Processi AR. = σ ρ. Esercizio proposto:
|
|
|
- Violetta Rossa
- 5 anni fa
- Visualizzazioni
Transcript
1 Laboratorio del 5/10/06 Processi AR Esercizio proposto: Processo reale AR(1) con autocorrelazione R ( m) Rappresentazione di una possibile realizzazione, grafico del coefficiente di autocorrelazione e della densità spettrale di potenza al variare di ρ Uso delle istruzioni: randn, filter, plot e stem x = σ ρ x m
2 Laboratorio del 5/10/06 Processi AR Generazione di rumore Gaussiano bianco w=sigmaw*randn(1,n); Generazione sequenziale di dati correlati tramite l istruzione filter a(1)=1; a()=-ro; b(1)=1; x=filter(b,a,w); Generazione di dati correlati tramite le istruzioni toeplitz e chol M=toeplitz(r); L=(chol(M)). ; x=lw;
3 Laboratorio del 5/10/06 Processi AR Realizzazione Processo passa-alto
4 Laboratorio del 5/10/06 Processi AR Coefficiente di correlazione Processo passa-alto
5 Laboratorio del 5/10/06 Processi AR PSD S x j π f ( e ) = σ W 1 1 ρexp ( j π f ) σ = + ρ ρ π W 1 cos ( f ) Processo passa-alto
6 Laboratorio del 1/10/06 Processi AR Esercizio proposto: Sia dato un processo reale AR() che soddisfa all equazione alle differenze xn ( ) = a xn ( 1) + a xn ( ) + wn ( ),1, Detti p = p i poli del sistema, calcolare la relazione tra tali poli ed i 1 coefficienti dell eq. alle differenze. Verificare tale relazione tramite l istruzione matlab poly per p1 = 0.98 e j 3π 4 continua...
7 Laboratorio del 1/10/06 Processi AR Rappresentare una possibile realizzazione del processo al variare del modulo e della fase dei poli, supponendo che w(n) sia rumore Gaussiano bianco con varianza unitaria. Utilizzare l istruzione filter; Calcolare l espressione della densità spettrale di potenza (DSP) del processo, verificarne l esattezza tramite le istruzione matlab poly e polyval; Fare il grafico della DSP al variare del modulo e della fase dei poli. continua...
8 Laboratorio del 1/10/06 Processi AR Calcolare in forma chiusa l espressione della correlazione del processo; Verificare il risultato tramite IFFT della DSP del processo; Fare il grafico della funzione di autocorrelazione al variare del modulo e della fase dei poli.
9 Laboratorio del 1/10/06 Processi AR Funzione di correlazione R m a R m a R m m m x( ) =,1 x( 1) +, x( ) + σδ w ( ) 0 R ( m) = c p + c p x m m 1 1 Rx(0) = σ x = c + c Rx (1) = c1p1+ cp 1 R (0) a R (1) a R () =σ a,1rx(0) + (1 a,) Rx(1) = 0 a,rx(0) + a,1rx(1) Rx() = 0 x,1 x, x w
10 Laboratorio del 1/10/06 Processi AR Realizzazione 15 realizzazione del processo AR() 10 Processo passa-banda 5 ampiezza 0 p1 = 0.98 e j 3π # samples
11 Laboratorio del 1/10/06 Processi AR PSD processo AR() Processo passa-banda DSP 600 p1 = 0.98 e j 3π normalized frequency
12 Laboratorio del 1/10/06 Processi AR Funzione di correlazione Processo passa-banda correlazione processo AR()- IFFT formula teorica p1 = 0.98 e j 3π 4 correlazione m
13 Laboratorio del 1/10/06 Processi AR 3 realizzazione del processo AR() 1 Realizzazione p1 = 0.58 e π j 4 ampiezza # samples
14 Laboratorio del 1/10/06 Processi AR 5 processo AR() PSD p1 = 0.58 e π j 4 DSP normalized frequency
15 Laboratorio del 1/10/06 Processi AR processo AR()- IFFT Funzione di correlazione correlazione p1 = 0.58 e π j 4 correlazione formula teorica m
16 Laboratorio del 19/10/06 Stima ML Esercizio proposto: Stima ML del valor medio di un processo Gaussiano a valor medio µ a varianza nota Calcolo dell RMSE al variare del numero di campioni N, istogramma della ddp della stima Uso dell istruzione: hist
17 Laboratorio del 19/10/06 Stima ML N=8 N=104
18 Laboratorio del 19/10/06 Stima ML Esercizio proposto: Stima congiunta del valor medio e della varianza di un processo Gaussiano a valor medio µ e varianza unitaria Calcolo della polarizzazione e dell RMSE al variare del numero di campioni N
19 Laboratorio del 19/10/06 Stima ML N 1 1 ˆ µ = xn ( ) N n= 0 RMSE dello stimatore ML del valor medio
20 Laboratorio del 19/10/06 Stima ML N 1 1 ˆ µ = xn ( ) N n= 0 Polarizzazione dello stimatore ML del valor medio
21 Laboratorio del 19/10/06 Stima ML N 1 1 ˆ σ ML = µ N n= 0 ( xn ( ) ˆ ) ML RMSE dello stimatore ML della varianza
22 Laboratorio del 19/10/06 Stima ML N 1 1 ˆ σ ML = µ N n= 0 ( xn ( ) ˆ ) ML Polarizzazione dello stimatore ML della varianza
23 Laboratorio del 6/10/06 Stima ML Esercizio proposto: Il segnale osservato è X( n) = B+ V( n) dove B è un parametro deterministico incognito e V(n) è un processo Gaussiano AR(1) con coefficiente di correlazione ad un passo ρ. Si calcoli tramite simulazione Monte Carlo la varianza dello stimatore ML di B che utilizza i soli campioni X(0) e X(1) al variare del valore di ρ da a 0.95 a parità di rapporto segnale rumore SNR = B σ v. Per generare i campioni del processo a partire da rumore bianco si utilizzi la decomposizione di Cholensky della matrice di correlazione. Si commentino i risultati ottenuti
24 Laboratorio del 6/10/06 Stima ML La funzione di verosimiglianza può essere scritta come 1 L( x; B) = exp 1 π M T 1 ( x B1) M ( x B1) dove x x(0) = x(1) 1 1 = 1 ρ 1 e M = σ v ρ 1 Risolvendo l equazione ln L( x; B) B si ottiene Bˆ ML x(0) + x(1) = = 0
25 Laboratorio del 6/10/06 Stima ML Bˆ ML = x(0) + x(1) 10 0 Radice dell errore quadratico medio RMSE var { Bˆ ML } σ = ( + ρ ) v ro
26 Laboratorio del 6/10/06 Stima ML Bˆ ML = x(0) + x(1) Polarizzazione bias 0 E{ BˆML } = B ro
27 Laboratorio del 1/11/06 ML vs MAP x ( n) = A + w( n) wn N σ ( ) (0, ) 1) A deterministico incognito ) A N(0, σ A) Esercizio proposto: SNR = σ A σ SNR = A σ Grafico della ddp di A, della ddp di X A e del loro prodotto. Commenti Calcolo dell MSE della stima ML e MAP di A al variare del numero di campioni N per SNR=-4 db; Calcolo dell MSE della stima ML e MAP di A al variare del rapporto segnale-rumore SNR per N=4; Grafici di confronto.
