ANALISI DI SERIE TEMPORALI CAOTICHE (2)
|
|
- Filiberto Moretti
- 5 anni fa
- Visualizzazioni
Transcript
1 ANALISI DI SERIE TEMPORALI CAOTICHE (2) Calcolo della dimensione frattale Modelli di previsione Calcolo degli esponenti di Liapunov C. Piccardi e F. Dercole Politecnico di Milano - 28/12/2009 1/24
2 CALCOLO DELLA DIMENSIONE FRATTALE La dimensione d dell attrattore A coincide con quella dell attrattore ricostruito A m. Perciò, se è nota una dimensione di embedding m, d può essere calcolata come dimensione di correlazione, utilizzando la serie temporale z m (t) che definisce l attrattore ricostruito. Ma, in genere, d non è nota a priori e, quindi, neppure, m. Un procedimento empirico, spesso adottato: Calcolare la dimensione di correlazione d (m) per una successione di valori crescenti di m. Per m mmin (dove m min è la minima dimensione di embedding ), d (m) rimane costante al valore corrispondente alla dimensione di correlazione di A. C. Piccardi e F. Dercole Politecnico di Milano - 28/12/2009 2/24
3 Esempio: esperimento di Couette-Taylor Lo spazio delle uscite ritardate z m (t) per m = 2. Per ogni valore di m tra 2 e 20, viene calcolata la funzione di correlazione C m ( r) = #coppie ( zm ( i), zm ( j) ) t.c. zm ( i) #coppie( z ( i), z ( j) ) m m z m ( j) < r per vari valori di r. C. Piccardi e F. Dercole Politecnico di Milano - 28/12/2009 3/24
4 C m (r) deve scalare con r secondo la legge log C m ( r) = d log r +α per cui la pendenza log ( r) / log r fornisce la stima di d. C m Il grafico di logc m ( r) / log r in funzione di log r fornisce (in un range intermedio di valori dell ascissa) la stima d 3. C. Piccardi e F. Dercole Politecnico di Milano - 28/12/2009 4/24
5 Esempio: un esperimento su un laser Lo spazio delle uscite ritardate z m (t) per m = 2. Il grafico di logc m ( r) / log r in funzione di log r fornisce (in un range intermedio di valori dell ascissa) la stima d C. Piccardi e F. Dercole Politecnico di Milano - 28/12/2009 5/24
6 Esempio: esperimento di Rayleigh-Bénard Un fluido viene riscaldato tra due piastre orizzontali mantenute a differente temperatura ( T l > Tu ). Tl Tu è piccolo, il fluido è fermo e il calore è scambiato per conduzione. T T supera una certa soglia, il fluido si muove e il calore è trasmesso per Se Se l u convezione. Per l Tu T elevato, il movimento del fluido è caotico. L esperimento misura la velocità in un determinato punto dello strato fluido. C. Piccardi e F. Dercole Politecnico di Milano - 28/12/2009 6/24
7 Dal grafico di logc m ( r) in funzione di log r, si ricava la stima di d calcolando la pendenza. La stima di d tende ad un valore asintotico (pari a circa 2.8) al crescere di m. Per contro, il rumore bianco risulta avere dimensione d = m ( riempie qualsiasi dimensione). C. Piccardi e F. Dercole Politecnico di Milano - 28/12/2009 7/24
8 MODELLI DI PREVISIONE Data la serie temporale di uscita, registrata fino all istante t : { y y,, y y } Y 0, t = 0, τ L t τ, il problema della previsione consiste nel determinare t una stima ŷ t+ τ del prossimo valore dell uscita ( previsione a un passo ) oppure, più in generale, una stima y ˆt+ τ yˆ t+ 2τ L yˆ t+ kτ dei prossimi valori dell uscita, per un certo numero di passi ( previsione a k - passi ), C. Piccardi e F. Dercole Politecnico di Milano - 28/12/2009 8/24
9 Per effettuare la previsione, è necessario ricavare dalla serie temporale un modello (procedura di identificazione ): Poiché ( Y ) y ˆ t+τ = F 0, t x = f ( x y = g x il modello non riproduce perfettamente il sistema ( & ), ( )) che ha generato la serie temporale Y la serie temporale è misurata con precisione finita la previsione ŷ t+ τ sarà differente dal valore effettivo y t+ τ. Il modello di previsione sarà tanto più buono quanto più riuscirà a rendere piccolo l errore di previsione ε t+ τ = ŷ t+ τ yt+ τ C. Piccardi e F. Dercole Politecnico di Milano - 28/12/2009 9/24
10 Supponiamo che: La serie temporale Y sia stata ricavata mentre il sistema funzionava su un attrattore n A R. Sia stata determinata una dimensione di embedding m per l attrattore A. Allora il vettore delle uscite ritardate z L t = yt yt τ yt ( m 1)τ ha una dinamica equivalente a quella dello stato è tutta e sola quella che serve per la previsione). x A (=l informazione contenuta in z t Consideriamo perciò modelli di previsione del tipo ( z ) F( y y y ) yˆ L t+ τ = F t = t t τ t ( m 1) τ C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
