Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
|
|
- Silvio Giovannini
- 5 anni fa
- Visualizzazioni
Transcript
1 Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza di Variabili Aleatorie Sistema di Variabili Aleatorie Vettore Aleatorio Spesso si usa il simbolismo vettoriale per una sequenza (sistema) di variabili aleatorie. 1
2 Teoria dei Fenomeni Aleatori AA 01/13 Vettori Aleatori colonna e riga X X. 1. =.. X N T [ ] X = X X 1 N
3 Teoria dei Fenomeni Aleatori AA 01/13 Funzioni di Distribuzione e Densità N-dimensionali Date N variabili aleatorie X,X,...,X 1 N la Distribuzione Congiunta di esse è data da: (,,..., ) F x x x 1 N = {,,..., } = P X x X x X x 1 1 N N 3
4 Teoria dei Fenomeni Aleatori AA 01/13 Distribuzione e Densità Congiunta Tale funzione, definita per ogni x i tra e + è monotona non decrescente con x i ed inoltre: F ( +,..., + ) = 1 La derivata della distribuzione rispetto ai suoi argomenti: (,..., ) f x x 1 N N (,..., x ) F x = x x... x 1 N 1 N è la Densità Congiunta delle variabili aleatorie X i. 4
5 Teoria dei Fenomeni Aleatori AA 01/13 Funzioni di Distribuzione e Densità N-dimensionali {(,..., ) } P X X D = 1 N D (,..., ) = f x x dx dx 1 N 1 N Saturando rispetto ad alcune variabili l integrale (ponendo pari ad + i corrispondenti termini della funzione di distribuzione) si ottiene la densità (distribuzione) congiunta delle rimanenti variabili. 5
6 Teoria dei Fenomeni Aleatori AA 01/13 Esempio: N = 4 = ( + + ) F x, x F x,,x, f x, x = = f x,x, x, x dx dx
7 Teoria dei Fenomeni Aleatori AA 01/13 Le variabili aleatorie Variabili Aleatorie Indipendenti indipendenti se gli eventi { X x } ogni i. Allora: X i sono dette (mutuamente) i sono indipendenti per i pertanto (,..., ) =... F x x F x F x 1 N 1 N (,..., ) =... f x x f x f x 1 N 1 N 7
8 Teoria dei Fenomeni Aleatori AA 01/13 Variabili Aleatorie Indipendenti Ogni sottoinsieme di un insieme di variabili aleatorie indipendenti è, a sua volta, un insieme di variabili indipendenti. Se N variabili aleatorie sono indipendenti a coppie, non è detto che esse siano (mutuamente) indipendenti. 8
9 Teoria dei Fenomeni Aleatori AA 01/13 Trasformazione di Variabili Aleatorie Date X 1,X,...,X N v.a. con densità congiunta le funzioni: f X x 1,x,...,x N Y = g X, X,..., X N Y = g X, X,..., X 1 N Y = g X, X,..., X N N 1 N 9
10 Teoria dei Fenomeni Aleatori AA 01/13 Trasformazione di Variabili Aleatorie (segue) definiscono le N variabili aleatorie Y,Y,...,Y 1 N la cui densità congiunta si determina risolvendo: g 1 x1, x,..., xn = y1 g (,,..., ) x1 x xn = y g (,,..., ) N x1 x xn = y N 10
11 Teoria dei Fenomeni Aleatori AA 01/13 Trasformazione di Variabili Aleatorie (segue) Se tale sistema non ha soluzione per alcuni valori di y i, allora per tali valori: f y,..., y = 0 Y 1 N x,..., x, Se il sistema ammette un'unica soluzione 1 N allora: f y,..., y Y 1 N = f x,..., x X 1 N J x,..., x 1 N 11
12 Teoria dei Fenomeni Aleatori AA 01/13 dove: J x 1 g1 g1... x1 x N,..., xn = gn g N... x1 xn è lo Jacobiano della trasformazione e J ( ) indica il valore assoluto del determinate di J( x ) 1,..., x N. 1
13 Teoria dei Fenomeni Aleatori AA 01/13 Trasformazione di Variabili Aleatorie (segue) Se le soluzioni del sistema sono più di una, si f y,..., y i termini sommano nella espressione Y 1 N corrispondenti, in maniera del tutto analoga ai casi monodimensionali e bidimensionali. 13
14 Teoria dei Fenomeni Aleatori AA 01/13 La Matrice di Covarianza La covarianza delle variabili aleatorie X i e X j è: con μ = E X η X η = E X X ηη ij i i j j i j i j [ ] η= i E X i η j = E X j 14
15 Teoria dei Fenomeni Aleatori AA 01/13 La Matrice di Covarianza Nel caso di N variabili aleatorie appartenenti a N R, si considerano le N coppie del tipo X,X e si valutano i j le relative covarianze (matrice N N): M X μ11 μ1... μ1n μ1 μ... μ N = N1 N... μ μ μnn 15
