razionali 2 2006 Politecnico di Torino Proprietà Siano e funzioni integrabili su
DettagliCALCOLO NUMERICO. Prof. Di Capua Giuseppe. Appunti di Informatica - Prof. Di Capua 1
CALCOLO NUMERICO Prof. Di Capua Giuseppe Appunti di Informatica - Prof. Di Capua 1 INTRODUZIONE Quando algoritmi algebrici non determinano la soluzione di un problema o il loro «costo» è molto alto, allora
DettagliGeneratori di numeri casuali
Statistica computazionale Generatori di numeri casuali Alberto Lusoli www.cash-cow.it Distribuito sotto licenza Creative Common Share Alike Attribution La generazione dei numeri casuali è troppo importante
DettagliTipologia delle funzioni studiate: 1. y= ax n + bx n y= e x 3. y= (ax + b)/ (cx + d) 4. y= (ax 2 + b) (cx + d)
- ricerca dei punti di flesso - ricerca dell asintoto orizzontale - ricerca dell asintoto verticale - ricerca dell asintoto obliquo - ricerca dei punti di intersezione con gli assi Tipologia delle funzioni
Dettagliesperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno dei possibili esiti di un esperimento casuale;
Capitolo 15 Suggerimenti agli esercizi a cura di Elena Siletti Esercizio 15.1: Suggerimento Si ricordi che: esperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno
DettagliNumeri pseudocasuali. Olga Scotti
Numeri pseudocasuali Generatori di numeri casuali Sono detti numeri pseudo-casuali (in inglese pseudo-random numbers) i numeri generati da un algoritmo deterministico che produce una sequenza con, approssimativamente,
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
DettagliRipasso 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
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
DettagliIl Metodo di Newton, o delle Tangenti Federico Lastaria, Analisi e Geometria 1. Politecnico di Milano Corso di Analisi e Geometria 1
Politecnico di Milano Corso di Analisi e Geometria 1 Federico Lastaria federico.lastaria@polimi.it Il Metodo di Newton, o delle Tangenti 6 Novembre 2016 Indice 1 Metodo di Newton, o delle tangenti 2 1.1
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliLICEO SCIENTIFICO SESSIONE STRAORDINARIA 2016 QUESTIONARIO QUESITO 1. lim. = lim cos(x) = 1 2 QUESITO 2
www.matefilia.it LICEO SCIENTIFICO SESSIONE STRAORDINARIA 6 QUESTIONARIO QUESITO Calcolare il limite: sen(cos(x) ) lim x ln (cos (x)) Ricordiamo che, se f(x) tende a zero, risulta: senf(x)~f(x) ed ln (
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
DettagliDerivazione numerica. Introduzione al calcolo numerico. Derivazione numerica (II) Derivazione numerica (III)
Derivazione numerica Introduzione al calcolo numerico Il calcolo della derivata di una funzione in un punto implica un processo al limite che può solo essere approssimato da un calcolatore. Supponiamo
Dettagli1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano
Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
DettagliEvoluzione dei mezzi di calcolo rende possibile modello più accurato, da analizzare attraverso uno studio di simulazione
Probabilità e computer Modello probabilistico è spesso un compromesso tra esigenza di aderenza a fenomeno reale e trattabilità matematica modello troppo semplificato ma che può essere analizzato matematicamente
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
Dettagli