11 Previsione nearest-neighbor Dalla serie temporale (scalare) di uscita Y { y y,, y, y } 0, t 0, τ t τ dapprima la serie (vettoriale) delle uscite ritardate { z, z z }, t 2τ t τ Z = L, = L, si costruisce t t dove z t m = yt yt τ L yt ( m 1) τ R. All istante t, si cerca nella serie Z il vettore z i più vicino a z t, e si effettua la previsione: z z ˆ t+ 1 = i+ 1 da cui segue y ˆ t + 1 = y i + 1. C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
12 Nota bene: Il metodo di previsione è basato sull ipotesi che due stati correnti vicini diano luogo a due successori vicini (=il flusso di traiettorie è continuo rispetto allo stato). Siccome tutti gli z t vicini ad uno stesso z i daranno luogo alla stessa previsione z ˆ t+ 1 = zi+ 1, ne risulta che il metodo definisce implicitamente un modello y ˆ t+τ = F( z t ) costante a tratti. Una possibile generalizzazione (fra le tante): dato z t, si considerano tutti i vicini z i con z i z t < δ, con δ > 0 (piccolo) prefissato. La previsione è data dalla media dei successori: zˆ t+ 1 = z i + 1 i C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
13 Previsione lineare locale Consiste nel determinare un modello di previsione lineare, valido localmente nell intorno m di zt R : yˆ t + τ = azt + b = a1 yt + a2 yt τ + L + am yt ( m 1) τ + b I coefficienti ( a, b) vengono determinati minimizzando l errore (quadratico medio) di previsione: ε 2 ( yˆ y ) = ( az + b y ) 2 i+ τ = i+ τ i+ τ i z I i δ 2 i+ τ dove I δ è l insieme dei vettori z i vicini a z t, cioè prefissato. z z < δ, con > 0 i t δ (piccolo) C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
14 Nota bene: Ad ogni istante, quando è disponibile il nuovo t ricalcolato. z, il modello (, b) a deve essere Il problema di minimizzazione ha soluzione esplicita ( minimi quadrati ), e quindi è molto rapido computazionalmente. Concettualmente, il metodo equivale a determinare uno sviluppo di Taylor arrestato al primo ordine del modello (incognito ) ( z ) F( y y y ) y L t+ τ = F t = t t τ t ( m 1) τ All istante t, la previsione a k -passi si ottiene utilizzando ricorsivamente le previsioni precedentemente ottenute: yˆ t + τ = a1 yt + a2 yt τ + L + am yt ( m 1) τ + b yˆ a y + a y + L + a y b t + 2τ = 1 ˆt+ τ 2 t m t ( m 1) τ + τ + t + 3τ = a1 yˆ t+ 2τ + a2 yˆ t+ τ + + am yt ( m 1) τ + 2τ + yˆ L M b C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
15 Esempio: mappa di Ikeda x( t y( t + 1) = R + + 1) = C 2 C2( x( t)cosγ ( t) y( t)sin γ ( t) ) ( x( t)sin γ ( t) + y( t)cosγ ( t) ) ( 2 2 ) con γ = C C + x y Un previsore lineare locale è stato stimato da una serie temporale di 5000 punti generata dal modello, a cui è stato sovrapposto rumore. ( ): previsione a 1 passo ŷ t ( ): valore effettivo y t C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
16 Modelli di previsione globali Un modello globale è determinato sulla base dell intera serie temporale Y, ed è quindi valido in tutte le regioni visitate dall attrattore A. In generale, è un modello del tipo ( z ) F ( y y y ) yˆ L t+ τ = Fp t = p t t τ t ( m 1) τ dove F p è una funzione prefissata, dipendente da alcuni parametri p = p1 p2 L pr. I parametri previsione: p vengono determinati minimizzando l errore (quadratico medio) di 2 ε i+ τ = + 2 ( yˆ i+ τ yi+ τ ) = ( Fp ( zi ) yi τ ) z i 2 dove la sommatoria è estesa a tutta la serie di dati disponibili. C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
17 Nota bene: Se si ipotizza che la serie temporale sia stata generata da un sistema non lineare, ovviamente F p si sceglierà non lineare rispetto a z t. Tipiche scelte sono: funzioni polinomiali rbf (radial basis functions) reti neurali F p è lineare rispetto ai parametri p (p.e. polinomi, rbf) il problema di minimizzazione ha comunque soluzione esplicita ( minimi quadrati ), computazionalmente rapida e robusta. Se Poiché il modello è stato ricavato dalla serie temporale relativa al funzionamento sull attrattore A, il modello (anche se globale ) non potrà replicare il funzionamento del sistema al di fuori di A (p.e., transitorio di avvicinamento ad A). C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
18 Esempio: sistema di Lorenz La tipica performance di un modello globale per la previsione a k -passi: ( ): previsione a k -passi ( ): valore effettivo y t La previsione è buona fino a circa 90 passi. Aumentando l orizzonte, il comportamento previsto è comunque qualitativamente simile a quello effettivo. L errore di previsione (media quadratica rispetto a vari esperimenti) cresce al crescere dell orizzonte di previsione. C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