16 Teoria dei Fenomeni Aleatori AA 01/13 La Matrice di Covarianza Utilizzando il formalismo dei vettori colonna: X T = con il vettore dei valori attesi [ X, X,...,X ] 1 N T X 1 N [,,..., ] η = η η η M = E X η X η = E X X η η T T T X X X La matrice di covarianza è simmetrica: T X M = M X 16
17 Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana e Retta di Regressione Vettore Gaussiano bidimensionale (N = ): X X, 1 = X η 1 η= η con σ 1 e σ varianze di X 1 e X, che sono correlate secondo un coefficiente di correlazione pari a ρ. Matrice di covarianza vale: M X T σ1 ρσ1σ = E X η X η = ρσ1σ σ 17
18 Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana e Retta di Regressione da cui risulta: -1 M X ( M ) X = σσ 1 ρ det 1 1 σ ρσ1σ = ρ σ σ ρσ1σ σ1 ( 1 ) 1 Applicando la definizione di multivariata reale per N = si ottiene la densità congiunta o Bivariata Gaussiana: 1 1 T f ( x ) = exp x x X det η X η M -1 M π X 18
19 Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana e Retta di Regressione 1 1 x η x η x η ( x η) fx ( x 1,x) = exp ρ + πσ 1 1σ 1 ρ ( ρ ) σ1 σσ 1 σ La densità marginale è data da: 1 x 1 η 1 fx x 1 1 = exp σ1 π σ1. f ( x,x ) 1 1 f X X x 1 x1 = = exp q X 1 f X x 1 1 σ 1 ρ π 19
20 Teoria dei Fenomeni Aleatori AA 01/13 con ( x ) 1 η1 x1 η1 x η x η x1 η1 ( ) 1 q= ρ + 1 ρ = 1 ρ 1 σσ σ 1 σ σ1 1 x1 η1 x1 η1 x η x η = ρ ρ + 1 ρ σ1 σσ 1 σ Ovvero: q 1 x1 η1 x η ρ σ1 σ = 1 σ 1 ( x ) η ρ x 1 η 1 1 ρ σ1 σ = ρ f x x = exp ( x η ) ρ ( x η ) 1 1 σ1 ( ρ ) X X 1 1 σ 1 σ 1 ρ π σ 0
21 Teoria dei Fenomeni Aleatori AA 01/13 ovvero una densità gaussiana con valor medio: e varianza: η = η σ + η ρ x1 σ1 ( ) ( ρ ) 1 σ =σ che diventa nulla per ρ = 1. Pertanto la curva di regressione: σ E X x = φ x =η +ρ x η σ 1 coincide con la retta di regressione. 1 1
22 Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana: η =η = 0, σ =σ =, r = 0 X Y X Y
23 Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana: η =η = 0, σ = 4, σ = 1, r = 0 X Y X Y 3
24 Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana: η =η = 0, σ =, σ =, r = 0.7 X Y X Y 4
25 Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana: η =η = 0, σ = 4, σ = 1, r = 0.7 X Y X Y 5
26 Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana: η =η = 0, σ =, σ =, r = 0.99 X Y X Y 6
27 Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana: η =η = 0, σ = 4, σ = 1, r = 0.99 X Y X Y 7
28 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza Dato il vettore bidimensionale: ~0,1 ~0,1 0, 0 1, à Si vuole determinare la matrice tale che il vettore: abbia matrice di covarianza assegnata: 1 1 8
29 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza Calcolo degli autovalori di : 1 Calcolo degli autovettori di :
30 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza Calcolo degli autovettori di : Autovettore associato a 1:
31 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza Autovettore associato a 1:
32 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza Matrice degli autovettori e degli autovalori: /
33 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza, 1 / 1 / 1 1 / 1 33
34 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Bivariata Gaussiana Rappresentazione mediante Matrice di Covarianza
35 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale v.a. Gaussiane indipendenti varianza : La densità congiunta vale:, con media e ( y η ) f y exp π σ σ σ N 1 1 i i Y = N/ 1... σ N i= 1 i (1) e può essere scritta come l'esponenziale di una forma quadratica: 35
36 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale 1 T 1 f Y y = exp y η Λ y η c () dove η è il vettore dei valori medi e ( ) 1 N Λ = diag σ, σ,..., σ è la matrice di covarianza (diagonale). La costante c è così definita: N exp c = π σ1 σn... σ N = π det 1 N Come trasformare Y per avere X con assegnata Λ M X? (3) 36
37 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale Supponendo i valori attesi di Y nulli, si consideri la seguente trasformazione: X = U Y (4) -1 T con U matrice invertibile e ortogonale, cioè U = U, -1 *T H (nel campo complesso U = U = U ). 1 f X x = fy y det J y= U dove J è lo Jacobiano della trasformazione T x y = g x. 37