28 10 0 ddpa 10 0 ddpa Laboratorio del /11/06 ML vs MAP SNR=-4 db 10-1 ddpxca ddpxa 10-1 ddpxca ddpxa N= N=4
29 10 0 ddpa Laboratorio del /11/06 ML vs MAP SNR=-4 db N= ddpxca ddpxa
30 10 0 ddpa 10 0 ddpa Laboratorio del /11/06 ML vs MAP N= ddpxca ddpxa 10-1 ddpxca ddpxa SNR=-4 db SNR=10 db
31 Laboratorio del /11/06 ML vs MAP SNR=-4 db 10 0 ML MAP N 1 ˆ 1 AML = xn ( ) N n= 0 ˆ σ AMAP = xn ( ) σ N 1 A + σ AN n= 0 MSE N
32 Laboratorio del /11/06 ML vs MAP N= 4 SNR = A σ ML MAP SNR = σ A σ MSE SNR (db)
33 Laboratorio del /11/06 ML vs MAP Conclusioni All aumentare di N lo stimatore MAP tende allo stimatore ML (informazioni a posteriori dominanti) All aumentare di SNR lo stimatore MAP tende allo stimatore ML (informazioni a posteriori dominanti)
34 Laboratorio del 16/11/06 Stima ML Stima ML dei parametri di una cosinusoide immersa in rumore termico x( n) = Acos(πf 0Tc n φ) + w( n) 1 N 1 ˆ jπ ftc n f0ml = arg max x( n) e f N n= 0 N 1 = x n e N ˆ ˆ π 0 ML c ( ) A ML n= 0 j f T n ˆ φ ML = arctg N 1 n= 0 N 1 n= 0 xn ( )sen( π fˆ Tn) 0ML xn ( )cos( π fˆ Tn) 0ML c c
35 Laboratorio del 16/11/06 Stima ML Limiti di Cramér-Rao 1) ( 1) ( ) ( 1) ( ) ( 1 ) ( ) ( 0 + = = = N N N CRLB N N f CRLB N A CRLB η φ η π σ σ η A = dove
36 Laboratorio del 16/11/06 Stima ML Esercizio proposto: implementazione della stima ML calcolo degli RMSE al variare di N confronto con i CRLB istruzioni: fft, angle, max
37 Laboratorio del 16/11/06 Stima ML Stima della frequenza MSE CRLB A=10 σ =1 Frequency MSE N
38 Laboratorio del 16/11/06 Stima ML Stima dell ampiezza 10 MSE CRLB A= σ =1 Amplitude MSE N
39 Laboratorio del 16/11/06 Stima ML Stima della fase 10 0 MSE CRLB A= σ =1 Phase MSE N
40 Laboratorio del 3/11/06 Filtro di Wiener Modello del segnale e dell osservato s( n) = αs( n 1) + w( n) xn ( ) = sn ( ) + vn ( ) wn N σ w ( ) (0, = 1) vn N σ v ( ) (0, ) w(n) rumore di generazione v(n) rumore di osservazione indipendente dal s(n)
41 Laboratorio del 3/11/06 Filtro di Wiener IIR causale: Si può dimostrare che β n hn ( ) = 1 β un ( ) α dove 1 1 β = α(1 + γ) α (1 + γ) 1 se α = α + > α 0 β = α + γ + α + γ (1 ) (1 ) 1 se 1 1 α = α + < α 0 σ 1 α γ = σ s v 1+ α s SNR = σ σ v
42 Laboratorio del 3/11/06 Filtro di Wiener FIR a 3 prese sˆ( n) = h(0) x( n) + h(1) x( n 1) + h() x( n ) E necessario risolvere questo sistema Rh x = r xs
43 Laboratorio del 3/11/06 Filtro di Wiener Esercizio proposto: implementazione del filtro di Wiener IIR causale implementazione del filtro FIR a tre prese confronto tra le risposte impulsive e in frequenza dei due filtri confronto fra le uscite dei due filtri istruzioni: filter, inv
44 Laboratorio del 3/11/06 Filtro di Wiener SNR=10 db α=-0.9
45 Laboratorio del 3/11/06 Filtro di Wiener SNR=10 db α=-0.9
46 Laboratorio del 3/11/06 Filtro di Wiener SNR=10 db α=-0.9
47 Laboratorio del 3/11/06 Filtro di Wiener SNR=10 db α=0.99
48 Laboratorio del 3/11/06 Filtro di Wiener SNR=10 db α=0.99
49 Laboratorio del 3/11/06 Filtro di Wiener SNR=10 db α=0.99
50 Laboratorio del 3/11/06 Filtro di Wiener SNR=0 db α=0.99
51 Laboratorio del 3/11/06 Filtro di Wiener SNR=0 db α=0.99
52 Laboratorio del 3/11/06 Filtro di Wiener SNR=0 db α=0.99
53 Laboratorio del 3/11/06 Filtro di Wiener Conclusioni: β diminuisce all aumentare di SNR Per SNR - (db) β=α, h(n)=0 e sˆ( n ) = 0 cioè pari al suo valor medio All aumentare di SNR β si allontana da α e tende a 0. La banda aumenta e il guadagno del filtro IIR aumenta. Se SNR il polo si sposta nell origine, β=0 e il filtro di Wiener diventa passa-tutto.
