Esercitazioni ENS del 10-12/06/2008
|
|
- Cornelio Testa
- 6 anni fa
- Visualizzazioni
Transcript
1 Esercitazioni ENS del 10-12/06/2008 M. Nicoli 1 Periodogramma: esempi in Matlab Data una sequenza x n di N campioni, suddivisa in L sottosequenze x ( ) n (con o senza sovrapposizioni) ognuna di M campioni, il periodogramma S(k) ottenuto mediante finestra w n (di M campioni) è definito come: dove e U tiene conto della finestra utilizzata: Ŝ(k) = 1 L n=0 LX Ŝ (k) (1) =1 Ŝ (k) = 1 M 1 X x n ( ) w U n e j 2π nk M U = M 1 X n=0 2 (2) w 2 n. (3) Nel caso di finestra rettangolare si ottiene U = M, S (k) = M 1 PM 1 n=0 x( ) n e j 2π nk 2 M = Xk 2 /M,con {X k } K 1 k=0 DFT di {x( ) n } M 1 n=0. La finestra w n e la lunghezza M delle sottosequenze determinano la polarizzazione della stima mentre il numero di sottosequenze L determina la varianza del periodogramma. Una possibile funzione Matlab per il calcolo del periodogramma Ŝ(k) è la seguente (consideriamo per semplicità sottosequenze senza sovrapposizioni): function [S,f]=periodogramma(x,M,window) %[S,f]=periodogramma(x,M,window) %Ingressi: %x è l osservazione %M è la lunghezza delle sottosequenze %window è la finestra di lunghezza M: %es: boxcar(m) [finestra rettangolare], bartlett(m) [finestra triangolare], hanning(m),blackman(m) %Uscite: %S è il periodogramma %f è l asse delle frequenze normalizzate corrispondente ai campioni di S N=length(x);%numero di campioni osservati L=floor(N/M);%numero di sottosequenze Nfft=M; %numero di campioni della FFT da calcolare if (mod(nfft,2)==0) %se Nfft è pari Lx=Nfft/2+1; %numero di frequenze nel semiasse positivo (da DC a Nyquist) else Lx=(Nfft+1)/2; %numero di frequenze nel semiasse positivo (da DC a frquenza antecedente il Nyquist) f=[0:1/nfft:0.5]; %asse delle frequenze S=zeros(Lx,1); %inizializzazione periodogramma U=sum(window.^2); %fattore di scala %zero padding (serve se L*M>N) 1
2 x=[x;zeros(l*m-n,1)]; for l=1:l %per ogni sottosequenza viene calcolato il periodogramma xl=x(1+(l-1)*m:l*m).*window; Sl=(abs(fft(xl,Nfft)).^2)/U; Sl=Sl(1:Lx); S=S+Sl; %media S=1/L*S; %divisione per il numero di sottosequenze 1.1 Esempio: Effetto Doppler Caricate il file siren.mat con il comando: load siren Il workspace ora contiene due variabili: sir1 e sir2, che potete ascoltare usando i comandi: fc=44100; sound(sir1,fc); sound(sir2,fc); dove fc=44100hz è la frequenza di campionamento di segnali audio di qualità CD. Come potete sentire, si tratta di una sirena che si sta avvicinando all ascoltatore (sir1) per poi allontanarsi (sir2). Per effetto Doppler, mentre la sirena si avvicina la frequenza del segnale percepito dall ascoltatore cresce mentre decresce quando la sirena si allontana. Verifichiamo quanto detto faco un analisi spettrale del segnale: M=1024; [S1,f]=periodogramma(sir1,M,boxcar(M)); [S2,f]=periodogramma(sir2,M,boxcar(M)); figure; plot(f*fc,10*log10(s1), b,f*fc,10*log10(s2), r ); xlabel( f [Hz] ); ylabel( Spectral power [db] ); leg( mentre si avvicina, mentre si allontana ); Per evidenziare il fenomeno, osserviamo le frequenze tra 0 e 2.5kHz: set(gca, XLim,[0 2500], YLim,[-30-3]); Lo spettro si è spostato per via dell effetto Doppler. Chi vuole cominciare a prere confidenza con gli effetti sulla polarizzazione e varianza dovuti alla scelta di M (e quindi L per N fissato) e del tipo di finestra, può calcolare il periodogramma modificando i parametri M (per esempio M = 10000) e window nella chiamata alla funzione periodogramma. 1.2 Esempio: Brani musicali Caricate il file music.mat: load music Il workspace ora contiene due variabili chiamate m1 e m2, che potete ascoltare come nell esempio precedente (fc=44100, come sopra). Il primo è una porzione di un brano con alte frequenze, mentre nel secondo predominano le basse frequenze. fc=44100; sound(m1,fc); sound(m2,fc); M=1024; 2