38 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale Nel caso in esame, essendo U ortogonale, si ha: J = U T e ( J ) det = 1 Pertanto utilizzando il teorema fondamentale con J = U T si ha, dalle () e (4): 1 T f X x exp T x -1 T = x c U Λ U = 1 T = exp x -1 T U Λ U x c 38
39 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale -1-1 T Possiamo indicare con A il prodotto UΛ U ; si dimostra di seguito che A =M X. Si ricorda che se A ha autovalori distinti, come qui supponiamo, allora vale la decomposizione spettrale: A =U Λ U dove U è la matrice unitaria le cui colonne sono gli autovettori di A e Λ la matrice diagonale degli autovalori di A. T 39
40 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale Usando la regola ( A B) = B A e ricordando che -1 T U = U, si ha che l inversa di A ha decomposizione: -1-1 T A =UΛ U -1-1 pertanto se è vero che A =M X ne consegue che: M =UΛ U X T 40
41 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale Si determini ora la matrice di covarianza di X: T T T MX = E X X = E UY Y U ricordando che T M = E YY Y = Λ { T } M = U E YY U = UΛU X T T (5) 41
42 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale Inoltre si ha: Λ in quanto U è unitaria. L'espressione della multivariata reale gaussiana diviene: 1 1 T -1 f ( x ) = exp x x X N 1 M X ( π) ( det M ) La matrice Λ corrisponde alla matrice diagonale degli autovalori di M X, mentre la matrice U è la matrice ortogonale le cui colonne sono gli autovettori di M X. X 4
43 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Multivariata Gaussiana Reale La trasformazione inversa della (4): Y = U T X rende la matrice di covarianza M X in forma diagonale (ovvero trasforma X in un vettore Y di variabili indipendenti). 43
44 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Densità e distribuzioni condizionate La densità condizionata delle variabili aleatorie X n,..., X k+1 assumendo X k = x k,, X 1 = x 1, è pari a: f x,..., x f ( x ) n,...,xk+ 1 x k,...,x 1 = f x,..., x 1 n 1 k f x,..., x = f x x,..., x f x,..., x 1 n n n 1 1 n 1 1 f x,..., x = f x x,..., x... f x x, x f x x f x 1 n n n
45 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Densità e distribuzioni condizionate Per rimuovere variabili situate sulla sinistra o sulla destra della linea di condizionamento esiste la regola seguente. Ad esempio (, ) f x x x 3 1 integrando rispetto a x si ottiene: = f x, x, x 1 3 f x 1 = 1 f ( x, ) (, ) (,, ) 1 x3 f x3 x x1 dx = f x1 x x3 dx = = f x f x f x x
46 Corso di Teoria dei Fenomeni Aleatori AA 01/13 Densità e distribuzioni condizionate Per rimuovere le variabili a destra della linea di condizionamento, ad esempio supponiamo di voler eliminare x e x 3 da (,, ) (, ) = (,, ) f x x x x f x x x f x x x x Integrando ambo i membri rispetto a x e x 3, si ottiene: (,, ) (, ) = f x x x x f x x x dx dx f x x si moltiplica per la densità condizionata di tali variabili, assumendo fisse le rimanenti variabili, e poi si integra. 46
Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliDistribuzione normale multidimensionale
Capitolo 2 Distribuzione normale multidimensionale La funzione di densità normale undimensionale ha la forma seguente Anderson, 1984 fx ce 1 2 Ax b2 ce 1 2 x bax b La costante di normalizzazione c è data
DettagliComputazione per l interazione naturale: fondamenti probabilistici (2)
Computazione per l interazione naturale: fondamenti probabilistici (2) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@di.unimi.it
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata
Il Concetto di Distribuzione Condizionata Se B è un evento, la probabilità di un evento A condizionata a B vale: ponendo: P A B P A B P B A x si giunge al concetto di distribuzione condizionata della v.a.