19 CALCOLO DEGLI ESPONENTI DI LIAPUNOV Il calcolo del primo (=massimo) esponente di Liapunov L 1 associato ad una serie temporale è particolarmente informativo, poiché L 1 caratterizza la dinamica del sistema è computazionalmente molto più conveniente e affidabile del calcolo dell intero spettro degli esponenti di Liapunov. Data la serie temporale (scalare) di uscita Y { L, y( t τ ), y( t), y( + τ ),L} = t e determinata una dimensione di embedding m, si costruisce la serie Z dei vettori (m-dimensionali) delle uscite ritardate: Z { L, z ( t τ ), z ( t), z ( + τ ),L} = t dove ( t) = y( t) y( t τ ) y( t ( m 1) τ ) z m L. m m m C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
20 Fissato un vettore z m (i), si cerca nella serie Z un vettore z m ( j) molto vicino a (i) cioè tale che la distanza ( 0) = z ( i) z ( j) m possa essere considerata infinitesimale. m z m, Quindi, dalla serie Z si estrae la funzione ( t) = z ( i + t) z ( j t) m m + che rappresenta l evoluzione nel tempo della distanza tra i due punti considerati. In media, ci si aspetta che, per t piccolo, (t) ( t) = (0) exp( L1t ), dove L 1 è il primo esponente di Liapunov. evolva secondo la legge C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
21 In pratica, per ogni vettore z m ( i) Z si deve calcolare ( ) z ( i + t) z ( j t i, m, ε ( t) = ln m m + per t = 0,1, L j q ) dove la media è estesa a tutti gli z m ( j) tali che z ( i) z ( j) < ε j m m (ε piccolo). Poi q i, m, ε ( t) deve essere mediato su tutti gli (i) z m che compongono la serie Z : Q ( t) m, ε ( t) = qi, m, ε i Q m ε ( ) dovrebbe crescere linearmente con t (almeno in un certo range di t ), cioè, t Ponendo in un grafico, ( t) grafico stesso. Q m, ) 1 ε ( t = L t +α Q m ε in funzione di t, si ricava quindi 1 L come pendenza del C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
22 Esempio: dati da un esperimento su un laser a CO 2 In un range intermedio di t, la pendenza (media) delle curve (ottenute al variare di alcuni parametri di calcolo) è circa pari a L Q m ε, ( t) t C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
23 Calcolare tutti gli esponenti di Liapunov Rispetto al calcolo del solo L 1, molto più critico è il calcolo di tutti gli esponenti di Liapunov ( L1 L2 L Ln): il più delle volte, n non è noto: scegliendo una dimensione di embedding (come avviene di solito) si introducono m n esponenti spuri (=non presenti nel sistema originale) che possono non essere facilmente isolabili (non sono tra i primi + d che entrano nella formula di Kaplan-Yorke); il calcolo degli esponenti richiede di stimare le matrici Jacobiane (=modelli lineari locali) lungo la traiettoria ricostruita, un compito numericamente piuttosto delicato: poiché la serie temporale Y è registrata mentre il sistema funziona sull attrattore A, le differenze finite coinvolgono solo direzioni non trasversali all attrattore; ciò rende difficilmente stimabili alcuni esponenti negativi (quelli che governano il transitorio di avvicinamento ad A) perché non eccitati. Comunemente, si considerano stimabili solo gli esponenti positivi, o al più quelli che + entrano nella formula di Kaplan-Yorke (i primi d ). m > n C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
24 In pratica, due sono gli approcci generalmente adottati: per ogni vettore delle uscite ritardate (t) stima del modello lineare locale; z m, determinare lo Jacobiano mediante dalla serie temporale, stimare un modello non lineare (differenziabile) globale (p.e. polinomiale, razionale, rbf), per cui lo Jacobiano risulta disponibile in forma analitica. Esempio: calcolo dei primi 3 esponenti da dati relativi a un esperimento su laser (k =numero punti utilizzati per la stima del modello lineare locale) L uso di modelli globali sembra meno sensibile ai parametri computazionali. C. Piccardi e F. Dercole Politecnico di Milano - 28/12/ /24
ANALISI DI SERIE TEMPORALI CAOTICHE (1)
ANALISI DI SERIE TEMPORALI CAOTICHE (1) Problematiche Ricostruzione dello stato Dimensione di embedding C. Piccardi e F. Dercole Politecnico di Milano ver. 28/12/2009 1/15 Per studiare e comprendere appieno
DettagliINSIEMI FRATTALI. Dimensione di un insieme. Insiemi frattali elementari. Dimensioni frattali. Insiemi frattali e sistemi dinamici
INSIEMI FRATTALI Dimensione di un insieme Insiemi frattali elementari Dimensioni frattali Insiemi frattali e sistemi dinamici C. Piccardi Politecnico di Milano - 03/01/2007 1/1 Caratteristiche tipiche