54 Laboratorio del 30/11/06 Filtro di Kalman Stima della posizione e della velocità angolare e radiale di un bersaglio radar Equazioni del moto ρ( n+ 1) = ρ( n) + T ρ( n) ρ( n+ 1) ρ( n) = T ρ( n) = u ( n) 1 Accelerazione radiale ρ( n) θ ( n) θ ( n + 1) ρ ( n + 1) θ ( n+ 1) = θ( n) + T θ( n) θ ( n+ 1) θ( n) = T θ( n) = u ( n) Accelerazione angolare
55 Laboratorio del 30/11/06 Filtro di Kalman Esercizio proposto: implementazione del filtro di Kalman vettoriale per la stima di posizione e velocità angolare e radiale di un bersagli radar grafico del segnale vero, osservato e stimato al variare del tempo
56 Laboratorio del 30/11/06 Filtro di Kalman Stimatore: Sˆ( n) = A( n) Sˆ( n 1) + K( n)[ X( n) C( n) A( n) Sˆ( n 1)] Guadagno del filtro: T T K( n) = P1( n) C ( n) ( n) 1( n) ( n) + ( n) C P C R 1 MSE della stima al passo n: P( n) = P( n) K( n) C( n) P( n) 1 1 con: P( n) = A( n) P( n 1) A T ( n) + Q( n 1) 1
57 Laboratorio del 30/11/06 Filtro di Kalman Modello del segnale ρ( n+ 1) 1 T 0 0 ρ( n) 0 ρ( n+ 1) ρ( n) u1( n) = + θ( n + 1) T θ( n) 0 θ( n+ 1) θ( n) u ( n) S( n+ 1) = AS( n) + W( n) Modello dell osservato x ( n) = ρ( n) + v ( n) 1 1 x ( n) = θ ( n) + v ( n) ρ( n) x1( n) ρ( n) v1( n) x( n) = θ ( n) v( n) θ ( n) X( n) = CS( n) + V( n)
58 Laboratorio del 30/11/06 Filtro di Kalman σ1 0 0 T Q( n) = E{ W( n) W ( n) } = σ Matrice di covarianza del rumore di misura T σ 0 ρ R( n) = E{ V( n) V ( n) } = 0 σθ Matrice di covarianza del rumore di osservazione V(n) e W(n) vettori congiuntamente Gaussiani stazionari
59 Laboratorio del 30/11/06 Filtro di Kalman Inizializzazione del filtro 0 0 S (0) = S(1) = W (1) X(0) = V(0) 0 0 σ ρ x1 (1) σ ρ 0 0 T x1(1) x1(0) σρ σ ρ + σ1 0 0 ˆ(1) = T S P(0) = T T x(1) σθ 0 0 σθ x(1) x(0) T T σθ σθ σ T T
60 Laboratorio del 30/11/06 Filtro di Kalman Parametri di lavoro vera stimata osservato σ σ θ ρ 1 = = 500 m T = 1 s σ = 1 m σ = 0.1 distanza radiale (metri) tempo di osservazione
61 Laboratorio del 30/11/06 Filtro di Kalman Parametri di lavoro vera stimata σ σ θ ρ 1 = = 500 m T = 1 s σ = 1 m σ = 0.1 velocità radiale (metri/s) tempo di osservazione
62 Laboratorio del 30/11/06 Filtro di Kalman Parametri di lavoro vera stimata osservato σ σ θ ρ 1 = = 500 m T = 1 s σ = 1 m σ = 0.1 distanza angolare (gradi) tempo di osservazione
63 Laboratorio del 30/11/06 Filtro di Kalman Parametri di lavoro 0 15 vera stimata σ σ θ ρ 1 = = 500 m T = 1 s σ = 1 m σ = 0.1 velocità radiale (gradi/s) tempo di osservazione
64 Laboratorio del 7/1/06 Criterio di decisione MAP Segnalazione on-off P H ) = P( ) H H 1 0 : : x( nt x( nt c c ) ) = nt Arect = w( nt in notazione vettoriale: c ) c T T H H 1 0 ( 0 H1 : : dove: + x x = = w( nt w c ) n = 0,1,, N 1 As + w N = T T c
65 Laboratorio del 7/1/06 Criterio di decisione MAP Esercizio proposto: implementazione del filtro adattato grafico del segnale all ingresso e all uscita del filtro adattato al variare del tempo in presenza di rumore bianco calcolo della probabilità d errore teorica e confronto con quella ottenuta tramite simulazione Monte Carlo in funzione del rapporto segnale-rumore istruzioni: conv, erfc Q ( x) = 0.5* erfc( x )
66 Laboratorio del 7/1/06 Criterio di decisione MAP 4 Segnale osservato N=16 SNR=0 db observed data samples
67 Laboratorio del 7/1/06 Criterio di decisione MAP 1 Filtro adattato N=16 SNR=0 db matched filter output samples
68 Laboratorio del 7/1/06 Criterio di decisione MAP Segnale osservato N=16 SNR=10 db observed data samples
69 Laboratorio del 7/1/06 Criterio di decisione MAP Filtro adattato N=16 SNR=10 db matched filter output samples
70 Laboratorio del 7/1/06 Criterio di decisione MAP Probabilità d errore N=16 N s =10000 error probability sim Q SNR (db)
71 Laboratorio del 7/1/06 Criterio di decisione MAP Probabilità d errore N=8 N s =10000 error probability sim Q SNR (db)
72 Laboratorio del 1/1/06 Stima spettrale Sequenza dei dati utili di lunghezza N dn [ ] rumore Gaussiano bianco a varianza unitaria Esercizio proposto: Calcolo del periodogramma dei dati al variare di N. Considerazioni sulla non consistenza dello stimatore istruzioni: periodogram
73 Laboratorio del 1/1/06 Stima spettrale N=64 N=104
74 Laboratorio del 1/1/06 Stima spettrale Sequenza dei dati utili ( ) yn [ ] = Asin( π fn) + Asin( π f + α N n) + dn [ ] dove dn [ ] rumore Gaussiano bianco a varianza =10-3 f 0 = 0.
