State Space Model. Corso di: Analisi delle Serie Storiche. Corso di Laurea Triennale in: Scienze Statistiche A.A. 2017/18
|
|
- Gaspare Fortunato
- 5 anni fa
- Visualizzazioni
Transcript
1 Sae Space Model Corso di: Analisi delle Serie Soriche Corso di Laurea Triennale in: Scienze Saisiche A.A. 07/8
2 Generalià Gli Sae Space Models (Modelli nello Spazio degli Sai) forniscono una meodologia generale di riferimeno, unica e molo flessibile, per affronare una vasa gamma di problemi nell analisi delle Serie Soriche (ad esempio, non sazionarieà, non linearià, uni roo,.). L idea meodologica alla base degli Sae Space Models è che lo sviluppo nel empo del fenomeno in analisi sia deerminao da una serie di veori non osservabili,..., n a cui è associaa una serie di osservazioni y,.,... y y n La relazione ra e specifica il modello nella forma sae space. Lo scopo dell analisi sae space è simare le proprieà rilevani delle variabili parendo dalla conoscenza delle osservazioni y, y.,... n
3 Local Level Model Un modello sruurale di base per rappresenare una serie sorica è il modello addiivo: y µ γ ε µ dove: è il rend ( componene di variazione lena) ; γ ε è la componene sagionale ( componene periodica) ; è la componene erraica. Per modello sruurale in serie sorica si inende quel modello in cui le osservazioni sono caraerizzae da componeni di rend, ciclicià, sagionalià, di regressione ed erraica, ue generalmene rappresenae da forme di modelli random walk. Al fine di sviluppare un modello possibile per e è necessario quindi ricorrere al random walk. Daa una variabile η IID(0, ση ), si definisce random walk la serie scalare deerminaa dalla seguene relazione: η Sosiuendo ricorsivamene sino al empo zero: Una somma di variabili aleaorie IID con media zero. γ µ η j j 3
4 Local Level Model Supposo che:. µ ;. è un random walk ; 3. γ 0 ; 4. ue le variabili del modello addiivo siano normalmene disribuie; 5. σ ε sia cosane definiamo local level model la seguene formulazione: () ε ε σ y N(0, ε ),..., η η N(0, ση ) dove le variabili ε e η sono indipendeni ra loro, non necessariamene IID, e indipendeni da Il local level model descrive la sruura caraerisica degli sae space models nei quali roviamo una serie di variabili non osservae,..., n che rappresena lo sviluppo nel empo del fenomeno in analisi, insieme ad un insieme di osservazioni y,..., y n che sono legae alle variabili per mezzo dello sae space model (). n 4
5 Local Level Model Poiché il random walk non è sazionario, anche il local level model () non è sazionario e dipendono dal empo. y Si assuma che: ) N( a, P) a P σ ε σ η ) e siano noe 3) e siano noe. Al fine di poer applicare il local level model alle serie soriche reali mediane l uilizzo delle ecniche inferenziali classiche, è necessario calcolare i valori caraerisici delle variabili non osservae,..., n, cioè la media di dai y,..., y, o la media di dai y,..., yn, e le corrispondeni varianze. Inolre sarà necessario simare il modello () σ ε araverso il meodo della massima verosimiglianza per simare e quando non noe. σ η 5
6 Local Level Model Seguendo l approccio di Anderson (984), le osservazioni generae dal local level model () saranno rappresenae da un veore y di dimensione (n x ) ' y N( a, Ω) dove: y ( y,..., y n )', (,...,)', Ω ' P Σ e il (i, j )esimo elemeno della marice (n x n) Σ è dao da: y ( i ) ση i < j Σ ij σε ( i ) ση i j ( j ) ση i > j i, j,..., n Tale risulao è possibile poiché il local level model () implica che: y η j ε,..., n j 6