DettagliINSIEMI FRATTALI. Dimensione di un insieme. Insiemi frattali elementari. Dimensioni frattali. Insiemi frattali e sistemi dinamici
INSIEMI FRATTALI Dimensione di un insieme Insiemi frattali elementari Dimensioni frattali Insiemi frattali e sistemi dinamici C. Piccardi e F. Dercole Politecnico di Milano - 30/11/2011 1/29 Caratteristiche
DettagliANALISI PICCO-PICCO. Diagramma picco-picco. Dinamica picco-picco. Diagramma dei tempi di ritorno. Calcolo del primo esponente di Liapunov
ANALISI PICCO-PICCO Diagramma picco-picco Dinamica picco-picco Diagramma dei tempi di ritorno Calcolo del primo esponente di Liapunov C. Piccardi e F. Dercole Politecnico di Milano - 28/2/2009 /2 DIAGRAMMA
DettagliANALISI DI SERIE TEMPORALI CAOTICHE
ANALISI DI SERIE TEMPORALI CAOTICHE Probleatiche Ricostruzione dello stato Diensione di ebedding Calcolo della diensione frattale Modelli di previsione Calcolo degli esponenti di Liapunov C. Piccardi e
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
DettagliCOME APPARE IL CAOS DETERMINISTICO
COME APPARE IL CAOS DETERMINISTICO Serie temporale Spettro di potenza Quadro delle traiettorie Sezione di Poincaré Auto-somiglianza Sensibilità alle condizioni iniziali C. Piccardi e F. Dercole Politecnico
DettagliVALIDAZIONE DEL MODELLO
VALIDAZIONE DEL MODELLO Validazione del Modello Non è sufficiente stimare il vettore θ per dichiarare concluso il processo di identificazione. E necessario ottenere una misura della sua affidabilità L
DettagliAnalisi cinematica di meccanismi articolati
Analisi cinematica di meccanismi articolati metodo dei numeri complessi rev 10 1 Il quadrilatero articolato b β a c α d γ Posizione a + b = c + d a e iα + b e iβ = c e iγ + d a cos α + b cos β = c cos
DettagliCapitolo 3: Ottimizzazione non vincolata parte III. E. Amaldi DEI, Politecnico di Milano
Capitolo 3: Ottimizzazione non vincolata parte III E. Amaldi DEI, Politecnico di Milano 3.4 Metodi di ricerca unidimensionale In genere si cerca una soluzione approssimata α k di min g(α) = f(x k +αd k
Dettagli5. Applicazione ai dati sperimentali, un modello di previsione delle temperature
5. Applicazione ai dati sperimentali, un modello di previsione delle temperature 5.1 Ricostruzione dello spazio delle fasi L utilizzo del teorema di embedding per ricostruire lo spazio delle fasi relativo
DettagliElementi di Teoria dei Sistemi
Parte 2, 1 Elementi di Teoria dei Sistemi Parte 2, 2 Definizione di sistema dinamico Parte 2, 3 Sistema dinamico a tempo continuo Ingresso Uscita Parte 2, 4 Cosa significa Dinamico?? e` univocamente determinata?
Dettagliẋ 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
DettagliClaudio Estatico Equazioni non-lineari
Claudio Estatico (claudio.estatico@uninsubria.it) Equazioni non-lineari 1 Equazioni non-lineari 1) Equazioni non-lineari e metodi iterativi. 2) Metodo di bisezione, metodo regula-falsi. 3) Metodo di Newton.
DettagliElementi di Teoria dei Sistemi. Definizione di sistema dinamico. Cosa significa Dinamico? Sistema dinamico a tempo continuo
Parte 2, 1 Parte 2, 2 Elementi di Teoria dei Sistemi Definizione di sistema dinamico Parte 2, 3 Sistema dinamico a tempo continuo Cosa significa Dinamico? Parte 2, 4? e` univocamente determinata? Ingresso
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliIl metodo dei minimi quadrati
Il metodo dei minimi quadrati 1 Posizione del problema Introduciamo la problematica con un semplice esempio pratico. Supponiamo di avere a disposizione una certa quantità x di oggetti tutti uguali tra
DettagliMetodi di Iterazione Funzionale
Appunti di Matematica Computazionale Lezione Metodi di Iterazione Funzionale Il problema di calcolare il valore per cui F() = si può sempre trasformare in quello di trovare il punto fisso di una funzione
DettagliMetodi di identificazione
Metodi di identificazione Metodo di identificazione LS per sistemi ARX Sia yt un processo ARX generico con parametri ignoti: S: yt= B z A z ut 1 1 A z et ota: scegliere ut 1 è la scelta più generica possibile,
Dettagli1. 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,
DettagliFondamenti di Data Processing
Fondamenti di Data Processing Vincenzo Suraci Automazione INTRODUZIONE AL DATA PROCESSING ACQUISIZIONE DATI SCHEMA COSTRUTTIVO SCHEDA INPUT OSCILLATORE A FREQUENZA COSTANTE BANDA PASSANTE ACCORDATA AL
DettagliSTRADE AL CAOS. Sistemi parametrizzati. Cascata di raddoppi di periodo (cascata di Feigenbaum) Rottura di toro. Caos alla Shilnikov.