DettagliAnalisi Statistica Multivariata Modulo Modelli Statistici
Analisi Statistica Multivariata Modulo Modelli Statistici Gianna Monti 8 novembre 013 1 Approfondimenti 1 1.1 Esercizi Esercizio 1 Galton e il suo allievo Karl Pearson condussero alcuni studi in merito
DettagliEsercizi su leggi Gaussiane
Esercizi su leggi Gaussiane. Siano X e Y v.a. indipendenti e con distribuzione normale standard. Trovare le densità di X, X +Y e X, X. Mostrare che queste due variabili aleatorie bidimensionali hanno le
Dettaglicon distribuzione gaussiana standard e si ponga
Laurea Triennale in Matematica, Università La Sapienza Corso di Probabilità, AA 6/7 Prova di Esonero Maggio 7 Testi e soluzioni degli esercizi proposti Siano Z, Z, Z variabili aleatorie indipendenti e
DettagliRichiami di algebra delle matrici a valori reali
Richiami di algebra delle matrici a valori reali Vettore v n = v 1 v 2. v n Vettore trasposto v n = (v 1, v 2,..., v n ) v n = (v 1, v 2,..., v n ) A. Pollice - Statistica Multivariata Vettore nullo o
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
DettagliScheda n. 7: primi elementi sui legami tra più variabili
Scheda n. 7: primi elementi sui legami tra più variabili October 27, 2008 Matrice di covarianza e di correlazione Supponiamo di esaminare n variabili X,..., X n, ad esempio X = reddito medio, X 2 = tasso
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
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
DettagliVariabili casuali multidimensionali
Capitolo 1 Variabili casuali multidimensionali Definizione 1.1 Le variabili casuali multidimensionali sono k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità.
DettagliPolitecnico di Milano Ingegneria Industriale Analisi e Geometria 2 Secondo Appello 7 Settembre 2016
Politecnico di Milano Ingegneria Industriale Analisi e Geometria Secondo Appello 7 Settembre 6 Cognome: Nome: Matricola: Es.: punti Es.: 7 punti Es.3: 7 punti Es.4: 7 punti Totale. Sia f : R 3 R 3 l applicazione
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
DettagliAnalisi della correlazione canonica
Analisi della correlazione canonica Su un collettivo di unità statistiche si osservano due gruppi di k ed m variabili L analisi della correlazione canonica ha per obiettivo lo studio delle relazioni di
DettagliScomposizione ai valori singolari.
Scomposizione ai valori singolari. Sia A R m n una matrice, non necessariamente quadrata. Si potrebbe considerare anche una matrice complessa ottenendo risultati analoghi. Abbiamo: Osservazione AA T R
DettagliCorso di Geometria Ing. Informatica e Automatica Test 1: soluzioni
Corso di Geometria Ing. Informatica e Automatica Test : soluzioni k Esercizio Data la matrice A = k dipendente dal parametro k, si consideri il k sistema lineare omogeneo AX =, con X = x x. Determinare
DettagliCorso di Geometria Meccanica, Elettrotecnica Esercizi 11: soluzioni
Corso di Geometria 0- Meccanica Elettrotecnica Esercizi : soluzioni Esercizio Scrivere la matrice canonica di ciascuna delle seguenti trasformazioni lineari del piano: a) Rotazione di angolo π b) Rotazione
Dettagli3. Vettori, Spazi Vettoriali e Matrici
3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e
DettagliRichiami di Algebra Lineare
Richiami di Algebra Lineare Eduardo Rossi Università degli Studi di Pavia Corso di Econometria Marzo 2012 Rossi Algebra Lineare 2012 1 / 59 Vettori Prodotto interno a : (n 1) b : (n 1) a b = a 1 b 1 +
Dettagli3. Vettori, Spazi Vettoriali e Matrici
3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliVettore (o matrice) casuale (o aleatorio): vettore (o matrice) i cui elementi sono variabili aleatorie
Variabili (vettori e matrici) casuali Variabile casuale (o aleatoria): Variabile che può assumere un insieme di valori ognuno con una certa probabilità La variabile aleatoria rappresenta la popolazione
DettagliFONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA CHIMICA E DEI MATERIALI 27 GIUGNO 2016
FONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA CHIMICA E DEI MATERIALI 7 GIUGNO 06 MATTEO LONGO Ogni versione del compito contiene solo due tra i quattro esercizi 6-7-8-9. Esercizio. Considerare
DettagliDistribuzioni di due variabili aleatorie
Statistica e analisi dei dati Data: 6 Maggio 206 Distribuzioni di due variabili aleatorie Docente: Prof. Giuseppe Boccignone Scriba: Noemi Tentori Distribuzioni congiunte e marginali Consideriamo due variabili
DettagliPunti di massimo o di minimo per funzioni di n variabili reali
Punti di massimo o di minimo per funzioni di n variabili reali Dati f : A R n R ed X 0 A, X 0 si dice : punto di minimo assoluto se X A, f ( x ) f ( X 0 ) punto di massimo assoluto se X A, f ( x ) f (
Dettagli3. Elementi di Algebra Lineare.