7 Local Level Model Noa la disribuzione di y, si procede con la sima di medie condizionae, varianze e covarianze condizionae con le noe ecniche della saisica mulivariaa. Se T oppure n endono ad infinio, il calcolo delle sime divena chiaramene molo complesso a causa della correlazione seriale ra le osservazioni y. Perano, sarà necessario ricorrere a ecniche di filering e smoohing che permeono di oenere gli sessi risulai in ermini di bonà di quelli oenibili dalle ecniche mulivariae classiche. OSSERVAZIONI. Il local level model () è un semplice esempio di modello lineare Gaussiano sae space.. La variabile è dea sao o veore di sao ed evolve secondo uno schema markoviano. non è noa. 3. Lo schema markoviano asserisce che la probabilià di ransizione che deermina il passaggio ad uno sao di sisema dipende unicamene dallo sao di sisema immediaamene precedene e non dal come si è giuni a ale sao. 7
8 Modello lineare sae space Gaussiano Il modello lineare generale sae space Gaussiano può essere scrio in ani modi. Al momeno, consideriamo la seguene espressione: Equazione di misurazione (o di osservazione): () y Z ε ε N(0, H ),..., n Equazione di ransizione (o di sao): (4) (3) T Rη η N(0, Q ),..., n dove: y Z T R è il veore (k x ) di osservazioni (cioè, la serie sorica); è il veore (m x ) di variabili non osservabili (cioè, il veore di sao); è la marice (k x m) di parameri; è la marice (m x m) di ransizione, conenene parameri; è la marice (m x g) di parameri uile per definire propriamene la disribuzione del η veore di variabili casuali ε è il veore (k x ) di variabili casuali normali incorrelae con E( ε e ) 0 η è il veore (g x ) di variabili casuali normali incorrelae con E( η ) 0 e E ( ε ε ') H E ( η η ') Q 8
9 OSSERVAZIONI L equazione () ha la sruura di un modello lineare di regressione dove il veore dei coefficieni varia nel empo. L equazione (3) rappresena un modello AR() di naura markoviana. Il modello () è un caso semplificao del modello (4) In mole applicazioni R Im In alre applicazioni, al fine di semplificare il modello (4) è possibile definire la variabile η * * Rη e la marice Q ' RQ R Quando R è (m x g ) con g < m e Q è non singolare, è più vanaggioso lavorare con una componene socasica η non singolare piuoso che lavorare con una componene socasica singolare. Quindi, in al caso, R si assume conenere un * η sooinsieme delle colonne della marice idenià, ed prenderà il nome di selecion marix perché seleziona le righe dell equazione di sao che hanno ermini di errore non nulli 9
10 Il sisema (4) viene compleao con le ipoesi di base del veore di sao al empo N a, ) ~ m ( P E( ε η s ') 0 s,,..., n. Quindi, non solo ε e η sono serialmene indipendeni, ma anche indipendeni l uno l alro in ogni puno emporale. E( ε ( a)' ) 0 e E( η ( a)' ) 0,..., n Quindi, ε e η sono anche indipendeni dall errore di sima dello sao. Il sisema (4) è lineare in ε, η e e, poiché ques ulimi sono normali, anche è disribuio normalmene. y Se ue le marici del sisema (4) sono cosani, cioè non dipendono dal empo, allora il sisema è deo ime-invarian o ime-homogeneous. I modelli sazionari sono un caso paricolare di sisemi ime-invarian perché la condizione di omogeneià emporale non è sufficiene per la sazionarieà del sisema 0