STRADE AL CAOS Sistemi parametrizzati Cascata di raddoppi di periodo (cascata di Feigenbaum) Rottura di toro Caos alla Shilnikov Intermittenza Crisi C. Piccardi e F. Dercole Politecnico di Milano ver.
DettagliFacoltà di Psicologia Università di Padova Anno Accademico Corso di Psicometria - Modulo B
Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 27/12/2010 Regressione lineare Modello geometrico
DettagliSistemi di Elaborazione dell Informazione 170. Caso Non Separabile
Sistemi di Elaborazione dell Informazione 170 Caso Non Separabile La soluzione vista in precedenza per esempi non-linearmente separabili non garantisce usualmente buone prestazioni perchè un iperpiano
DettagliParte I Identificazione di modelli dinamici. 6: Teoria della stima e caratteristiche degli stimatori. Parte I 6, 1
Parte I 6, 1 Parte I Identificazione di modelli dinamici 6: Teoria della stima e caratteristiche degli stimatori Generalita` Parte I 6, 2 In generale abbiamo: dove sono i dati osservati e` la quantita`
DettagliATTRATTORI CAOTICI. Attrattori. Classificazione degli attrattori: equilibri, cicli, tori, caos. Esponenti di Liapunov di attrattori
ARAORI CAOICI Attrattori Classificazione degli attrattori: equilibri, cicli, tori, caos Esponenti di Liapunov di attrattori Sistemi dissipativi C. Piccardi e F. Dercole Politecnico di Milano - 06/12/2012
DettagliSQP (Sequential Quadratic Programming ) La soluzione del problema min f o (x) g i (x) = 0, i I
SQP (Sequential Quadratic Programming ) La soluzione del problema min f o (x) g i (x) = 0, i I e caratterizzata dalle condizioni f o (x) + i I μ i g i (x) = 0 e dall ammissibilita ( g i (x) = 0, i I )
DettagliProva Finale di Tipo B e Prova di Accesso alla Laura Magistrale. Dip. Matematica - Università Roma Tre
Prova Finale di Tipo B e Prova di Accesso alla Laura Magistrale Dip. Matematica - Università Roma Tre Prof. U. Bessi, S. Gabelli, G. Gentile, M. Pontecorvo febbraio 2006 Istruzioni. a) La sufficienza viene
DettagliProgetto e miglioramento del processo produttivo 383
Ottimizzazione del processo con esperimenti programmati I piani fattoriali sono molto utili nella selezione dei fattori o factor screening, cioè nella identificazione di quei fattori che maggiormente influiscono
Dettagli5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate. min f(x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n
5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate Consideriamo il generico problema di PNL min f(x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n dove f e le c i sono di classe
DettagliElementi di Teoria dei Sistemi. Definizione di sistema dinamico. Cosa significa Dinamico? Sistema dinamico a tempo continuo
Parte 2, 1 Parte 2, 2 Elementi di Teoria dei Sistemi Definizione di sistema dinamico Parte 2, 3 Sistema dinamico a tempo continuo Cosa significa Dinamico? Parte 2, 4? e` univocamente determinata? Ingresso
DettagliTEORIA DEI SISTEMI ANALISI DEI SISTEMI LTI
TEORIA DEI SISTEMI Laurea Specialistica in Ingegneria Meccatronica Laurea Specialistica in Ingegneria Gestionale Indirizzo Gestione Industriale TEORIA DEI SISTEMI ANALISI DEI SISTEMI LTI Ing. Cristian
DettagliAnalisi degli Errori
Analisi degli Errori Luca Gemignani lucagemignani@unipiit 1 marzo 2018 Indice Lezione 1: Errori nel Calcolo di una Funzione Razionale 1 Lezione 2: Tecniche per l Analisi degli Errori 3 Lezione 3: Cenni
DettagliI FRATTALI. Chiara Mocenni. giovedì 15 dicembre 11
I FRATTALI Chiara Mocenni (mocenni@dii.unisi.it) IL CAOS DETERMINISTICO Sistema deterministico Comportamento aperiodico Sensibilità alle condizioni iniziali Attrattori strani Infiniti cicli repulsivi GLI
DettagliStabilità esterna e analisi della risposta
Stabilità esterna e analisi della risposta Risposte di sistemi del 1 e 2 ordine Introduzione Risposta al gradino di sistemi del 1 ordine Determinazione di un modello del 1 ordine Risposta al gradino di
Dettagliw 1 (z) = z2 z + 1 z 3 z 2 + z 1, w 2(z) = z2
Teoria dei Sistemi - 9 cfu - L.M. in Ingegneria dell Automazione Compito del 3///7 Esercizio Si considerino le funzioni di trasferimento (a tempo discreto) w (z) = z z + z 3 z + z, w (z) = z z 3 (.) (i)
DettagliIn questa lezione ci occuperemo di sistemi dinamici in tempo continuo, rappresentati da equazioni differenziali.