3 [S1,f]=periodogramma(m1,M,boxcar(M)); [S2,f]=periodogramma(m2,M,boxcar(M)); figure; plot(f*fc,10*log10(s1), b,f*fc,10*log10(s2), r ); xlabel( f[hz] ); ylabel( Spectralpower[dB] ); leg( m1, m2 ); title( M=1024 ) M=2048; [S1,f]=periodogramma(m1,M,boxcar(M)); [S2,f]=periodogramma(m2,M,boxcar(M)); figure; plot(f*fc,10*log10(s1), b,f*fc,10*log10(s2)); xlabel( f[hz] ); ylabel( Spectralpower[dB] ); leg( m1, m2 ); title( M=2048 ) 2 Applicazione: Dual-Tone Multi Frequency (DTMF) Le cifre del telefono a toni sono codificate con una coppia di sinusoidi. Premo un tasto viene generato il segnale: y n =cos(2πf r nt )+cos(2πf c nt )+w n, n =0,...,N 1 (4) dove il valore assunto dalle due frequenze f r e f c identifica il tasto premuto secondo lo schema seguente (frequenze in Hz): f r \f c A B. (5) C # D Si assume la presenza di un disturbo casuale Gaussiano bianco w n con varianza σ 2. La frequenza di campionamento è f 0 =8kHz, N è il numero dei campioni, T press = NT è il tempo di osservazione del segnale (cioé il tempo di pressione del tasto). La densità spettrale di potenza del segnale y n è: S(f) = 1 4 [δ(f f r)+δ(f + f r )+δ(f f c )+δ(f + f c )] + σ 2. (6) Per identificare il tasto premuto a partire dal segnale y n, si può stimare la densità spettrale di potenza S(f) con il periodogramma e selezionare i due massimi che corrispondono alle frequenze delle due sinusoidi. Il periodogramma calcolato su N = M campioni con finestra rettangolare è: Ŝ(k) = Y k 2, k =0,...,N 1 (7) N dove {Y k } N 1 k=0 èladftdi{y n} N 1 n=0. Il valore atteso è: i E hŝ(k) = S(f) W B (f) f= k (8) N con W B (f) = 1 N sin 2 (πfn) sin 2 (πf) (9) S(f) W B (f) = 1 4 [W B(f f r )+W B (f + f r )+W B (f f c )+W B (f + f c )] + σ 2. La stima è in generale polarizzata (Ŝ(k) 6= S(f = k/n)), tranne nel caso in cui N ètaleche: f c = k c NT,f r = k r NT. (10) 3
4 con k c e k r interi, per cui si ha: i E hŝ(k) = N 4 [δ(k k r)+δ(k + k r )+δ(k k c )+δ(k + k c )] + σ 2 (11) Nel nostro caso il valore di N che soddisfa la condizione di non polarizzazione è troppo elevato per il calcolo della DFT e quindi la stima è polarizzata. La polarizzazione comunque decresce al crescere di N. E danotare che la varianza del periodogramma è proporzionale alla media e non diminuisce all aumentare di N: i ½ σ Var hŝ(k) = 4, k 6= ±k r, ±k c σ 4 + N (12) 2 σ2, k = ±k r, ±k c Quindi ci si aspetta una forte dispersione sopratutto attorno ai picchi delle due sinusoidi. Per ridurre la dispersione si possono mediare L periodogrammi calcolati su L sottosequenze indipenti di lunghezza M, otteno una riduzione di un fattore 1/L. 2.1 Simulazione segnale y n Si vuole simulare in Matlab l identificazione con periodogramma del tasto premuto. Si consideri per esempio il tasto 4, con T press = 128ms (N = 1024), σ 2 =1.Sisimulailsegnaley n come segue: f0=8000; sigma2=1; fr=[ ]; fc=[ ]; frn=fr/f0; fcn=fc/f0; r=2; c=1; % Tasto 4 N=1024; n=[0:n-1]; w=sqrt(sigma2)*randn(1,n); % Simulazione del rumore y=sin(2*pi*frn(r)*n)+sin(2*pi*fcn(c)*n)+w; % Simulazione della coppia di sinusoidi sound(y,f0); % Generazione del suono 2.2 Calcolo del periodogramma e valutazione di media e varianza Per la stima delle due frequenze associate al tasto si calcola il periodogramma e si confrontano i picchi con i valori di f r e f c della tabella (2): [S,f1]=periodogramma(y,N,boxcar(N)); f=f1*f0; figure; plot(f,s); xlabel( f [Hz] ); ylabel( Periodogramma S(f) ); hold on; plot(ones(2,1)*fr,[0;max(s)]*ones(1,4), r ); plot(ones(2,1)*fc,[0;max(s)]*ones(1,4), g ); title( N=1024 ) Proviamo ora a diminuire il valore di N: N=128; n=[0:n-1]; w=sqrt(sigma2)*randn(1,n); y1=sin(2*pi*frn(r)*n)+sin(2*pi*fcn(c)*n)+w; sound(y1,f0); [S,f1]=periodogramma(y1,N,boxcar(N)); f=f1*f0; figure; plot(f,s,.- ); xlabel( f [Hz] ); ylabel( Periodogramma S(f) ); hold on; plot(ones(2,1)*fr,[0;max(s)]*ones(1,4), r ); plot(ones(2,1)*fc,[0;max(s)]*ones(1,4), g ); title( N=128 ) 4
5 Il lobo del seno cardinale ora è più largo ( f =1/N T ), quindi la polarizzazione è aumentata. Si ricorda infatti che il valore medio del periodogramma è la convoluzione di W B (f) con la densità spettrale campionata a passo f, cioé: fi=0:(1/(10*n)):0.5; Sm_a=sigma2+(1/4/N)*((sin(pi*((fi-frn(r))*N))./sin(pi*(fi-frn(r)))).^2+... (sin(pi*((fi+frn(r))*n))./sin(pi*(fi+frn(r)))).^2+... (sin(pi*((fi-fcn(c))*n))./sin(pi*(fi-fcn(c)))).^2+... (sin(pi*((fi+fcn(c))*n))./sin(pi*(fi+fcn(c)))).^2); figure plot(fi*f0,sm_a, b: ); hold on; stem(fi(1:10:)*f0,sm_a(1:10:),.