11 Modello lineare sae space Gaussiano (variane) Il modello lineare generale sae space Gaussiano è riporao in modo alernaivo in dispensa. Equazione di misurazione (o di osservazione): y Z d ε ε ~ Equazione di ransizione (o di sao): N m ( 0,H ),..., n (5) dove ognuna delle variabili è riconducibile alla precedene formulazione del modello lineare sae space Gaussiano e inolre: c d T c Rη η ~ N g (0,Q ),..., n è il veore (k x ) di osservazioni uilizzao per modificare il valore medio di. La presenza di queso veore non è obbligaoria (come viso in precedenza). è il veore (m x ) di osservazioni con analoga funzione e analogo significao di In queso caso il sisema (5) è compleao con le segueni ipoesi di base: ) 0 ~ N m ( a0, P0 ) ; ) E( ε η s ') 0 s,,..., n ; 3) E ε ( a )') 0 e E( η ( a )') 0,..., n ( y d
12 Modelli ARMA in forma sae space AR(). Si consideri il processo: y φ y φ y ε Riporiamo ale modello in forma sae space: Equazione di ransizione (o di sao): Equazione di misurazione (o di osservazione): Dall equazione di sao si oiene:, φ φ,,,,,, φ φ,, φ φ, 0, y ε ε,, [ 0] ε 0 Quindi: y,
13 Modelli ARMA in forma sae space MA(). Si consideri il processo: y ε θε Riporiamo ale modello in forma sae space: Equazione di ransizione (o di sao): Equazione di misurazione (o di osservazione): Dall equazione di sao si oiene:,,,, 0 y ε, ε, 0 0,,,, [ θ ] ε 0 Quindi: y, θ, 3
14 4 Modelli ARMA in forma sae space ARMA(p, q). Si consideri il processo Si consideri r max ( p, q ), e Riporiamo il modello ARMA (p, q) in forma sae space: Equazione di ransizione (o di sao): Equazione di misurazione (o di osservazione):. p j j > per 0 φ q j j > per θ [ ] ) x (... r r y θ θ r ε φ φ φ q q p p y y y y ε θ θ ε ε φ φ φ......
15 Modelli ARMA in forma sae space L equazione di sao definisce un AR ( r ):,, 3,,, Dall equazione di sao si oiene, quindi:, r, r,, r φ, Φ( L) φ ε,... φ r, r ε Di conseguenza, sapendo che: y Θ( L), y Θ( L) Φ( L) ε 5
16 Local Level Model Noa la disribuzione di y, la sima di medie, varianze e covarianze condizionae è un problema di semplice applicazione degli srumeni classici di analisi saisica mulivariaa basai sulle proprieà della disribuzione mulivariaa normale. In ogni caso, quando n chiaramene il problema della sima divena esplosivo. Per quesa ragione, al fine di migliorare la procedura di sima, è indicao uilizzare procedure di smoohing e filering. L applicazione delle suddee procedure fornisce alcuni efficieni algorimi di calcolo che consenono di oenere gli sessi risulai della eoria mulivariaa superando i problemi dovui all aumenare della numerosià del campione. 6
17 Il Filro di Kalman L obieivo nell applicazione del Kalman Filer è l aggiornameno della conoscenza (cioè, informazioni) del fenomeno oggeo di sudio ogni vola che una nuova osservazione è aggiuna alla serie sorica. Il modello di riferimeno, in queso momeno, per la cosruzione del Kalman Filer è il local level model (). y Considerao che ue le disribuzioni sono normali, anche le disribuzioni congiune condizionae di un insieme di osservazioni dao un alro insieme di osservazioni sono normali. Indichiamo con Y ( y, y,..., y ) l insieme delle osservazioni passae e assumiamo che la disribuzione condizionaa di dao Y sia Pr( / Y ) N( a, P) in cui e devo essere deerminai. a P 7