Sistemi dinamici In questa lezione ci occuperemo di sistemi dinamici in tempo continuo, rappresentati da equazioni differenziali. Le equazioni differenziali sono delle equazioni in cui le incognite rispetto
DettagliANALISI VETTORIALE COMPITO IN CLASSE DEL 8/11/2013
ANALISI VETTORIALE COMPITO IN CLASSE DEL 8//3 Premessa (Cfr. gli Appunti di Analisi Vettoriale / del Prof. Troianiello) Nello studio degli integrali impropri il primo approccio all utilizzo del criterio
Dettagli5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate
5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate Consideriamo il generico problema di PNL min f (x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n dove f e le c i sono di classe
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
Dettaglib vettore(termine noto) y* proiezione ortogonale di b
Carla Guerrini 1 Sistemi sovradeterminati Sia A una matrice m n ove m > n sia b R m trovare una soluzione del sistema sovradeterminato Ax = b significa cercare di esprimere un vettore di R m come combinazione
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,
DettagliLaboratorio di Calcolo Numerico
Laboratorio di Calcolo Numerico M.R. Russo Università degli Studi di Padova Dipartimento di Matematica Pura ed Applicata A.A. 2009/2010 Equazioni non lineari Data una funzione consideriamo il problema
DettagliMETODI DI COLLOCAZIONE POLINOMIALE (Metodi di Runge-Kutta continui) November 30, 2004
METODI DI COLLOCAZIONE POLINOMIALE (Metodi di Runge-Kutta continui) November, Nell approssimare numericamente un problema di Cauchy, puo capitare di essere interessati a valori della soluzione in punti
DettagliProgr. Non Lineare: algoritmi
Progr. Non Lineare: algoritmi Fabio Schoen schoen@ing.unifi.it http://globopt.dsi.unifi.it/users/schoen A.A. 22-23 Programmazione Non Lineare: Cenni sugli algoritmi di ottimizzazione locale Schema generale
DettagliMetodo dei Minimi Quadrati. Dott. Claudio Verona
Metodo dei Minimi Quadrati Dott. Claudio Verona E in generale interessante studiare l andamento di una variabile in funzione di un altra e capire se c è una funzione matematica che le lega. Viceversa è
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 9 - EQUAZIONI DIFFERENZIALI ORDINARIE valori iniziali Valori iniziali Ci occuperemo della soluzione numerica di equazioni del prim ordine
DettagliCorso di Laurea in Ingegneria Gestionale - Sede di Fermo Anno Accademico 2009/2010 Matematica 2 Esercizi d esame
Corso di Laurea in Ingegneria Gestionale - ede di Fermo Anno Accademico 2009/2010 Matematica 2 Esercizi d esame Nome... N. Matricola... Fermo, gg/mm/aaaa 1. tabilire l ordine di ciascuna delle seguenti
DettagliAnalisi Numerica: Introduzione
Analisi Numerica: Introduzione S. Maset Dipartimento di Matematica e Geoscienze, Università di Trieste Analisi numerica e calcolo numerico Analisi numerica e calcolo numerico La matematica del continuo
DettagliNote sul sistema di Lotka-Volterra. Prima versione. Commenti e correzioni sono benvenuti.
Ottobre 2016 Note sul sistema di Lotka-Volterra Prima versione. Commenti e correzioni sono benvenuti. 1 Introduzione Il sistema di Lotka Volterra (LV), o sistema preda predatore è probabilmente il primo
DettagliMetodo dei minimi quadrati e matrice pseudoinversa
Scuola universitaria professionale della Svizzera italiana Dipartimento Tecnologie Innovative Metodo dei minimi quadrati e matrice pseudoinversa Algebra Lineare Semestre Estivo 2006 Metodo dei minimi quadrati
DettagliCenni sull integrazione numerica delle equazioni differenziali. Corso di Dinamica e Simulazione dei Sistemi Meccanici
Cenni sull integrazione numerica delle equazioni differenziali Corso di Dinamica e Simulazione dei Sistemi Meccanici 9 ottobre 009 Introduzione La soluzione analitica dell integrale di moto di sistemi
Dettagli25 - Funzioni di più Variabili Introduzione
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 25 - Funzioni di più Variabili Introduzione Anno Accademico 2013/2014 M. Tumminello
DettagliIntervallo di fiducia del coefficiente angolare e dell intercetta L intervallo di fiducia del coefficiente angolare (b 1 ) è dato da:
Analisi chimica strumentale Intervallo di fiducia del coefficiente angolare e dell intercetta L intervallo di fiducia del coefficiente angolare (b 1 ) è dato da: (31.4) dove s y è la varianza dei valori
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
DettagliPREVISIONE. 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
DettagliSistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese
Sistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese Università degli Studi di Milano Laboratory of Applied Intelligent Systems (AIS-Lab) Dipartimento di Informatica borghese@di.unimi.it
DettagliOsservatore di Luenberger
1 Osservatore di Luenberger In queste note verrà presentato l osservatore di Luenberger, uno stimatore dello stato per sistemi lineari. Si farà il caso di sistemi dinamici tempo-continui e tempo-discreti.