- ); plot(ones(2,1)*fr,[0;max(sm_a)]*ones(1,4), r ); plot(ones(2,1)*fc,[0;max(sm_a)]*ones(1,4), g ); axis([ max([s(:);sm_a(:)])]); xlabel( f [Hz] ); ylabel( Valore medio del periodogramma S(f) ); Mentre la polarizzazione decresce all aumentare di N, la varianza rimane invariata (σ 4 lontano dai lobi principali). Per verificare media e varianza effettuiamo delle medie su un numero molto elevato di realizzazioni indipenti di segnale: N=128; n=[0:n-1];nsim=1e4; Sm=zeros(size(S));Sqm=zeros(size(S)); for isim=1:nsim w=sqrt(sigma2)*randn(1,n); y=sin(2*pi*fr(r)*n/f0)+sin(2*pi*fc(c)*n/f0)+w; [S,f1]=periodogramma(y,N,boxcar(N)); Sm=S/Nsim+Sm; Sqm=S.^2/Nsim+Sqm; figure; plot(f,s,f,sm,f,sqrt(sqm)); xlabel( f [Hz] ); ylabel( Periodogramma S(f) ) leg( Periodogramma S(f), Media, Deviazione standard ) 2.3 Dimensionamento del periodogramma Diminuo N aumenta la larghezza del lobo di W B (f) e aumenta la polarizzazione, fino al punto in cui non riesco più a individuare correttamente le frequenze f r e f c. Il valore minimo di N che garantisce il riconoscimento è quello tale per cui le frequenze associate a righe o colonne diverse sono separate da almeno una cella del periodogramma, cioé NT 1. Dalla tabella (5), le due frequenze più vicine sono quelle associate alle righe 1 e 2 (f r,2 = 770Hz e f r,1 = 697Hz), quindi: da cui: f r,2 f r,1 = = 73 1 NT (13) N 1 73 T = 8000 = (14) T press = NT 13.7ms Basta dunque tener e premuto per più di 13.7ms per garantire che il numero venga correttamente identificato. Se invece scegiamo M =55i tasti 1 e 4 non sono distinguibili (anche in assenza di rumore), in quanto associati alle due frequenze di riga f r,1 e f r,2 e alla stessa frequenza di colonna (f c,1 = 1209Hz). La seguente figura mostra il valore medio del periodogramma valutato dalla (8) per il tasto 4 e per N =55: N=55; r=2; c=1; 5
6 fi=0:(1/(10*n)):0.5; Sm_a=sigma2+(1/4/N)*((sin(pi*((fi-frn(r))*N))./sin(pi*(fi-frn(r)))).^2+... (sin(pi*((fi+frn(r))*n))./sin(pi*(fi+frn(r)))).^2+... (sin(pi*((fi-fcn(c))*n))./sin(pi*(fi-fcn(c)))).^2+... (sin(pi*((fi+fcn(c))*n))./sin(pi*(fi+fcn(c)))).^2); figure plot(fi*f0,sm_a, b: ); hold on; stem(fi(1:10:)*f0,sm_a(1:10:),.- ); plot(ones(2,1)*fr,[0;max(sm_a)]*ones(1,4), r ); plot(ones(2,1)*fc,[0;max(sm_a)]*ones(1,4), g ); axis([ max([s(:);sm_a(:)])]); xlabel( f [Hz] ); ylabel( Valore medio del periodogramma S(f) ); title( Valore medio del periodogramma con N=55 per il tasto 4 ) Dalla figura si vede come il primo massimo risulta associato a f r,1 anziché a f r,2, quindi il segnale viene associato erroneamente al tasto 1. Proviamo a simulare e ascoltare i due segnali generati dai tasti 1 e 4: N=55; n=[0:n-1]; r=2; c=1;y1=sin(2*pi*fr(r)*n/f0)+sin(2*pi*fc(c)*n/f0); r=1; c=1;y2=sin(2*pi*fr(r)*n/f0)+sin(2*pi*fc(c)*n/f0); sound(y1,f0); sound(y2,f0); I due segnali non sono neppure distinguibili all orecchio! Calcolando il periodogramma si osserva che la cella contenente il primo massimo spettrale (quello relativo alla riga) è la stessa per entrambi i numeri: Ã! k r,1 = round =5 NT Ã! k r,2 = round =5 come confermato dalla seguente figura che mostra i due periodogrammi: [S1,f1]=periodogramma(y1,N,boxcar(N)); [S2,f1]=periodogramma(y2,N,boxcar(N)); f=f1*f0; figure; plot(f,s1,f,s2); xlabel( f [Hz] ); ylabel( Periodogramma S(f) ); hold on; leg([ Tasto 1 ; Tasto 4 ]) plot(ones(2,1)*fr,[0;max([s1;s2])]*ones(1,4), r ); plot(ones(2,1)*fc,[0;max([s1;s2])]*ones(1,4), g ); NT 2.4 Riconoscimento con stima spettrale parametrica AR Si consideri ora per la stima spettrale il modello AR di ordine p, conp =1, 2,... Nel seguito si mostra come varia la stima della densità spettrale di potenza al crescere di p, per l esempio del tasto 6 con rumore: r=2; c=3; % Tasto 6 N=1024; n=[0:n-1]; w=sqrt(sigma2)*randn(1,n); y=sin(2*pi*frn(r)*n)+sin(2*pi*fcn(c)*n)+w; figure f=0:1e-3:0.5; for p=1:20 [a,e] = aryule(y, p); h=freqz(1,a,2*pi*f); clf; 6