18 Il Filro di Kalman Assumendo che a e siano noi, l obieivo è calcolare a e quando l osservazione y è aggiuna alla serie sorica. Dal modello () è facile dimosrare che: a E( Y ) E( η Y ) E( Y ) Il passo successivo è calcolarne espliciamene il valore. Per ale scopo definiamo la variabile v y a (6) e indichiamo con F Var( v ) la sua varianza. Dalla eoria meodologica classica delle funzioni di probabilià condizionae, risula facilmene che: e P P P Var( Y ) Var( η Y ) Var( Y ) σ η E( v ) E[ E( v Y )] E[ E( y a Y )] E[ E( ε a Y )] 0 Cov( v, y j ) E( v y j ) E[ E( v Y ) y j ] 0 y j e sono indipendeni v j,..., 8
19 Il Filro di Kalman Y Quando Y è fissao e sono fissai e sono fissai y v e viceversa. Perano, considerao che ue le variabili sono normalmene disribuie, il valore aeso condizionao e la varianza sono ricavae dalle formulazioni della eoria della regressione normale mulivariaa. In paricolare, e y hanno medie finie e marice di covarianza finia, ed v ha media nulla e si mosra incorrelaa con y. Perano, risula che: a E( Y ) E( Y, v ) E( Y ) Cov(, v ) Var( v ) v Considerao che:. Cov(, v ) E[ ( y a )] E[ ( ε a )] E[ ( a )] E[ Var( Y )] P. Var( v ) F Var( ε a ) Var( Y ) Var( ε ) P σε (7) Y 3. E( Y ) a 9
20 Il Filro di Kalman P a E( Y ) a v a K v F (8) Inolre: Var( Y ) Var( Y, v ) Var( Y ) Cov(, v ) Var( v ) P P P ( K ) F P Var( Y ) σ P ( K ) σ η η P E imporane evidenziare che K (0) definisce il coefficiene di regressione di su v. F (9) Tue le formulazioni dalla (6) alla (0) definiscono l algorimo del Kalman Filer, cioè l inero insieme di relazioni per aggiornare la conoscenza del fenomeno dal empo al empo ogni vola che una nuova osservazione viene aggiuna alla serie sorica. 0 y
21 Il Filro di Kalman NOTA BENE: E( / Y, v ) e sono il risulao di un semplice posulao della eoria della regressione normale mulivariaa condizionaa: dae re variabili veoriali x, y e z normalmene e congiunamene disribuie, i cui valori medi risulano essere x e finii, e µ z 0, e le marici di covarianza Σ E[( x µ )( y µ )'] finia per x e y, e Σ 0 per y e z allora: e Var( / Y, v ) xy x y E x y z E x y Σ Σ z Var ( /, ) ( / ) xz zz ' ( x / y, z) Var( x / y) Σ xzσ zzσ xz yz µ µ y
22 OSSERVAZIONI v definisce i residui del Kalman filer la previsione dell errore un passo avani, cioè la previsione dell errore di y dao : v y a y y y / / dove: v Per quesa ragione, prende il nome di Innovazione perché rappresena la pare nuova di y che non può essere previsa dal passao con,., n. F definisce la varianza dell errore previso un passo avani. e sono supposi noi. a P y E y Y E ε Y a / [ / ] [ / ] P σ ε σ Y η dipende solo da e e non dipende da
23 Previsione _ y y n j Sia n j la previsione di che ha l errore quadraico medio minimo daa la serie sorica y,..., y n per j,., J dove J è un inero posiivo predefinio. DEFINIZIONE La _ previsione dall errore quadraico medio minimo è quella funzione di y che minimizza il seguene valore aeso: y n j y,..., _ [( n j n j ) n ] n E y y Y y _ E( y Y ) n j n j n [Quesa definizione deriva dalla proprieà di una variabile aleaoria x con media il cui valore che minimizza E[( x λ) ] è λ µ ] µ λ Come conseguenza, la varianza dell errore previso è definia come: _ F Var( y Y ) n j n j n 3