75 Laboratorio del 1/1/06 Stima spettrale Esercizio proposto: Risoluzione: si supponga A 1 =A =1 e N=64. Calcolare il periodogramma della sequenza di dati per α=0.1, 0.9 e e commentare l abilità del periodogramma a risolvere le righe spettrali. Leakage: si supponga A 1 =1 e N=64 e si vari il valore di A, per es. A =0.5, 0.1, Calcolare il periodogramma per α=4 e commentare l abilità del periodogramma a risolvere le righe spettrali. In entrambi i casi disegnare il periodogramma in scala semilogaritmica istruzioni: periodogram
76 Laboratorio del 1/1/06 Stima spettrale α=0.1 Risoluzione α=
77 Laboratorio del 1/1/06 Stima spettrale Leakage DSP 10-3 α=4 A 1 =1 A = normalized frequency
Generazione 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
Corso di Laurea in Ingegneria Biomedica Corso di Trasmissione Numerica (6 crediti) Prova scritta 16.02.2006
Prova scritta 16.02.2006 D. 1 Si derivi l espressione dei legami ingresso-uscita, nel dominio del tempo per le funzioni di correlazione nel caso di sistemi LTI e di segnali d ingresso SSL. Si utilizzi
FONDAMENTI DI SEGNALI E TRASMISSIONE 6 Laboratorio
FONDAMENTI DI SEGNALI E TRASMISSIONE 6 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it Quantizzazione Il segnale y(t) non solo è campionato sull asse dei tempi, ma anche i valori di ordinata sono
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici
Corso di Fondamenti di Segnali e Trasmissione - Appello del 07 Settembre 2005
Corso di Fondamenti di Segnali e Trasmissione - Appello del 07 Settembre 2005 Gli esercizi devono essere risolti solo sui fogli dei colori indicati Per esiti e soluzioni si veda il sito web del corso:
Carta di credito standard. Carta di credito business. Esercitazione 12 maggio 2016
Esercitazione 12 maggio 2016 ESERCIZIO 1 Si supponga che in un sondaggio di opinione su un campione di clienti, che utilizzano una carta di credito di tipo standard (Std) o di tipo business (Bsn), si siano
La trasformata Zeta. Marco Marcon
La trasformata Zeta Marco Marcon ENS Trasformata zeta E l estensione nel caso discreto della trasformata di Laplace. Applicata all analisi dei sistemi LTI permette di scrivere in modo diretto la relazione
Fondamenti di Analisi Statistica dei Segnali
Fondamenti di Analisi Statistica dei Segnali Letizia Lo Presti e Fabrizio Sellone Dipartimento di Elettronica Politecnico di Torino Indice 1 Processi casuali a tempo discreto 1 1.1 Definizione...............................
Statistica. Esercitazione 16. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 16 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 24 Studio della relazione tra due variabili Commonly Asked Questions Qual è la relazione tra la spesa
ENS - Prima prova in itinere del 07 Maggio 2010
ENS - Prima prova in itinere del 07 Maggio 0 L allievo é invitato a dare una ragionata e succinta risposta a tutti gli argomenti proposti, per dimostrare il livello di preparazione globale. I calcoli devono
Università di Napoli Parthenope Facoltà di Ingegneria
Università di Napoli Parthenope Facoltà di Ingegneria Corso di rasmissione Numerica docente: Prof. Vito Pascazio 18 a Lezione: 13/1/4 19 a Lezione: 14/1/4 Sommario rasmissione di segnali PM numerici su
Motivazioni e Obiettivi EMC Group @ POLIMI Dip. ELETTROTECNICA
Propagazione del Rumore nei Sistemi di Misura EMI nel Dominio del Tempo D. Bellan and S. A. Pignari POLITECNICO DI MILANO Dipartimento di ELETTROTECNICA EMC Group @ POLIMI Milano, Italy 1 Motivazioni e
PRBS: Pseudo Random Binary Sequences
PRBS: Pseudo Random Binary Sequences Chiara Masiero http://automatica.dei.unipd.it/people/chiara-masiero DEI - UniPD 3 Novembre 2 C. Masiero (DEI - UniPD) PRBS tutorial 3 Novembre 2 / 8 Motivazione Contesto
Stima spettrale CAPITOLO 8
CAPITOLO 8 Stima spettrale 8.1. Introduzione In molte applicazioni è fondamentale poter stimare la densità spettrale di potenza di un processo. Si tratta di realizzare un analizzatore di spettro numerico.