7 plot(f*f0,e*abs(h).^2); xlabel( f [Hz] ); ylabel( Spectral power S(f) ); hold on; plot(ones(2,1)*fr,[0;e*max(abs(h).^2)]*ones(1,4), r ); plot(ones(2,1)*fc,[0;e*max(abs(h).^2)]*ones(1,4), g ); title([ Stima della d.s.p. con AR di ordine p=,num2str(p), - tasto 6 ]) pause 2.5 Riconoscimento di un numero di telefono Caricate ora il file dtmf1. La variabile s contiene un numero di telefono di 5 cifre separate da silenzi (sequenze di zeri) di 100 campioni. Ogni cifra è data da 2048 campioni (T press =1/4s). Di che numero si tratta? Per scoprirlo basta fare il peridiogramma su M = 2048 campioni per ogni cifra e riconoscere i massimi: load dtmf1; f0=8192; sound(s); N=2048; figure; for i=1:5; c1=s((i-1)*n+100*(i-1)+1:i*n+100*(i-1)); [S,f1]=periodogramma(c1,N,boxcar(N)); f=f1*f0; plot(f,s); xlabel( f [Hz] ); ylabel( Periodogramma S(f) ); hold on; plot(ones(2,1)*fr,[0;max(s)]*ones(1,4), r ); plot(ones(2,1)*fc,[0;max(s)]*ones(1,4), g ); title([ Cifra n.,num2str(i)]) pause; clf; Si vede chiaramente che la il numero è Stima di sinusoidi immerse in rumore Caricate il file sinplusnoise. La variabile x contiene tre sinusoidi immerse in rumore passa-basso. Vogliamo individuare le frequenze delle sinusoidi sceglio opportunamente la dimensione delle sottosequenze M e il tipo di finestra in modo da determinare i picchi di potenza spettrale corrispondenti alle sinusoidi. Il numero di campioni di x è N = Cominciamo con M = 128 e una finestra rettangolare (boxcar): load sinplusnoise; M=128; [X1,f]=periodogramma(x,M,boxcar(M)); plot(f,10*log10(x1));xlabel( f/f c );ylabel( Spectral density [db] ); In questo modo vediamo solo lo spettro del rumore passa-basso ma nessun picco che identifichi le sinusoidi. Cambiamo ora finestra e consideriamo la finestra di Bartlett (finestra triangolare). Sappiamo che questa finestra ha delle code spettrale più basse. Vediamo come cambia il periodogramma: hold on; [X,f]=periodogramma(x,M,bartlett(M)); plot(f,10*log10(x), r ); leg( M=128, boxcar, M=128, bartlett ); 7
8 Osserviamo che ora è ben visibile un picco spettrale intorno a f /fc = 0.29 circa. Per trovare le altre due sinusoidi usiamo finestre diverse e aumentiamo M: M=128;[X1,f1]=periodogramma(x,M,boxcar(M)); M=128;[X2,f2]=periodogramma(x,M,bartlett(M)); M=128;[X3,f3]=periodogramma(x,M,hanning(M)); M=4096;[X4,f4]=periodogramma(x,M,hanning(M)); figure; plot(f1,10*log10(x1),f2,10*log10(x2),f3,10*log10(x3),f4,10*log10(x4)); leg( M=128, boxcar, M=128, bartlett, M=128, hanning, M=4096, hanning ); Con M =4096e usando la finestra di Hanning tutte e tre le sinusoidi sono visibili. 8
Seconda esercitazione per il corso di Sistemi di Telecom. 1 AA 07 08
Seconda esercitazione per il corso di Sistemi di Telecom. AA 7 8 3th October 27 Abstract Scopo dell esercitazione Scopo dell esercitazione è la scrittura di una funzione Matlab per la decodifica di un
DettagliEsercitazione 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
DettagliANALISI SPETTRALE NUMERICA (Aspetti di misura)
ANALISI SPETTRALE NUMERICA (Aspetti di misura) ARGOMENTI Problemi di misura con la FFT Aliasing Spectral leakage (dispersione spettrale) Funzioni finestra Uso e importanza Caratteristiche Ricadute positive
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliElaborazione numerica dei segnali
POLITECNICO DI TORINO Elaborazione numerica dei segnali Progetto di un filtro FIR Fiandrino Claudio Matricola: 138436 18 giugno 21 Relazione sul progetto di un filtro FIR Descrizione del progetto L obbiettivo
DettagliQUANTIZZAZIONE E CONVERSIONE IN FORMA NUMERICA. 1 Fondamenti Segnali e Trasmissione
UANTIZZAZIONE E CONVERSIONE IN FORMA NUMERICA Fondamenti Segnali e Trasmissione Campionamento e quantizzazione di un segnale analogico Si consideri il segnale x(t) campionato con passo T c. Campioni del
DettagliComunicazioni Elettriche Esercizi
Comunicazioni Elettriche Esercizi Alberto Perotti 9 giugno 008 Esercizio 1 Un processo casuale Gaussiano caratterizzato dai parametri (µ = 0, σ = 0.5) ha spettro nullo al di fuori dellintervallo f [1.5kHz,
DettagliLa strumentazione NMR. ed alcuni dettagli sul metodo a Trasformata di Fourier
La strumentazione NMR ed alcuni dettagli sul metodo a Trasformata di Fourier 1 Lo Spettrometro NMR 2 Il magnete: genera il campo B 0, intenso, stabile ed omogeneo 600MHz 15 T 900 MHz 22 T 60MHz 1.5 T 3
DettagliLaboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
DettagliAnalisi dei segnali nel dominio del tempo
Laboratorio di Telecomunicazioni - a.a. 200/20 Lezione n. 3 Analisi dei segnali nel dominio del tempo L.Verdoliva In questa seconda lezione determiniamo, con l uso di Matlab, i parametri che caratterizzano
DettagliFONDAMENTI DI SEGNALI E TRASMISSIONE 4 Laboratorio
FONDAMENTI DI SEGNALI E TRASMISSIONE 4 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it MATLAB: generazione di numeri casuali Il comando che permette di generare una matrice (n r,n c ) composta da