24 Previsione La eoria della previsione per il local level model riguarda semplicemene l applicazione del Kalman Filer alle osservazioni,..., n, n,..., n j considerando però le ulime J osservazioni come missing. Perano, applicando il Kalman Filer in caso di missing, in queso caso risulerà che: y y y y _ a n j a n j P n j P n j σ η e con j,.., J - poso che: a n j E( Quese due implicazioni n j Yn ) a n a n P derivano sempre dall n j Var( n j Yn ) P n P n applicazione del Inolre: Kalman Filer y n j E( yn j Yn ) E( n j Yn ) E( ε n j Yn ) a n j F n j Var( yn j Yn ) Var( n j Yn ) Var( ε n j Yn ) P n j σ ε _ 4
25 Previsione Si può, quindi, concludere che le previsioni e le corrispondeni varianze degli errori sono calcolae con il Kalman Filer applicao convenzionalmene ponendo v 0 e K 0 n,..., n J 5
26 Il Filro di Kalman per il Modello Gaussiano Si consideri il seguene modello Gaussiano: y Z d ε ε ~ N (0,H ),..., n T c R η η ~ N g (0,Q ),..., n con ipoesi di base ~ N ( m a, P ) Si indichi con Y ( y, y,..., y ) l insieme delle osservazioni passae. Si para con e si cosruiscano le disribuzioni di e in modo ricorsivo. Dall applicazione di ale meodo di calcolo risulerà: Pr( y /,...,, Y ) Pr( y / ) k y Pr(,...,, Y ) Pr( / ) Si supponga che a e P siano noi, l obieivo è oenere la disribuzione condizionaa di dao Y,..., n Y ( y, y,..., y ) dove 6
27 Il Filro di Kalman per il Modello Gaussiano Similmene a quano già viso nel caso del local level model, ue le disribuzioni sono normali, anche le disribuzioni congiune condizionae di un insieme di osservazioni dao un alro insieme di osservazioni sono normali. Si assuma che ~ Nm( a, P ) daa Y η a E( Y ) E( T c R Y ) T E( Y ) c P Var( Y ) Var( T c Rη Y ) TVar ( Y ) T ' RQ R ',..., n 7
28 Il Filro di Kalman per il Modello Gaussiano Si definisca la previsione dell errore un passo avani dao () v y E( y Y ) y E( Z d ε Y ) y Z a d Ricordando che quando Y e v sono fissai, allora anche y è fissao e viceversa, e che :. E( v ) E[ E( v / Y E( Z d )] E[ E( y ε Z a d Z a / Y d ) / Y 0 )] Y Cov( y, v ) E[ y E( v Y ) '] 0 j,..., Var( / Y j j ) Var( / Y, v ) Var( / Y ) Cov(, v ) Var( v ) Cov(, v P { } { } Cov(, v ) E[ E( v ' Y )] E[ E ( Z d ε Z a d )' Y ] E[ E ( a )' Z ' Y ] PZ ' PZ ' F Z P ' )' 8
29 Il Filro di Kalman per il Modello Gaussiano risula che: E( Y ) E( Y, v ) E( Y ) Cov(, v ) Var( v ) v () Var( v ) F Var( Z d ε Z a d ) Z P Z ' H Ipoizzando che F sia non singolare, si definiscono le resani equazioni dell algorimo di Kalman : a T E( Y ) c T a T P Z ' F v c T a K v c,..., n (4) K T PZ ' F a P Z ' F v P TVar ( Y ) T ' RQ R ' T P L ' RQ R ' (3) (5) L T K Z (6) Tue le formulazioni dalla () alla (6) definiscono il Kalman Filer. 9
30 Il Filro di Kalman per il Modello Gaussiano OSSERVAZIONI a a è sao oenuo mediane funzione lineare del valore precedene e v (ques ulimo l errore previso/simao di dao y Y VANTAGGI DELLA PROCEDURA RICORSIVA. Inversione di una marice F (k x k ) anziché inversione di una marice delle osservazioni (k x k ) con,,n. Nel caso in cui le osservazioni non sono normali e ci si limia a sime lineari in y, qualora Z e T non dipendano da Y a, oenuo mediane il Kalman Filer, minimizzerà l errore quadraico medio delle sime di ogni elemeno di 3. Quando le variabili non sono normali, i risulai oenui con il Kalman Filer sono sempre validi in ermini di errore quadraico medio minimo. 30