DIGITAL SIGNAL PROCESSING. Prof. Marina Ruggieri. Ing. Tommaso Rossi
Benvenuti al al modulo di: di: ELABORAZIONE NUMERICA DEI SEGNALI 6CFU DIGITAL SIGNAL PROCESSING macroarea: Ingegneria Prof. Marina Ruggieri ruggieri@uniroma2.it Ing. Tommaso Rossi tommaso.rossi@uniroma2.it
PROBLEMA SU COLLEGAMENTO WIRELESS CON ACCESS POINT
PROBLEMA SU COLLEGAMENTO WIRELESS CON ACCESS POINT Il gestore di un ipermercato richiede l' installazione di un access point da utilizzare per il collegamento wireless delle casse automatiche alla rete
COMUNICAZIONI ELETTRICHE + TRASMISSIONE NUMERICA COMPITO 13/7/2005
COMUNICAZIONI ELETTRICHE + TRASMISSIONE NUMERICA COMPITO 13/7/005 1. Gli esercizi devono essere risolti su fogli separati: uno per la prima parte del compito (esercizi 1/4), uno per la seconda parte (esercizi
9.4 Modello massimamente piatto (Maximally Flat Design)
9.4 Modello massimamente piatto (Maximally Flat Design) Nel capitolo 8, sono stati studiati i modello dei filtri IIR di Butterworth, che nei casi di passa-basso e passa-alto sono massimamente piatti alla
Corso di Automazione Industriale 1. Capitolo 4
Simona Sacone - DIST 1 Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: analisi
Generazione della portante sinusoidale
6 Generazione della portante sinusoidale In questo capitolo vengono illustrati due metodi per la generazione di portante sinusoidale affetta da rumore di fase. Un metodo produce un segnale simulato quantizzato
A.1 Rappresentazione geometrica dei segnali
Appendice A Rappresentazione dei segnali A.1 Rappresentazione geometrica dei segnali Scomporre una generica forma d onda s(t) in somma di opportune funzioni base è operazione assai comune, particolarmente
MATLAB. Caratteristiche. Dati. Esempio di programma MATLAB. a = [1 2 3; 4 5 6; 7 8 9]; b = [1 2 3] ; c = a*b; c
![MATLAB. Caratteristiche. Dati. Esempio di programma MATLAB. a = [1 2 3; 4 5 6; 7 8 9]; b = [1 2 3] ; c = a*b; c](/thumbs/25/4541811.jpg "MATLAB. Caratteristiche. Dati. Esempio di programma MATLAB. a = [1 2 3; 4 5 6; 7 8 9]; b = [1 2 3] ; c = a*b; c")
Caratteristiche MATLAB Linguaggio di programmazione orientato all elaborazione di matrici (MATLAB=MATrix LABoratory) Le variabili sono matrici (una variabile scalare equivale ad una matrice di dimensione
DISCRETIZZAZIONE DI UN SEGNALE ANALOGICO:
DISCRETIZZAZIONE DI UN SEGNALE ANALOGICO: nel processo di digitalizzazione che permette di convertire un segnale analogico in modo da poterlo elaborare con dispositivi numerici di calcolo, si operano due
CORSO 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
MISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE
MISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE La distanza focale f di una lente convergente sottile è data dalla formula: da cui 1 f = 1 p + 1 q f = pq p + q dove p e q sono, rispettivamente, le
Analisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
Computazione per l interazione naturale: Modelli dinamici
Computazione per l interazione naturale: Modelli dinamici Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html
STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia
STATISTICA GIUSEPPE DE NICOLAO Dipartimento di Informatica e Sistemistica Università di Pavia SOMMARIO V.C. vettoriali Media e varianza campionarie Proprietà degli stimatori Intervalli di confidenza Statistica
FONDAMENTI DI AUTOMATICA (Ingegneria Gestionale) Prof. Matteo Corno
POLITECNICO DI MILANO FONDAMENTI DI AUTOMATICA (Ingegneria Gestionale) Anno Accademico 2014/15 Seconda Prova in Itinere 12/02/2015 COGNOME... NOME... MATRICOLA... FIRMA.... Verificare che il fascicolo
Statistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Esercizio 1 (stima puntuale) In un processo di controllo di qualità, siamo interessati al numero mensile di guasti
Elaborazione numerica. Teoria dei segnali
Elaborazione numerica e Teoria dei segnali Raccolta di Esercizi Fiandrino Claudio agosto 00 II Indice I Teoria dei segnali 5 Esercizi di base 7. Esercizio............................. 7. Esercizio.............................
Modulazione DMT* (Discrete Multitone Modulation) sulla banda ADSL (up to 1104 KHz)
LA MODULAZIONE DMT Modulazione DMT* (Discrete Multitone Modulation) sulla banda (up to 1104 KHz) Consente di suddividere la banda di trasmissione in un determinato numero di sottobande (BINS) a ciascuna
Elaborazione nel dominio della frequenza
Elaborazione dei Segnali Multimediali a.a. 2009/2010 Elaborazione nel dominio della frequenza L.Verdoliva In questa esercitazione esamineremo la trasformata di Fourier discreta monodimensionale e bidimensionale.
Introduzione al Campionamento e
Introduzione al Campionamento e all analisi analisi in frequenza Presentazione basata sul Cap.V di Introduction of Engineering Experimentation, A.J.Wheeler, A.R.Ganj, Prentice Hall Campionamento L'utilizzo
Marketing mix, break even point e profitto. massimo
Marketing mix, break even point e profitto massimo per l introduzione di un nuovo prodotto Nella vita dell impresa una delle attività centrali della funzione di marketing riguarda la pianificazione dei
STRUMENTAZIONE E MISURE ELETTRICHE. Condizionamento ed acquisizione del segnale
STRUMENTAZIONE E MISURE ELETTRICHE Condizionamento ed acquisizione del segnale Prof. Salvatore Nuccio salvatore.nuccio@unipa.it, tel.: 0916615270 1 Circuito di condizionamento Un sensore/trasduttore (S/T)
MATEMATICA GENERALE Prova d esame del 4 giugno 2013 - FILA A
MATEMATICA GENERALE Prova d esame del 4 giugno 2013 - FILA A Nome e cognome Matricola I Parte OBBLIGATORIA (quesiti preliminari: 1 punto ciascuno). Riportare le soluzioni su questo foglio, mostrando i
Analisi Statistica Spaziale
Analisi Statistica Spaziale Posa D., De Iaco S. posa@economia.unile.it s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA ANNO ACCADEMICO
Statistica. Alfonso Iodice D Enza iodicede@unicas.it
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 2 Outline 1 2 3 4 () Statistica 2 / 2 Misura del legame Data una variabile doppia (X, Y ), la misura
ESAME DI STATISTICA Nome: Cognome: Matricola:
ESAME DI STATISTICA Nome: Cognome: Matricola: ISTRUZIONI: Per la prova è consentito esclusivamente l uso di una calcolatrice tascabile, delle tavole della normale e della t di Student. I risultati degli
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 40: Filtro di Kalman - introduzione. Struttura ricorsiva della soluzione.