DettagliCampionamento e quantizzazione
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Campionamento e quantizzazione A.A. 2008-09 Alberto Perotti DELEN-DAUIN Conversione analogico-digitale L elaborazione
DettagliESERCIZIO SUL CAMPIONAMENTO
ESERCIZIO SUL CAMPIONAMENTO Questo esercizio ha lo scopo di verificare praticamente, mediante simulazione, le proprietà frequenziali dei segnali campionati. Si consideri il segnale x() t = sin ( 2πt )
DettagliCAMPIONAMENTO CATENA ELETTROACUSTICA DIGITALE, CAMPIONAMENTO, QUANTIZZAZIONE
CAMPIONAMENTO CATENA ELETTROACUSTICA DIGITALE, CAMPIONAMENTO, QUANTIZZAZIONE Catena elettroacustica DIGITALE 2 Compressione/ Rarefazione dell aria Compressione/ Rarefazione dell aria ADC DAC Segnale elettrico
DettagliSEGNALI STAZIONARI: ANALISI SPETTRALE
SEGNALI STAZIONARI: ANALISI SPETTRALE Analisi spettrale: rappresentazione delle componenti in frequenza di un segnale (ampiezza vs. frequenza). Fornisce maggiori dettagli rispetto all analisi temporale
DettagliIl tema proposto può essere risolto seguendo due ipotesi:
Per la trattazione delle tecniche TDM, PM e Trasmissione dati si rimanda alle schede 41, 42, 43, 44, 45, 46, 47 e 48 del libro Le Telecomunicazioni del Prof. F. Dell Aquila. Il tema proposto può essere
DettagliStatistica. Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2010/2011 Statistica Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza
DettagliTRASMISSIONE NUMERICA IN BANDA BASE
TRASMISSIONE NUMERICA IN BANDA BASE 1 Fondamenti di segnali Fondamenti e trasmissione TLC Trasmissione numerica in banda base Per trasmettere una sequenza di cifre binarie su un canale di trasmissione
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
DettagliLaboratorio di Elaborazione di Dati, Segnali e Immagini Biomediche (Parte 5)
Università degli Studi di Padova - Facoltà di Ingegneria Corso di Laurea in Ingegneria Biomedica A.A. 7-8 Laboratorio di Elaborazione di Dati, Segnali e Immagini Biomediche (Parte 5) Prof. Giovanni Sparacino
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
DettagliRichiami teorici sull analisi del segnale
7 6 5 4 3 2 9 8 7 6 5 4 3 2 Richiami teorici sull analisi del segnale Trasformata discreta di Fourier DFT viene impiegata per analizzare segnali discreti (tipicamente provenienti da un operazione di campionamento)
DettagliStatistica. Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2011/2012 Statistica Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate.
DettagliEsercitazione ENS sulle finestre (22 Aprile 2008)
Esercitazione ENS sulle finestre ( Aprile 008) D. Donno Esercizio : Separazione di due segnali Si consideri un segnale z(t) somma di due segnali x(t) e y(t) reali e di potenza simile, ciascuno con semi
DettagliIl processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
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
Dettagli26/08/2010. Segnale analogico. Convertitore AD. Segnale digitale. Sensore. Computer
CAP 6: ACQUISIZIONE ED ANALISI DIGITALE DEI SEGNALI Che tutte le operazioni di analisi del segnale descritte nei precedenti capitoli si effettuano, quasi sempre, impiegando sistemi digitali di elaborazione
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
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
DettagliGli errori nella verifica delle ipotesi
Gli errori nella verifica delle ipotesi Nella statistica inferenziale si cerca di dire qualcosa di valido in generale, per la popolazione o le popolazioni, attraverso l analisi di uno o più campioni E
DettagliAnalisi spettrale del rumore di fase
5 Analisi spettrale del rumore di fase In questo capitolo verranno illustrati i due metodi di analisi spettrale utilizzati per valutare la potenza del rumore da cui è affetta la portante sinusoidale. Come
DettagliPAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore
PAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore medio, Errore quadratico medio (eqm), Deviazione standard,
DettagliCorso di Fondamenti di Telecomunicazioni Esercizi Teoria dei segnali Prof. Giovanni Schembra
Corso di Fondamenti di Telecomunicazioni Esercizi Teoria dei segnali Prof. Giovanni Schembra Sommario CARATTERISTICHE DEI SEGNALI DETERMINATI.... ESERCIZIO.... ESERCIZIO... 5.3 ESERCIZIO 3 CONVOLUZIONE...