31 Inizializzazione del Filro di Kalman La definizione del modello sae space è compleaa dalla disribuzione dello sao iniziale : ~ N (a, P ) con a e P noi. Quando a e P non sono noe, le srade possibili per l inizializzazione del Kalman Filer sono due:. Quando disponibile l informazione a priori su y e rappresenando come avesse una densià diffusa a priori, si fissa a ad un valore arbirario e si fa endere ad infinio la varianza: P. Queso processo è noo come inizializzazione diffusa del Kalman ed il filro è deo Kalman Filer diffuso. Ma proprio l assunzione di varianza infinia non piace a ui perché è innaurale daa la naura finia dei valori osservai. Un approccio alernaivo consise nell assumere che sia una cosane non noa e simarla con il meodo della massima verosimiglianza dalla prima osservazione y. Di conseguenza, si inizializza il Kalman Filer ponendo: a e P Var( ) 3
32 Inizializzazione del Filro di Kalman. Quando non si hanno informazioni a priori su si possono inizializzare le componeni non sazionarie (cioè, rend e sagionalià) del nosro modello sruurale sempre per mezzo di disribuzioni diffuse (cioè, a varianza infinia), menre le componeni sazionarie possono essere inizializzae per mezzo di disribuzioni marginali. Qualora conenga solo componeni sazionarie, la disribuzione marginale di è normale con: E( ) TE( ) c RE( ) η a Ta c a ( I T ) c y Σ E[( a )( a )'] TPT ' RQR ' 3
33 e la marice di covarianza così definia: oenua per mezzo della seguene operazione di veorizzazione: 33 Inizializzazione del Filro di Kalman Σ { } ' ' ]' ) ( ][ ) ( [ )'] )( [( RQR T T R a T R a T E a a E Ρ Ρ Σ η η ') ( ) ( ) ( RQR vec T T I P vec
34 Sima di Max Verosimiglianza di un modello Sae Space Considerao che ue le variabili sono normalmene disribuie e le equazioni dell algorimo del Kalman Filer sono ue lineari v ~ N(0, F ) Perano, la funzione di log-verosimiglianza esaa da uilizzare al fine di simare il modello sae space è definia come segue: n kn log L log p( y) log π (log de( F nella quale: p( y) n p( y / Y k indica la dimensione del veore oppure il numero di osservazioni in Z ) Tui gli elemeni della funzione di log-verosimiglianza sono direamene calcolai dal Kalman Filer. y ) v ' F v ) 34
35 Sima di Max Verosimiglianza di un modello Sae Space In ermini scalari per il local level model la funzione di log-verosimiglianza è così definia: log n n L log p( y) log π (log F v F ) 35
36 Smoohing L operazione di smoohing consene di simare araverso l applicazione ricorsiva del Kalman Filer i veori di sao, la varianza di sao V, gli errori delle osservazioni ε e gli errori di sao η Perano, l operazione di smoohing consene di simare ue le variabili incognie del modello sae space. Essendo un operazione molo complessa, ci limiiamo a visionare la formulazione delle suddee variabili simae: n E ( / y) a Cov(, v j ) Fj v j j n V Var( / y) P [Cov(, v j )] Fj j ε E (ε / y) y σ ε ( F v K r ) η E (η / y) ση r n,... n,... 36
37 Smoohing r dove è una variabile che ricorsivamene all indiero può essere oenua dalla seguene espressione: v r F L r 37
Modelli ARMA, regressione spuria e cointegrazione Amedeo Argentiero
Modelli ARMA, regressione spuria e coinegrazione Amedeo Argeniero amedeo.argeniero@unipg.i Definizione modello ARMA Un modello ARMA(p, q) (AuoRegressive Moving Average of order p and q) ha la seguene sruura:
DettagliTerza lezione: Processi stazionari