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 40: Filtro di Kalman - introduzione Cenni storici Filtro di Kalman e filtro di Wiener Formulazione del problema Struttura ricorsiva della soluzione
Elaborazione nel dominio della frequenza Soluzioni
Elaborazione dei Segnali Multimediali a.a. 2009/2010 Elaborazione nel dominio della frequenza Soluzioni 1 La trasformata discreta 1D Calcoliamo lo spettro di x(n) = R L (n) al variare di L = 2, 10, 20,
Esercitazioni di statistica
Esercitazioni di statistica Misure di associazione: Indipendenza assoluta e in media Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 22 ottobre 2014 Stefania Spina Esercitazioni
SciPy. Programmazione Orientata agli Oggetti e Scripting in Python
SciPy Programmazione Orientata agli Oggetti e Scripting in Python SciPy: Informazioni di Base Libreria di algoritmi e strumenti matematici Fornisce: moduli per l'ottimizzazione, per l'algebra lineare,
13-1 SISTEMI A DATI CAMPIONATI: INTRODUZIONE. y(t) TMP. y k. Trasduttore. Schema di base di un sistema di controllo digitale
SISTEMI A DATI CAMPIONATI: INTRODUZIONE + e k u k u(t) r k C D/A P y k TMP A/D Trasduttore y(t) Schema di base di un sistema di controllo digitale A/D: convertitore analogico digitale C: controllore digitale
Fatica indotta da vibrazioni carichi multiassiali: teoria e applicazioni
Automotive Fatica indotta da vibrazioni carichi multiassiali: teoria e applicazioni 1 - Introduzione Viene descritto il metodo generale per valutare la fatica nel caso di processi stazionari. Si considera
UNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA
UNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA CORSO DI COSTRUZIONI IDRAULICHE A.A. 00-0 PROF. LUIGI DA DEPPO ING. NADIA URSINO ESERCITAZIONE N : Progetto
Prima Esercitazione per il corso di Analisi del Segnale per le Telecom A.A. 2009/10 Cambio di frequenza di campionamento
Prima Esercitazione per il corso di Analisi del Segnale per le Telecom A.A. 2009/10 Cambio di frequenza di campionamento Riccardo Bernardini bernardini@uniud.it 13 aprile 2010 Indice 1 Descrizione dell
Un applicazione della modellistica ARCH-GARCH
Un applicazione della modellistica ARCH-GARCH Federico Andreis Tesina per l esame di Metodi Statistici per la Finanza e le Assicurazioni A.A. 2005/2006 Prof. Diego Zappa Il grafico della serie storica
Segnali passa-banda ed equivalenti passa-basso
Appendice C Segnali passa-banda ed equivalenti passa-basso C.1 Segnali deterministici Un segnale deterministico u(t) con trasformata di Fourier U(f) è un segnale passa-banda se f 0, W, con 0 < W < f 0,
Filtri Digitali FIR e IIR
Capitolo 8 Filtri Digitali FIR e IIR I filtri digitali che studiamo in questo capitolo sono particolari sistemi LTI causali a tempo discreto. Essi possono essere implementati e simulati su macchine digitali
10 mm: R st1,w (C:C tr )= 60 (-1, -4) db 20 mm: R st1,w (C:C tr )= 60 (-1, -4) db
Traduzione della Certificazione Verbale di prova 167 33 428 Prova Determinazione valore isolamento acustico per giunti della schiuma poliuretanica CF 812 CC Base Normativa Committente: Hilti Linea Guida
Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995).
ANALISI DI UNA SERIE TEMPORALE Analisi statistica elementare Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). Si puo' osservare una media di circa 26 C e una deviazione
Specializzazione Elettronica ed Elettrotecnica Articolazione Automazione. Elettronica ed Elettrotecnica - Classe 3^
Specializzazione Elettronica ed Elettrotecnica Articolazione Automazione Elettronica ed Elettrotecnica - Classe 3^ Elettrotecnica Tipologie di segnali Unità di misura delle grandezze elettriche Simbologia
Politecnico di Milano. Segnali per le Telecomunicazioni 2014. Matlab. Analisi dei codici matlab presentati nel corso del semestre
Politecnico di Milano Segnali per le Telecomunicazioni 2014 Matlab Analisi dei codici matlab presentati nel corso del semestre Autori Badini Federico mat. 816820 - federico.badini@mail.polimi.it Bodini
CALCOLO NUMERICO (C.L. Ing. delle Comunicazioni - AA 2013-14) Proff. F. Pitolli, A. Pascarella Progetti
CALCOLO NUMERICO (C.L. Ing. delle Comunicazioni - AA 2013-14) Proff. F. Pitolli, A. Pascarella Progetti 1. Il procedimento iterativo P (k+1) i = j Z a i 2 j P (k) j, k = 0, 1,... dove {P (k) i, i Z} è
Caratterizzazione dei segnali aleatori nel dominio della frequenza
Capitolo 5 Caratterizzazione dei segnali aleatori nel dominio della frequenza 5. Introduzione In questo capitolo affrontiamo lo studio dei segnali aleatori nel dominio della frequenza. Prendiamo come esempio
Analisi dei segnali nel dominio della frequenza
Laboratorio di Telecomunicazioni - a.a. 2010/2011 Lezione n. 7 Analisi dei segnali nel dominio della frequenza docente L.Verdoliva In questa lezione affrontiamo il problema dell analisi dei segnali tempo
MHz. MHz. Fig. 1 Fig. 2
Esercizio 1 Il Ranger Smith del parco di Yellowstone ha deciso di rafforzare il sistema di sorveglianza a causa dei continui furti di cestini di picnic dei visitatori del parco da parte dell orso Yoghi
COMPITO DI SEGNALI E SISTEMI 18 Dicembre 2004
COMPIO DI SEGNALI E SISEMI 8 Dicembre 4 Esercizio Si consideri il modello di stato a tempo discreto descritto dalle seguenti equazioni: x(k + = Ax(k + Bu(k = x(k + u(k, v(k = Cx(k = [ ] x(k, k Z + i Si
SIMULAZIONE ED ANALISI BEM/FMBEM & FEM/FEM AML DI SISTEMI DI ALTOPARLANTI MODULARI
SIMULAZIONE ED ANALISI BEM/FMBEM & FEM/FEM AML DI SISTEMI DI ALTOPARLANTI MODULARI Giuseppe Miccoli, Tommaso Nizzoli Il campo acustico emesso da un altoparlante a tromba utilizzato in una applicazione
ANALISI FREQUENZIALE E PROGETTO NEL DOMINIO DELLE FREQUENZE
CONTROLLI AUTOMATICI Ingegneria della Gestione Industriale e della Integrazione di Impresa http://www.automazione.ingre.unimore.it/pages/corsi/controlliautomaticigestionale.htm ANALISI FREQUENZIALE E PROGETTO
Applicazione della tsvd all elaborazione di immagini
Applicazione della tsvd all elaborazione di immagini A cura di: Mauro Franceschelli Simone Secchi Indice pag Introduzione. 1 Problema diretto.. 2 Problema Inverso. 3 Simulazioni.. Introduzione Scopo di
Dispense di Identificazione e Analisi dei Dati
Dispense di Identificazione e Analisi dei Dati Antonello Giannitrapani, Andrea Garulli Versione 1.1 26 gennaio 2007 Indice 1 Teoria della probabilità 1 1.1 Spazi di probabilità........................