CALCOLO NUMERICO Francesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari 3. Elementi di Algebra Lineare. 1 Sistemi lineari Sia A IR m n, x IR n di n Ax = b è un vettore di m componenti.
DettagliAnalisi multivariata per osservazioni appaiate. Analisi multivariata per osservazioni appaiate
Introduzione Notazione Modello additivo Verifica d ipotesi Sia X una variabile q-dimensionale, a valori reali, non degenere, osservata in k tempi diversi (τ 1, τ 2,..., τ k ), sulle stesse n unità statistiche
DettagliPolitecnico di Milano Ingegneria Industriale Analisi e Geometria 2 Secondo compito in itinere 30 Giugno 2016
Politecnico di Milano Ingegneria Industriale Analisi e Geometria Secondo compito in itinere Giugno 6 Cognome: Nome: Matricola: Es.: 9 punti Es.: 9 punti Es.: 6 punti Es.4: 9 punti Totale. Si consideri
DettagliAnalisi delle corrispondenze
Analisi delle corrispondenze Obiettivo: analisi delle relazioni tra le modalità di due (o più) caratteri qualitativi Individuazione della struttura dell associazione interna a una tabella di contingenza
DettagliLezione 2: Descrizione dei Da0. h2p://
Lezione 2: Descrizione dei Da0 h2p://www.mi.infn.it/~palombo/dida=ca/analisista0s0ca/lezioni/lezione2.pdf Funzione Densità di Probabilità q La variabile casuale assume valori diversi con diverse probabilità.
DettagliCoppie di variabili aleatorie
Coppie di variabili aleatorie 1 Coppie di variabili aleatorie Definizione: Si definisce vettore aleatorio la coppia (,) dove,, sono definite sullo stesso spazio campione : S R, : S R (, ) : S R Esempio:
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
DettagliRichiami di Algebra Lineare
Università di Pavia Richiami di Algebra Lineare Eduardo Rossi Vettori a : (n 1) b : (n 1) Prodotto interno a b = a 1 b 1 + a 2 b 2 +... + a n b n Modulo (lunghezza): a = a 2 1 +... + a2 n Vettori ortogonali:
DettagliINTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE
INTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE Esperimento: lancio di due dadi Frequenze Assolute osservate delle coppie di valori su 100000 Prove Dad1/Dado 2 1 2 3 4 5 6 1 2813 2760 2725 2814 2859 2829
DettagliElementi di Algebra Lineare
Elementi di Algebra Lineare Corso di Calcolo Numerico, a.a. 2009/2010 Francesca Mazzia Dipartimento di Matematica Università di Bari 13 Marzo 2006 Francesca Mazzia (Univ. Bari) Elementi di Algebra Lineare
DettagliVariabile aleatoria vettoriale
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Variabile aleatoria vettoriale Sommario della lezione 4 Esperimenti combinati VA vettoriali La Gaussiana multidimensionale Medie e
DettagliCorso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010.
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010 Statistica Esercitazione 4 12 maggio 2010 Dipendenza in media. Covarianza e
DettagliEs. 1 Es. 2 Es. 3 Es. 4 Totale. Analisi e Geometria 2 Docente: 12 settembre 2013
Es. 1 Es. 2 Es. 3 Es. 4 Totale Analisi e Geometria 2 Docente: 12 settembre 213 Cognome: Nome: Matricola: Ogni risposta dev essere giustificata. Gli esercizi vanno svolti su questi fogli, nello spazio sotto
Dettagli4 Autovettori e autovalori
4 Autovettori e autovalori 41 Cambiamenti di base Sia V uno spazio vettoriale tale che dim V n Si è visto in sezione 12 che uno spazio vettoriale ammette basi distinte, ma tutte con la medesima cardinalità
DettagliLa notazione usata è quella usuale nel caso scalare, ed è estesa al caso generale. Consideriamo una forma quadratica:
. SU ALCUNI OPERAORI DI DERIVAZIONE Alcune operazioni tipiche dell analisi matematica hanno un diretto riscontro in termini matriciali. Consideriamo ad esempio una forma lineare: f() l l + l +..l n n ;
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
DettagliAnalisi delle corrispondenze
Capitolo 11 Analisi delle corrispondenze L obiettivo dell analisi delle corrispondenze, i cui primi sviluppi risalgono alla metà degli anni 60 in Francia ad opera di JP Benzécri e la sua equipe, è quello
DettagliEndomorfismi simmetrici
Endomorfismi simmetrici Endomorfismo simmetrico: Dato uno spazio vettoriale metrico V e un endomorfismo T appartenente a V. L endomorfismo si definisce simmetrico se e solo se (T(v),v2)=(v,T(v2)) per ogni
DettagliAnalisi Matematica 2. Continuità, derivabilità e differenziabilità
Docente: E. G. Casini Università degli Studi dell Insubria DIPATIMENTO DI SCIENZA E ALTA TECNOLOGIA Corso di Studio in Matematica e Fisica Analisi Matematica ichiami di Teoria ed Esercizi con Svolgimento
DettagliUniversita degli Studi di Roma Tor Vergata Facolta di Ingegneria Edile ed Edile/Architettura. Geometria Proiettiva Docente F.
Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria Edile ed Edile/Architettura Geometria Proiettiva Docente F. Flamini CONICHE PROIETTIVE: Classificazione e forme canoniche proiettive Si
Dettagli24 giugno Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...
4 giugno 010 - Soluzione esame di geometria - 1 crediti Ingegneria gestionale - a.a. 009-010 COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore.
DettagliC.d.L. in Matematica - vecchio ordinamento
ESAME DI PROFITTO DI GEOMETRIA 2 - gennaio 2007 CdL in Matematica - vecchio ordinamento 1 Siano V uno spazio vettoriale reale di dimensione 4, U un suo sottospazio di dimensione 2, ϕ un endomorfismo di
DettagliAnalisi delle componenti principali
Analisi delle componenti principali Serve a rappresentare un fenomeno k-dimensionale tramite un numero inferiore o uguale a k di variabili incorrelate, ottenute trasformando le variabili osservate Consiste
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
DettagliProbablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Franco Flandoli, Università di Pisa Programma del corso vettori gaussiani, PCA ed fpca altri metodi di analisi e previsione di serie storiche catene di Markov
DettagliApprossimazione numerica
Approssimazione numerica Laboratorio di programmazione e calcolo (Chimica e Tecnologie chimiche) Pierluigi Amodio Dipartimento di Matematica Università di Bari Approssimazione numerica p.1/10 Problema
DettagliCONTROLLI AUTOMATICI LS Ingegneria Informatica. Analisi modale
CONTROLLI AUTOMATICI LS Ingegneria Informatica Analisi modale Prof. Claudio Melchiorri DEIS-Università di Bologna Tel. 5 9334 e-mail: claudio.melchiorri@unibo.it http://www-lar.deis.unibo.it/~cmelchiorri
DettagliSapienza Università di Roma Corso di laurea in Ingegneria Energetica Geometria A.A ESERCIZI DA CONSEGNARE prof.
Sapienza Università di Roma Corso di laurea in Ingegneria Energetica Geometria A.A. 2015-2016 ESERCIZI DA CONSEGNARE prof. Cigliola Consegna per Martedì 6 Ottobre Esercizio 1. Una matrice quadrata A si
DettagliIDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 01 - Variabili aleatorie. Calcolo di densità di probabilità. Operatore di media
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 01 - Variabili aleatorie Motivazioni Densità di probabilità Operatore di media Densità di probabilità congiunta Densità di probabilità condizionata
DettagliAnalisi Multivariata Prova intermedia del 20 aprile 2011
Analisi Multivariata Prova intermedia del 20 aprile 20 Esercizio A Sia X N 3 (µ, Σ) con µ = [ 3,, 4] e 2 0 Σ = 2 5 0 0 0 2 Quali delle seguenti variabili casuali è indipendente? Motivare la risposta. A.