DettagliPROCESSO STOCASTICO I
PROCESSO STOCASTICO I valori futuri di un segnale aleatorio (stocastico) non possono essere predetti esattamente. I segnali aleatori sono tali per loro natura (meccanismo interno) o rappresentano meccanismi
DettagliAppunti su Indipendenza Lineare di Vettori
Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo
DettagliProprietà strutturali e leggi di controllo
Proprietà strutturali e leggi di controllo Retroazione statica dallo stato La legge di controllo Esempi di calcolo di leggi di controllo Il problema della regolazione 2 Retroazione statica dallo stato
DettagliStatistica 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
DettagliNote per le esercitazioni di Geometria 1 a.a. 2007/08 A. Lotta. Metodi per il calcolo del rango di una matrice
Note per le esercitazioni di Geometria 1 a.a. 2007/08 A. Lotta Versione del 21/12/07 Metodi per il calcolo del rango di una matrice Sia A M m,n (K). Denotiamo con A (i) la riga i-ma di A, i {1,..., m}.
Dettagli2. Fra tutti i rettangoli inscritti in una circonferenza, determinare quello di area massima.
2. Fra tutti i rettangoli inscritti in una circonferenza, determinare quello di area massima. 3. Fra tutti i cilindri a base rotonda inscritti in una sfera, determinare quello di volume massimo. 4. Dimostrare
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
DettagliIdentificazione di modello
SE5 Prof. Davide Manca Politecnico di Milano Dinamica e Controllo dei Processi Chimici Esercitazione #5 Identificazione di modello ing. Sara Brambilla SE5 Identificazione di modello Nel definire un modello
DettagliCorso di laurea: Ingegneria aerospaziale e meccanica Programma di Fondamenti di Analisi Matematica II a.a. 2013/14 Docente: Fabio Paronetto
Corso di laurea: Ingegneria aerospaziale e meccanica Programma di Fondamenti di Analisi Matematica II a.a. 2013/14 Docente: Fabio Paronetto Gli argomenti denotati con un asterisco tra parentesi (e solo
Dettagli0.1 Spazi Euclidei in generale
0.1. SPAZI EUCLIDEI IN GENERALE 1 0.1 Spazi Euclidei in generale Sia V uno spazio vettoriale definito su R. Diremo, estendendo una definizione data in precedenza, che V è uno spazio vettoriale euclideo
DettagliSISTEMI ELEMENTARI DEL 1 o E 2 o ORDINE
CONTROLLI AUTOMATICI Ingegneria della Gestione Industriale SISTEMI ELEMENTARI DEL o E 2 o ORDINE Ing. Luigi Biagiotti Tel. 5 29334 / 5 29368 e-mail: lbiagiotti@deis.unibo.it http://www-lar.deis.unibo.it/~lbiagiotti
DettagliAnalisi Matematica (A L) Polinomi e serie di Taylor
a.a. 2015/2016 Laurea triennale in Informatica Analisi Matematica (A L) Polinomi e serie di Taylor Nota: questo file differisce da quello proiettato in aula per la sola impaginazione. Polinomio di Taylor
Dettaglis a Inferenza: singolo parametro Sistema di ipotesi: : β j = β j0 H 1 β j0 statistica test t confronto con valore t o p-value
Inferenza: singolo parametro Sistema di ipotesi: H 0 : β j = β j0 H 1 : β j β j0 statistica test t b j - b s a jj j0 > t a, 2 ( n-k) confronto con valore t o p-value Se β j0 = 0 X j non ha nessuna influenza
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE Modelli delle Sorgenti di Traffico Generalità Per la realizzazione di un modello analitico di un sistema di telecomunicazione dobbiamo tenere in considerazione 3 distinte sezioni
DettagliRaggiungibilità, Controllabilità, Osservabilità e Determinabilità
Raggiungibilità, Controllabilità, Osservabilità e Determinabilità Si determini se i sistemi lineari tempo invarianti ẋ(t) = Ax(t) + Bu(t), Σ c : y(t) = Cx(t) + Du(t). x(k + ) = Ax(k) + Bu(k), Σ d : y(k)
DettagliSISTEMI ELEMENTARI DEL 1 o E 2 o ORDINE
CONTROLLI AUTOMATICI Ingegneria della Gestione Industriale e della Integrazione di Impresa http://www.automazione.ingre.unimore.it/pages/corsi/controlliautomaticigestionale.htm SISTEMI ELEMENTARI DEL o
DettagliAnalisi Matematica 2
Analisi Matematica 2 Differenziabilità per funzioni di due variabili Differenziabilità per funzioni di due variabili CCS Ingegneria Meccanica e Ingegneria Chimica 1 / 26 Differenziabilitá Data la funzione
DettagliAlgoritmo di stima minimi quadrati ricorsivi per sistemi con ingressi e uscite vettoriali
Algoritmo di stima minimi quadrati ricorsivi per sistemi con ingressi e uscite vettoriali Lorenzo Magliocchetti Arrigo Marchiori Michele Marino Ottobre 2006 Sommario Lo scopo di questo documento è ricavare