DIPLOMA A DISTANZA IN INGEGNERIA ELETTRICA CORSO DI ELETTRONICA INDUSTRIALE DI POTENZA II Lezione 36
DIPLOMA A DISTANZA IN INGEGNERIA ELETTRICA CORSO DI ELETTRONICA INDUSTRIALE DI POTENZA II Lezione 36 Flicker e metodologie di attenuazione Paolo Mattavelli Dipartimento di Ingegneria Elettrica Universitá
Esercitazione Strumentazione virtuale
Esercitazione Strumentazione virtuale - 1 Esercitazione Strumentazione virtuale 1 - Oggetto Introduzione alla strumentazione virtuale. LabView: il pannello frontale e il diagramma a blocchi. Esempi: generatore
ANALISI MULTIVARIATA
ANALISI MULTIVARIATA Marcella Montico Servizio di epidemiologia e biostatistica... ancora sulla relazione tra due variabili: la regressione lineare semplice VD: quantitativa VI: quantitativa Misura la
INSEGNAMENTO DI ANALISI DI DATI BIOLOGICI LM IN BIOINGEGNERIA - A.A.2013/2014 HOMEWORK 3
INSEGNAMENTO DI ANALISI DI DATI BIOLOGICI LM IN BIOINGEGNERIA - A.A.2013/2014 HOMEWORK 3 COGNOME: Montanino NOME: Annaclaudia MATRICOLA: 1056715 DATA: 13 gennaio 2014 email: annaclaudia.montanino@studenti.unipd.it
Regressione non lineare con un modello neurale feedforward
Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Regressione non lineare con un modello neurale
Esercizio C2.1 - Acquisizione dati: specifiche dei blocchi
Esercizio C2.1 - Acquisizione dati: specifiche dei blocchi È dato un segnale analogico avente banda 2 khz e dinamica compresa tra -2 V e 2V. Tale segnale deve essere convertito in segnale digitale da un
LEZIONI DI STATISTICA
ez10 l GIOVANNI GIRONE Ordinario nell'università di Bari TOMMASO SALVEMINI Ordinario nel!' Università di Roma LEZIONI DI STATISTICA Volume Secondo CACUCCI EDITORE - BARI - 1992 CENTRO " G. ASTENGO» INVENTARIO
PROGRAMMA SVOLTO - CLASSE PRIMA sez. R - ITT. ALGAROTTI - A.S. 2014/15. Insegnante: Roberto Bottazzo Materia: FISICA
PROGRAMMA SVOLTO - CLASSE PRIMA sez. R - ITT. ALGAROTTI - A.S. 2014/15 Materia: FISICA 1) INTRODUZIONE ALLA SCIENZA E AL METODO SCIENTIFICO La Scienza moderna. Galileo ed il metodo sperimentale. Grandezze
Elaborazione Numerica dei Segnali
Università degli Studi di Milano - Dipartimento di Scienze dell Informazione - Dispensa del corso di Elaborazione Numerica dei Segnali Alberto Bertoni Giuliano Grossi Anno Accademico 2009-200 Indice Segnali
Descrizione del funzionamento di un Lock-in Amplifier
Descrizione del funzionamento di un Lock-in Amplifier S.C. 0 luglio 004 1 Propositi di un amplificatore Lock-in Il Lock-in Amplifier é uno strumento che permette di misurare l ampiezza V 0 di una tensione
Lezione 5. La misura delle distanze in astrofisica
Lezione 5 La misura delle distanze in astrofisica La misura delle distanze in astrofisica Per misurare le distanze dagli oggetti celesti è necessario disporre di regoli e di una scala che consenta di calibrare
Matlab per applicazioni statistiche
Matlab per applicazioni statistiche Marco J. Lombardi 19 aprile 2005 1 Introduzione Il sistema Matlab è ormai uno standard per quanto riguarda le applicazioni ingegneristiche e scientifiche, ma non ha
Elementi di teoria dei segnali /b
Elementi di teoria dei segnali /b VERSIONE 29.4.01 Filtri e larghezza di banda dei canali Digitalizzazione e teorema del campionamento Capacità di canale e larghezza di banda Multiplexing e modulazioni
Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B
Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Laurea in Ingegneria Meccatronica A.A. 2010 2011 n-dimensionali Riepilogo. Gli esiti di un esperimento aleatorio
Indice. Prefazione all edizione italiana Prefazione all edizione americana. Capitolo 1 Introduzione: onde e fasori 1
Indice Prefazione all edizione italiana Prefazione all edizione americana VII IX Capitolo 1 Introduzione: onde e fasori 1 Generalità 1 1.1 Dimensioni, unità di misura e notazione 2 1.2 La natura dell elettromagnetismo
I Lezione: Il programma MATLAB. 1 Introduzione. 2 Matrici in MATLAB
I Lezione: Il programma MATLAB In questa sezione introdurremo in maniera molto breve il programma di simulazione MATLAB (una abbreviazione di MAtrix LABoratory) che è stato usato per lo sviluppo delle
Complementi sui filtri
Elaborazione numerica dei segnali Appendice ai capitoli 4 e 5 Complementi sui filtri Introduzione... Caratteristiche dei filtri ideali... Filtri passa-basso...4 Esempio...7 Filtri passa-alto...8 Filtri
Statistica II, Laurea magistrale in Ing. Gestionale, a.a. 20010/11 Esempi di domande e dissertazioni
Statistica II, Laurea magistrale in Ing. Gestionale, a.a. 20010/11 Esempi di domande e dissertazioni Note. Si pensi di poter rispondere alle seguenti domande avendo l ausilio di: 1) un foglio con l elenco
OFDM. Prof. Carlo S. Regazzoni. Department of Biophysical and Electronic Engineering, University of Genoa, Italy A.A. 2009-2010
INTRODUZIONE ALLE TECNICHE DI SINCRONIZZAZIONE TEMPO-FREQUENZA IN SISTEMI OFDM Luca Bixio Prof. Carlo S. Regazzoni Department of Biophysical and Electronic Engineering, University of Genoa, Italy A.A.