DettagliPROBLEMI DI FISICA MODERNA E MECCANICA QUANTISTICA. FISICA MODERNA anno accademico
PROBLEMI DI FISICA MODERNA E MECCANICA QUANTISTICA FISICA MODERNA anno accademico 007-008 () Sia dato un sistema che può trovarsi in tre stati esclusivi,, 3, e si supponga che esso si trovi nello stato
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Modello Lognormale La funzione di densità di probabilità lognormale è data:
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ( ln x a) 1 f ( x ) = exp x > 0 X b x b π in cui a e b sono due costanti, con b> 0. Se X è una v.a. lognormale allora Y lnx
DettagliEsercitazioni di Statistica Matematica A Lezione 7. Variabili aleatorie continue
Esercitazioni di Statistica Matematica A Lezione 7 Variabili aleatorie continue.) Determinare la costante k R tale per cui le seguenti funzioni siano funzioni di densità. Determinare poi la media e la
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 17-18, I semestre Settembre 18 Scritto del - 9-18 Cognome Nome Matricola Esercizio 1. Un urna contiene
DettagliUniversità di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi
Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove
DettagliErrata corrige. p. 10 riga 5 del secondo paragrafo: misurare
Errata corrige p. 9 esercizio 5. Modificare testo dell esercizio come segue: Dati una retta r e un punto P, esistono infiniti piani per P paralleli a r: si tratta dei piani che contengono la retta s per
DettagliLE VARIABILI CASUALI A 1, A 2.,..., A k., p 2.,..., p k. generati da una specifica prova sono necessari ed incompatibili:
LE VARIABILI CASUALI Introduzione Data prova, ad essa risultano associati i k eventi A, A,..., A k con le relative probabilità p, p,..., p k. I k eventi A i generati da una specifica prova sono necessari
Dettagli11 settembre Soluzione esame di geometria - Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura 3 ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliUniversita degli Studi di Roma Tor Vergata Facolta di Ingegneria: Elettronica. Corso di Geometria ed Algebra Docente F. Flamini
Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria: Elettronica Corso di Geometria ed Algebra Docente F. Flamini Capitolo IV - 3: Teorema Spettrale degli operatori autoaggiunti e Teorema
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
DettagliVETTORI DI VARIABILI ALEATORIE
VETTOI DI VAIABILI ALEATOIE E. DI NADO 1. Funzioni di ripartizione congiunte e marginali Definizione 1.1. Siano X 1, X 2,..., X n v.a. definite su uno stesso spazio di probabilità (Ω, F, P ). La n-pla
DettagliAnalisi Multivariata Corso di laurea in Statistica
Analisi Multivariata Corso di laurea in Statistica Carla Rampichini 1 Distribuzione Normale multivariata L utilizzo di computer sempre più potenti consente oggi di considerare distribuzioni campionare
DettagliProva scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 2015/ Settembre 2016
Prova scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 205/206 20 Settembre 206 Esercizio. Un dado equilibrato viene lanciato ripetutamente. Indichiamo con X n il risultato dell n-esimo
DettagliATTENZIONE: : giustificate le vostre argomentazioni! Geometria Canale 3. Lettere J-PE (Prof P. Piazza) Esame scritto del 12/02/2014. Compito A.
Geometria Canale. Lettere J-PE (Prof P. Piazza) Esame scritto del 12/02/2014. Compito A. Nome e Cognome: Numero di Matricola: Esercizio Punti totali Punteggio 1 7 2 6 6 4 6+1 5 6+2 Totale 1+ ATTENZIONE:
Dettagli11 Piccole oscillazioni attorno a posizioni stabili
11 Piccole oscillazioni attorno a posizioni stabili Consideriamo un sistema con l gradi di libertà descrivibile mediante le coordinate lagrangiane (q 1,..., q l ). Supponiamo che i vincoli siano lisci
DettagliFM210 - Fisica Matematica I
FM21 - Fisica Matematica I Seconda Prova Scritta [16-2-212] Soluzioni Problema 1 1. Chiamiamo A la matrice del sistema e cerchiamo anzitutto gli autovalori della matrice: l equazione secolare è (λ + 2β)λ
DettagliMETODI MATEMATICI PER LA FISICA
METODI MATEMATICI PER LA FISICA PROVA SCRITTA - 3 FEBBRAIO 6 Si risolvano cortesemente i seguenti problemi. PRIMO PROBLEMA (PUNTEGGIO: 6/3) Si calcoli l integrale SOLUZIONE DEL PRIMO PROBLEMA M=. (+ x
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,
Dettagli(VX) (F) Se A e B sono due matrici simmetriche n n allora anche A B è una matrice simmetrica.
5 luglio 010 - PROVA D ESAME - Geometria e Algebra T NOME: MATRICOLA: a=, b=, c= Sostituire ai parametri a, b, c rispettivamente la terzultima, penultima e ultima cifra del proprio numero di matricola
Dettagli(P x) (P y) = x P t (P y) = x (P t P )y = x y.