DettagliMetodi ad un passo espliciti
Sono metodi della forma { un+1 = u n + h Φ(t n, u n ; h, f ) n = 0,..., N 1 Esempi: u 0 = y 0 metodi di Taylor metodo di Eulero esplicito metodo di Taylor di ordine 2 Φ(t, u; h, f ) = f (t, u) Φ(t, u;
DettagliApprendimento Automatico
Apprendimento Automatico Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Rappresentazione dei dati con i kernel Abbiamo una serie di oggetti S
DettagliEsame di Calcolo Numerico per Informatica A.A. 2010/11 Proff. S. De Marchi e M. R. Russo 20 giugno 2011
Esame di Calcolo Numerico per Informatica A.A. 2010/11 Proff. S. De Marchi e M. R. Russo 20 giugno 2011 L esame consiste di 4 domande aperte e 10 esercizi a risposta multipla. Per gli esercizi ci sono
DettagliMETODI MATEMATICI PER LA FISICA
METODI MATEMATICI PER LA FISICA PROVA SCRITTA - 3 LUGLIO 08 Si risolvano cortesemente i seguenti problemi, sapendo che verranno valutati: la correttezza del risultato ottenuto e della procedura utilizzata;
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
DettagliIl metodo dei minimi quadrati. Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo:
Il metodo dei minimi quadrati Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo: Dove A e B sono costanti y = A + Bx (ad esempio in un moto uniformemente
DettagliSviluppi di McLaurin
Esempio 1 Data la funzione Sviluppi di McLaurin fx) = e 3x arctan3x) 1 1. determinarne lo sviluppo di McLaurin arrestato all ordine n = 3; 2. stabilire di che natura è il punto x 0 = 0. Soluzione 1. Ricordiamo
DettagliConsideriamo un sistema dinamico tempo-invariante descritto da:
IL PROBLEMA DELLA STABILITA Il problema della stabilità può essere affrontato in vari modi. Quella adottata qui, per la sua riconosciuta generalità ed efficacia, è l impostazione classica dovuta a M. A.
DettagliEsercitazione su Filtraggio Adattativo (17 Giugno 2008)
Esercitazione su Filtraggio Adattativo 17 Giugno 008) D. Donno Esercizio 1: Stima adattativa in rumore colorato Una sequenza disturbante x n è ottenuta filtrando un processo bianco u n con un filtro FIR
DettagliAnalisi Matematica I per Ingegneria Gestionale, a.a Scritto del sesto appello, 16 luglio 2018 Testi 1
Scritto del sesto appello, 6 luglio 208 Testi Prima parte, gruppo.. Trovare α [0, 2π) per cui vale l identità trigonometrica sin(x π/3) = cos(x + α). 2. Trovare il polinomio di Taylor (in 0) di ordine
DettagliEsperienza 1/3: viscosità. della glicerina. Laboratorio di Fisica 1 A. Baraldi, M. Riccò. Università di Parma. a.a. 2012/2013
Esperienza 1/3: viscosità Università di Parma della glicerina a.a. 2012/2013 Laboratorio di Fisica 1 A. Baraldi, M. Riccò Coefficiente di viscosità La viscosità è quella grandezza fisica che ci permette
DettagliI 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
DettagliElementi di Teoria dei Sistemi. Sistemi dinamici a tempo discreto
Parte 2, 1 Elementi di Teoria dei Sistemi Sistemi dinamici a tempo discreto Introduzione e motivazione Parte 2, 2 Necessità di introdurre una nuova classe di sistemi dinamici: i sistemi dinamici a tempo
DettagliCorso di Calcolo Numerico
Prof. L. Brandolini Corso di Calcolo Numerico Dott.ssa N. Franchina Laboratorio 6 Equazioni differenziali ordinarie: metodi impliciti 3 Novembre 26 Esercizi di implementazione Un equazione differenziale
DettagliINTERPOLAZIONE. Francesca Pelosi. Dipartimento di Matematica, Università di Roma Tor Vergata. CALCOLO NUMERICO e PROGRAMMAZIONE
INTERPOLAZIONE Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ INTERPOLAZIONE p./8 INTERPOLAZIONE Nella
DettagliGeometria iperbolica - Primo foglio Andrea Petracci
Geometria iperbolica - Primo foglio Andrea Petracci Esercizio 1. Teorema (Hopf-Rinow). Se M è una varietà riemanniana connessa, allora le seguenti affermazioni sono equivalenti: (1) M è completa con la
DettagliLEZIONE 12. v = α 1 v α n v n =
LEZIONE 12 12.1. Combinazioni lineari. Definizione 12.1.1. Sia V uno spazio vettoriale su k = R, C e v 1,..., v n V vettori fissati. Un vettore v V si dice combinazione lineare di v 1,..., v n se esistono
DettagliRichiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche
Richiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche Ludovico Biagi Politecnico di Milano, DIIAR ludovico.biagi@polimi.it (materiale didattico preparato in
Dettagli