DettagliESERCITAZIONE MATLAB
ESERCITAZIONE MATLAB Di seguito sono ripostati alcuni esercizi da eseguire in ambiente MatLab. Gli esercizi sono divisi per argomenti. Ogni esercizio è preceduto da una serie di esempi che aiutano nello
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII
Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII Un breve richiamo sul test t-student Siano A exp (a 1, a 2.a n ) e B exp (b 1, b 2.b m ) due set di dati i cui
Dettagli5.1 Strutture, predittori e identificazione con le rappresentazioni di stato in Matlab
5.1 Strutture, predittori e identificazione con le rappresentazioni di stato in Matlab 1. Usare una rappresentazione di stato che corrisponda alla struttura definita nella serie 4. Definire poi il modello
DettagliElaborazione di Immagini e Suoni / Riconoscimento e Visioni Artificiali 12 c.f.u. I suoni Rappresentazione digitale
Università degli Studi di Palermo Dipartimento di Ingegneria Informatica Elaborazione di Immagini e Suoni / Riconoscimento e Visioni Artificiali 12 c.f.u. Anno Accademico 2008/2009 Docente: ing. Salvatore
DettagliUnità di misura nell analisi del segnale G. D Elia. Sezione1
Unità di misura nell analisi del segnale G. D Elia Sezione1 La Serie di Fourier Si consideri una funzione x(t) periodica di periodo T = π/ω. Se sono soddisfatte opportune condizioni (condizioni di Direchlet):
DettagliCapitolo 4: Tabelle. y(x) = x 3 ì 2x. Capitolo 4: Tabelle 67. Nota: le tabelle non sono disponibili nel modo di rappresentazione grafica 3D.
Capitolo 4: Tabelle 4 Definizione di tabelle...68 Panoramica della procedura per generare una tabella...69 Impostazione dei parametri di tabella...70 Visualizzazione di una tabella in modo automatico...72
DettagliModello numerico a supporto dell attivita sperimentale
EMMEDUE Advanced B u i l d i n g S y s t e m Modello numerico a supporto dell attivita sperimentale SISTEMA COSTRUTTIVO EMMEDUE RITAM ISRIM-UNIVERSITÁ DI PERUGIA CSM RITAM ISRIM UNIVERSITA DI PERUGIA CSM
DettagliSTATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
DettagliVedi: Probabilità e cenni di statistica
Vedi: http://www.df.unipi.it/~andreozz/labcia.html Probabilità e cenni di statistica Funzione di distribuzione discreta Istogrammi e normalizzazione Distribuzioni continue Nel caso continuo la probabilità
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliElementi di informatica musicale Conservatorio G. Tartini a.a Sintesi del suono. Sintesi del suono
Elementi di informatica musicale Conservatorio G. Tartini a.a. 2001-2002 Sintesi del suono Ing. Antonio Rodà Sintesi del suono E neccessaria una tecnica di sintesi, ossia un particolare procedimento per
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
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche. Modulazione A.A Alberto Perotti
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Modulazione A.A. 8-9 Alberto Perotti DELEN-DAUIN Modello di sistema di comunicazione Il modello di sistema di comunicazione
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
DettagliDESCRITTIVE, TEST T PER IL CONFRONTO DELLE MEDIE DI CAMPIONI INDIPENDENTI.
Corso di Laurea Specialistica in Biologia Sanitaria, Universita' di Padova C.I. di Metodi statistici per la Biologia, Informatica e Laboratorio di Informatica (Mod. B) Docente: Dr. Stefania Bortoluzzi
DettagliCORSO%DI%% A.A.% % Sezione%03c% SPETTRO ACUSTICO FISICA%TECNICA%AMBIENTALE%
1 CORSO%DI%% FISICA%TECNICA%AMBIENTALE% A.A.%201352014% Sezione%03c%!! Prof. Ing. Sergio Montelpare! Dipartimento INGEO! Università G. d Annunzio Chieti-Pescara" 2 Le caratteristiche fondamentali del suono"
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
DettagliEsercizio 1. Stima intervallare: IC per la media incognita (varianza ignota)
STATISTICA (2) ESERCITAZIONE 5 26.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota) Il responsabile del controllo qualità di un azienda che
DettagliIndici di eterogeneità e di concentrazione
Indici di eterogeneità e di concentrazione Dario Malchiodi e Anna Maria Zanaboni 12 gennaio 2016 1 Indici di eterogeneità Nel caso di variabili qualitative nominali la varianza e gli altri indici da essa
DettagliCorso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 15: Metodi non parametrici
Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 15: Metodi non parametrici 1 Metodi non parametrici Statistica classica La misurazione avviene con
DettagliFrequenza: Hertz e Ordini 1
Frequenza: Hertz e Ordini qi segnali vanno preparati ai ini delle elaborazioni successive. q Siamo nella ase di conversione del segnale analogico in un segnale digitale. q Il processo di digitalizzazione
DettagliMETODO DEI MINIMI QUADRATI
METODO DEI MINIMI QUADRATI Torniamo al problema della crescita della radice di mais in funzione del contenuto di saccarosio nel terreno di coltura. Ripetendo varie volte l esperimento con diverse quantità
DettagliII Lezione: Uso della DFT e FFT
II Lezione: Uso della DFT e FFT In questa lezione vengono proposti alcuni semplici esercizi riguardanti l uso della FFT per il calcolo della trasformata di Fourier di segnali a tempo discreto e a tempo
DettagliQUANTIZZAZIONE E CONVERSIONE IN FORMA NUMERICA
QUANTIZZAZIONE E CONVERSIONE IN FORMA NUMERICA 1 Fondamenti di segnali Fondamenti e trasmissione TLC Campionamento e quantizzazione di un segnale analogico Si consideri il segnale x(t) campionato con passo
DettagliAnalisi dei segnali nel dominio delle frequenze 21/12/2006 11/01/2007