Matrici ortogonali Se P è una matrice reale n n, allora (P x) y x (P t y) per ogni x,y R n (colonne) Dim (P x) y (P x) t y (x t P t )y x t (P t y) x (P t y), CVD Ulteriori caratterizzazioni delle matrici
DettagliLezione 13 Corso di Statistica. Domenico Cucina
Lezione 13 Corso di Statistica Domenico Cucina Università Roma Tre D. Cucina (domenico.cucina@uniroma3.it) 1 / 20 obiettivi della lezione comprendere il concetto di variabile aleatoria continua familiarizzare
Dettagli8 novembre Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliCalcolo delle probabilità (3/7/2001) (Ing. Elettronica, Informatica, Telecomunicazioni - Latina)
Calcolo delle probabilità (3/7/00). La distribuzione di probabilità di un numero aleatorio X non negativo soddisfa la condizione P (X > x + y X > y) = P (X > x), x > 0, y > 0. Inoltre la previsione di
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2014/2015 www.mat.uniroma2.it/~caramell/did 1415/ps.htm 02/03/2015 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
DettagliEsame di geometria e algebra
Laurea Ing. 26 febbraio 2007 Traccia I COG 1 In R 3 sono assegnati i vettori: u 1 = (2, h, 0), u 2 = (1, 0, h), u 3 = (h, 1, 2). Stabilire se esistono valori reali del parametro h per cui S = {u 1, u 2,
DettagliANALISI MULTIDIMENSIONALE DEI DATI (AMD)
ANALISI MULTIDIMENSIONALE DEI DATI (AMD) L Analisi Multidimensionale dei Dati (AMD) è una famiglia di tecniche il cui obiettivo principale è la visualizzazione, la classificazione e l interpretazione della
DettagliMATRICI E SISTEMI LINEARI
MATRICI E SISTEMI LINEARI - PARTE I - Felice Iavernaro Dipartimento di Matematica Università di Bari 27 Febbraio 2006 Felice Iavernaro (Univ. Bari) Matrici e Sistemi lineari 27/02/2006 1 / 1 Definizione
DettagliCapitolo 3 Matrici. Marco Robutti. Facoltà di ingegneria Università degli studi di Pavia. Anno accademico
Capitolo 3 Matrici Marco Robutti Facoltà di ingegneria Università degli studi di Pavia Anno accademico 2017-2018 Tutorato di geometria e algebra lineare Definizione (Matrice) Una matrice A M R (k, n) è
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
DettagliEsercizi di ripasso: geometria e algebra lineare.
Esercizi di ripasso: geometria e algebra lineare. Esercizio. Sia r la retta passante per i punti A(2,, 3) e B(,, 2) in R 3. a. Scrivere l equazione cartesiana del piano Π passante per A e perpendicolare
DettagliLEZIONE 2.6. corso di statistica. Francesco Lagona Università Roma Tre. LEZIONE 2.6 p. 1/15
LEZIONE 2.6 p. 1/15 LEZIONE 2.6 corso di statistica Francesco Lagona Università Roma Tre LEZIONE 2.6 p. 2/15 variabili aleatorie continue consideriamo la distribuzione del fatturato mensile in una popolazione
DettagliSistemi sovradeterminati
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 lineare di
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
DettagliTeoria dei segnali terza edizione
Capitolo 9 Segnali aleatori a tempo continuo e a tempo discreto SOLUZIONI DEGLI ESERCIZI Soluzione dell esercizio 9.3 Si osservi innanzitutto che, essendo il processo () t Gaussiano, anche il processo
DettagliMATRICI ORTOGONALI. MATRICI SIMMETRICHE E FORME QUADRATICHE
DIAGONALIZZAZIONE 1 MATRICI ORTOGONALI. MATRICI SIMMETRICHE E FORME QUADRATICHE Matrici ortogonali e loro proprietà. Autovalori ed autospazi di matrici simmetriche reali. Diagonalizzazione mediante matrici
Dettagli11 luglio Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliPOTENZE DI MATRICI QUADRATE
POTENZE DI MATRICI QUADRATE In alcune applicazioni pratiche, quali lo studio di sistemi dinamici discreti, può essere necessario calcolare le potenze A k, per k N\{0}, di una matrice quadrata A M n n (R)
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
DettagliGEOMETRIA 1 ottava parte
GEOMETRIA 1 ottava parte Cristina Turrini C. di L. in Fisica - 214/215 Cristina Turrini (C. di L. in Fisica - 214/215) GEOMETRIA 1 1 / 15 index 1 Cristina Turrini (C. di L. in Fisica - 214/215) GEOMETRIA
Dettagli15 luglio Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI
15 luglio 01 - Soluzione esame di geometria - Ing. gestionale - a.a. 01-01 COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono
DettagliRichiami di teoria della probabilità
Richiami di teoria della probabilità Lo spazio fondamentale S F rappresenta l insieme di tutti i risultati ξ i che si escludono mutuamente che si possono ottenere da un esperimento aleatorio. Esempio.
DettagliALGEBRA C. MALVENUTO
ALGEBRA CANALE A-L ESAME SECONDA PARTE SECONDO ESONERO 27 GENNAIO 22 C. MALVENUTO Istruzioni. Completare subito la parte inferiore di questa pagina con il proprio nome, cognome e firma. Scrivere solamente
Dettagli