TRASMISSIONE DATI SU RETE TELEFONICA. 1 Fondamenti Segnali e Trasmissione
TRASMISSIONE DATI SU RETE TELEFONICA Fondamenti Segnali e Trasmissione Trasmissione dati su rete telefonica rete telefonica analogica ISP (Internet Service Provider) connesso alla WWW (World Wide Web)
Misura delle performance di noise. Classificazione: Due categorie di sorgenti di noise
Misura delle performance di noise Progettare circuiti elettronici a basso rumore richiede di avere dei modelli di noise credibili. I dispositivi elettronici hanno modelli di noise, ma richiedono di fissare
IN MATLAB distribuzione di frequenza. >> x(1)=7.5; >> for i=2:7 x(i)=x(i-1)+5; end. IN MATLAB distribuzione di frequenza
IN MATLAB distribuzione di frequenza 2-1 4. Usare la function histc(dati,x) 2-2 1. Riportare i dati in un file (ad esempio dati.mat); 2. load ascii dati: viene creata una variabile dati contenente il campione;
Identificazione di sistemi dinamici
Scuola universitaria professionale della Svizzera italiana SUP SI Dipartimento Tecnologie Innovative Identificazione di sistemi dinamici Ivan Furlan 21 dicembre 2011 Identificazione di sistemi dinamici
v in v out x c1 (t) Molt. di N.L. H(f) n
Comunicazioni elettriche A - Prof. Giulio Colavolpe Compito n. 3 3.1 Lo schema di Fig. 1 è un modulatore FM (a banda larga). L oscillatore che genera la portante per il modulatore FM e per la conversione
I S T I T U T O T E C N I C O I N D U S T R I A L E S T A T A L E V E R O N A
I S T I T U T O T E C N I C O I N D U S T R I A L E S T A T A L E G U G L I E L M O M A R C O N I V E R O N A PROGRAMMA PREVENTIVO A.S. 2015/2016 CLASSE 4Ac MATERIA: Elettrotecnica, elettronica e automazione
Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli
Programma dell insegnamento di Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli Corso di Laurea in Metodi Quantitativi per l Economia e la Gestione delle Aziende A.A. 2007-08 Disciplina
7. Si confronti la variabilità del carattere età nel gruppo dei maschi ed in quello delle femmine.
Esercizio n. 1 Da un collettivo di 20 individui si è rilevata la seguente distribuzione univariata multipla relativa ai caratteri età, sesso, numero di automobili possedute: unità età sesso n.auto 1 35
PROVA SCRITTA DI TEORIA DEI SEGNALI DEL 13.06.2005. Tempo: 2.5 ore. È consentito l uso di libri ed appunti propri. y 1 (t) + + y(t) H(f) = 1 4
INFO (DF-M) PROVA SCRITTA DI TEORIA DEI SEGNALI DEL 3.06.005. Tempo:.5 ore. È consentito l uso di libri ed appunti propri. ESERCIZIO (0 punti) x(t) g(x) z(t) H(f) H(f) y (t) + + y (t) y(t) H(f) = 4 ( e
Prova scritta di Controlli Automatici - Compito A
Prova scritta di Controlli Automatici - Compito A 21 Marzo 27 Domande a Risposta Multipla Per ognuna delle seguenti domande a risposta multipla, indicare quali sono le affermazioni vere. 1. Si consideri
Facoltà di ECONOMIA Corso di Statistica a.a. 2005/2006 Esame del 27/09/2006 Statistica descrittiva
Esame del 27/09/2006 Statistica descrittiva 1. Un grossista di apparecchiature informatiche ha rilevato l ammontare totale in migliaia di euro degli ordini effettuati nel 2005 dai suoi principali clienti
Rumore Elettronico. Sorgenti di rumore in Diodi, BJTs, MOSFETs Rumore equivalente all ingresso di amplificatori Rumore nel dominio del tempo
umore Elettronico Sorgenti di rumore in Diodi, Js, MOSFEs umore equivalente all ingresso di amplificatori umore nel dominio del tempo 1 umore della Giunzione PN: Shot Noise La corrente che fluisce attraverso
CIRCUITI INTELLIGENTI Parte 5: PCA e ICA
Ing. Simone SCARDAPANE Circuiti e Algoritmi per l Elaborazione dei Segnali Anno Accademico 2012/2013 Indice della Lezione 1. Analisi delle Componenti Principali 2. Auto-Associatori 3. Analisi delle Componenti
Esercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue
Esercizi del Corso di Statistica Parte I - Variabili Aleatorie Continue 1. Costruire la variabile uniforme U sull intervallo [a, b], con a IR e b IR. 2. Sia X una variabile aleatoria tale che: 0 x < 1
Il calcolatore. Architettura di un calcolatore (Hardware)
Il calcolatore Prima parlare della programmazione, e' bene fare una brevissima introduzione su come sono strutturati i calcolatori elettronici. I calcolatori elettronici sono stati progettati e costruiti
01CXGBN Trasmissione numerica. parte 19: modulazioni m-qam
01CXGBN Trasmissione numerica parte 19: modulazioni m-qam 1 Modulazioni m-qam: caratteristiche 1. Modulazioni in quadratura modulazioni in anda-passante 2. Costellazione i-dimensionale: m segnali disposti
Appunti relativi a Lab4
Appunti relativi a Lab4 ESEMPIO 1 Sia (X 1,, X n ) un campione aleatorio estratto da una variabile aleatoria X Exp(λ) e sia (x 1,, x n ) una sua realizzazione campionaria contenuta nel vettore oss > set.seed(5)