Analisi dei segnali nel dominio delle frequenze 2/2/26 //27 INDICE 2 Indice Esercizio Serie di Fourier 3 2 Trasformata di Fourier 3 3 Esercizio Trasformata di Fourier 6 4 Note: finestratura 9 5 Note: averaging
Dettaglistandardizzazione dei punteggi di un test
DIAGNOSTICA PSICOLOGICA lezione! Paola Magnano paola.magnano@unikore.it standardizzazione dei punteggi di un test serve a dare significato ai punteggi che una persona ottiene ad un test, confrontando la
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
Dettaglisecondi secondi= secondi secondi secondi= secondi
MATEMATICA DEL CHITARRA PAG. 1 NOME: DATA: CSSE: 1. Il seguente grafico mostra l onda prodotta da un diapason (che emette un ) captata attraverso un microfono Sull asse delle ascisse è rappresentato il
DettagliApprossimazione normale alla distribuzione binomiale
Approssimazione normale alla distribuzione binomiale P b (X r) costoso P b (X r) P(X r) per N grande Teorema: Se la variabile casuale X ha una distribuzione binomiale con parametri N e p, allora, per N
DettagliLEZIONE i i 3
LEZIONE 5 51 Determinanti In questo lezione affronteremo da un punto di vista prettamente operativo la nozione di determinante, descrivendone le proprietà ed i metodi di calcolo, senza entrare nei dettagli
DettagliIDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 23 Luglio 2014 Cognome Nome Matricola
IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 23 Luglio 201 Cognome Nome Matricola............ Verificare che il fascicolo sia costituito da
DettagliANALISI DI FOURIER. Segnali tempo continui:
ANALISI DI FOURIER Segnali tempo continui: Segnali aperiodici Introduzione alla Trasformata Continua di - Derivazione intuitiva della TCF a partire dallo Sviluppo in Serie di - Spettro di ampiezza e fase
Dettagli05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
DettagliSchema lezione 5 Intervalli di confidenza
Schema lezione 5 Intervalli di confidenza Non centrerò quella barca, ne sono convinto al 95% COMPRENDERE: Significato di intervallo di confidenza Uso degli stimatori come quantità di pivot per stime intervallari
DettagliProve d esame Esercizi con Matlab
Prove d esame Esercizi con Matlab Andrea Corli 16 settembre 2015 Sono qui raccolti alcuni esercizi relativi a Matlab assegnati nelle prove d esame (dal 2011 al 2014) del Corso di Analisi Matematica I (semestrale,
DettagliCAMPIONAMENTO E RICOSTRUZIONE DI SEGNALI
CAMPIONAMENTO E RICOSTRUZIONE DI SEGNALI 1 Fondamenti di segnali Fondamenti e trasmissione TLC Segnali in formato numerico Nei moderni sistemi di memorizzazione e trasmissione i segnali in ingresso sono
DettagliSegnali e Sistemi Laboratorio Matlab
Segnali e Sistemi Laboratorio Matlab Irene Pappalardo irene.pappalardo@gmail.com Corso di Laurea in Ingegneria dell Informazione May 05-12-14, 2014 Segnali e Sistemi Laboratorio Matlab 05-12-14.05.2014
Dettaglia n = 1 π f(t) cos nt dt, b n = 1 π f(t) sin nt dt, n = 0, 1, 2,..., N.
Calcolo (approssimato) di coefficienti di Fourier con Excel... ovvero la trasformata di Fourier discreta (DFT) sotto mentite spoglie! Sisto Baldo, Dip. Mat. UniTN Nei due documenti precedenti, abbiamo
DettagliLaboratorio 2 Grafici di funzione in Scilab Metodo di Bisezione
Laboratorio Grafici di funzione in Scilab Metodo di Bisezione Introduciamo i grafici di funzione in Scilab, attraverso un semplice esercizio. Esercizio Grafico di funzioni.. Definire le seguenti variabili
DettagliSTATISTICA DESCRITTIVA (variabili quantitative)
STATISTICA DESCRITTIVA (variabili quantitative) PRIMO ESEMPIO: Concentrazione di un elemento chimico in una roccia. File di lavoro di STATVIEW Cliccando sul tasto del pane control si ottiene il cosiddetto
DettagliSEGNALI STAZIONARI: ANALISI SPETTRALE
SEGNALI STAZIONARI: ANALISI SPETTRALE Analisi spettrale: rappresentazione delle componenti in frequenza di un segnale (ampiezza vs. frequenza). Fornisce maggiori dettagli rispetto all analisi temporale
DettagliTest d Ipotesi Introduzione
Test d Ipotesi Introduzione Uno degli scopi più importanti di un analisi statistica è quello di utilizzare i dati provenienti da un campione per fare inferenza sulla popolazione da cui è stato estratto
DettagliEsercitazione 8 maggio 2014
Esercitazione 8 maggio 2014 Esercizio 2 dal tema d esame del 13.01.2014 (parte II). L età media di n gruppo di 10 studenti che hanno appena conseguito la laurea triennale è di 22 anni. a) Costruire un
DettagliRETTE E PIANI. ove h R. Determinare i valori di h per cui (1) r h e α sono incidenti ed, in tal caso, determinare l angolo ϑ h da essi formato;
RETTE E PIANI Esercizi Esercizio 1. Nello spazio con riferimento cartesiano ortogonale Oxyz si considerino la retta r h ed il piano α rispettivamente di equazioni x = 1 + t r h : y = 1 t α : x + y + z
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliElaborazione di segnali mediante DFT
Elaborazione di segnali mediante DFT Alessandro Gallo - Matr. 2754 Docente: Prof. Giuseppe Rodriguez ELABORAZIONE DI SEGNALI D MEDIANTE DFT f(x) = sin(5x) f(x) +.5*randn.8.6.4.2.2.4.6.8.8.6.4.2.2.4.6.8
DettagliCorso 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
DettagliNumeri interi. Laboratorio di Calcolo Paola Gallo
Numeri interi Alfabeto binario anche il segno può essere rappresentato da 0 o 1 è indispensabile indicare il numero k di bit utilizzati Modulo Modulo e segno 1 bit di segno (0 positivo, 1 negativo) k 1
DettagliTest delle ipotesi sulla media.
. Caso di un singolo campione. Varianza nota.. Ipotesi alternativa bilaterale Test delle ipotesi sulla media. Valore medio η e deviazione standard σ della popolazione note. η è il valore stimato dal nostro
DettagliCAPITOLO 7 Lavorare con l audio
CAPITOLO 7 Lavorare con l audio Vediamo ora come lavorare con l audio in Edius; la gestione dei file, i filtri, le transizioni, il mixer. Innanzi tutto vediamo come sincronizzare dei cambi d immagine,
DettagliANALISI DI SEGNALI TEMPO VARIANTI
ANALISI DI SEGNALI TEMPO VARIANTI Nel corso di questa esercitazione verrà illustrato come utilizzare Excel per eseguire la FFT di un segnale. Algebra complessa Excel consente di eseguire calcoli anche
DettagliStatistica4-29/09/2015
Statistica4-29/09/2015 Raccogliere i dati con il maggior numero di cifre significative ed arrotondare eventualmente solo al momento dei calcoli (min. 3); nella grande maggioranza delle ricerche biologiche
DettagliConversione Analogico/Digitale
Conversione Analogico/Digitale 1 Fondamenti di Segnali e Trasmissione Conversione analogico/digitale (A/D) Per rappresentare numericamente un segnale continuo nel tempo e nelle ampiezze è necessario: Campionare
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Misura dell associazione tra due caratteri Uno store manager è interessato a studiare la relazione
DettagliAppunti di Excel per risolvere alcuni problemi di matematica (I parte) a.a
Appunti di Excel per risolvere alcuni problemi di matematica (I parte) a.a. 2001-2002 Daniela Favaretto* favaret@unive.it Stefania Funari* funari@unive.it *Dipartimento di Matematica Applicata Università
DettagliGara Matematica. Dipartimento di Matematica Ulisse Dini. Viale Morgagni 67/a Firenze. Soluzioni edizione 2011
Gara Matematica Dipartimento di Matematica Ulisse Dini Viale Morgagni 67/a - 50134 Firenze Soluzioni edizione 011 Esercizio 1. Determinare tutti gli interi positivi non nulli n che sono uguali alla somma
DettagliModulazione PAM Multilivello, BPSK e QPSK
Modulazione PAM Multilivello, BPSK e QPSK P. Lombardo DIET, Univ. di Roma La Sapienza Modulazioni PAM Multilivello, BPSK e QPSK - 1 Rappresentazione analitica del segnale Sia {b(n)} una qualsiasi sequenza
DettagliANALISI DI FREQUENZA
Giada Grosoli matr. 1391 Lezione del 19/1/ ora 8:3-1:3 ANALISI DI FREQUENZA Nello studio dell acustica è molto importante l analisi di frequenza del suono. E fondamentale infatti valutare, oltre al livello
DettagliIn realtà i segnali con i quali dobbiamo confrontarci più frequentemente sono limitati nel tempo
Segnali trattati sino ad ora: continui, durata infinita,.. Su essi sono stati sviluppati strumenti per analizzare output di circuiti e caratteristiche del segnale: Risposta all impulso, prodotto di convoluzione,
DettagliVariabile Casuale Normale
Variabile Casuale Normale Variabile Casuale Normale o Gaussiana E una variabile casuale continua che assume tutti i numeri reali, è definita dalla seguente funzione di densità: 1 f( x) = e σ 2 π ( x µ
DettagliCORSO DI LAUREA IN INFERMIERISTICA. LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità
CORSO DI LAUREA IN INFERMIERISTICA LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità Lezioni di Statistica VARIABILITA Si definisce variabilità la proprietà di alcuni fenomeni di assumere
DettagliMATLAB Elementi di grafica Costrutti di programmazione
MATLAB Elementi di grafica Costrutti di programmazione Operazioni punto Le operazioni punto agiscono su array che abbiano le stesse dimensioni:.* prodotto elemento per elemento./ divisione elemento per
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 =
DettagliLE RADICI QUADRATE 9=3. è il simbolo dell operazione e prende il nome di segno di radice
LE RADICI QUADRATE L ESTRAZIONE DI RADICE È L OPERAZIONE INVERSA DELL OPERAZIONE DI ELEVAMENTO A POTENZA INDICE 9=3 RADICE QUADRATA SEGNO DI RADICE RADICANDO 9 è il numero di cui vogliamo calcolare la
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
Dettagli# EFFETTO DEL GUADAGNO A CICLO APERTO SULLA STABILITA #
# EETTO DEL GUADAGNO A CICLO APERTO SULLA STABILITA # Consideriamo il sistema di controllo a controreazione con la seguente. di T. a ciclo aperto: 5 ( = (1 + (1 + (1 ; Il diagramma di Nyquist della (jω)
DettagliISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
Dettagli