Teoria dei processi casuali a empo coninuo Terza lezione: Concei inroduivi Il conceo di sazionarieà Sazionarieà in senso lao Esempi e modelli 005 Poliecnico di Torino 1 Concei inroduivi Significao di sazionarieà
DettagliFacoltà di Economia - Università di Sassari Anno Accademico Dispense Corso di Econometria Docente: Luciano Gutierrez
Facolà di Economia - Universià di Sassari Anno Accademico 2004-2005 Dispense Corso di Economeria Docene: Luciano Guierrez Uilizzo dei modelli di regressione per l analisi della serie soriche Programma:
DettagliModelli stocastici per la volatilità
Modelli socasici per la volailià Dai modelli di volailià a media mobile ai modelli GARCH I modelli di volailià con medie mobili assumono ce i rendimeni siano i.i.d. la volailià è cosane nel empo: forniscono
DettagliModelli stocastici per la volatilità
Modelli socasici per la volailià Inroduzione ai modelli GARCH Generalized AuoRegressive Condiional Heeroschedasiciy In un modello GARCH si assume che i rendimeni siano generai da un processo socasico con
DettagliGeometria analitica del piano pag 1 Adolfo Scimone
Geomeria analiica del piano pag Adolfo Scimone GEOMETRIA ANALITICA Lo scopo della geomeria analiica è quello di individuare i puni di una rea, di un piano, dello spazio, o più in generale gli eni geomerici
Dettagli1 Catene di Markov a stati continui
Caene di Markov a sai coninui In queso caso abbiamo ancora una successione di variabili casuali X 0, X, X,... ma lo spazio degli sai è un insieme più che numerabile. Nel seguio supporremo che lo spazio
DettagliProcessi stocastici e affidabilità
Processi socasici e affidabilià ω Dao un esperimeno casuale, si assuma di associare ad ogni ( ω ) esio ω una funzione x, di. Risula così definio un insieme di funzioni del empo, deo processo socasico,
DettagliCapitolo 9 I Σ I BC I BC. Dimostrazione: Con un calcolo diretto si prova la a). La b) e` ovvia. Dalla a) e b) segue. xy x μx y μ
Capiolo 9 9- Richiami sulle disribuzioni normali mulivariae 9- Modelli nello spazio degli sai (Modelli Sae Space e cosruzione del filro di Kalman 9-3 Filraggio previsione e regolarizzazione nei modello
Dettagli1. ESEMPIO DI CINEMATICA DI UN SISTEMA A DUE CORPI RIGIDI
. ESEMPIO DI CINEMATICA DI UN SISTEMA A DUE CORPI RIGIDI Dao il sisema illusrao in Figura, consisene in due barre rigide connesse da un giuno di roazione orizzonale ; la prima barra è vincolaa a ruoare
DettagliEquazioni Differenziali (5)
Equazioni Differenziali (5) Daa un equazione differenziale lineare omogenea y n + a n 1 ()y n 1 + a 0 ()y = 0, (1) se i coefficieni a i non dipendono da, abbiamo viso che le soluzioni si possono deerminare
Dettagli*5$1'(==(3(5,2',&+( W GW
*51'((3(5'&+( 3UQFSDOGQ]RQ Una grandezza empodipendene D) si definisce SURGFD quando ad uguali inervalli T assume valori uguali cioè quando vale la relazione (con n inero qualsiasi): ( ) D( Q) D + (1)
DettagliTeoria dei Segnali. La Convoluzione (esercizi) parte prima
Teoria dei Segnali La Convoluzione (esercizi) pare prima 1 Si ricorda che la convoluzione ra due segnali x() e y(), reali o complessi, indicaa simbolicamene come: C xy () = x() * y() è daa indifferenemene
DettagliGeometria analitica del piano pag 7 Adolfo Scimone. Rette in posizioni particolari rispetto al sistema di riferimento
Geomeria analiica del piano pag 7 Adolfo Scimone Ree in posizioni paricolari rispeo al sisema di riferimeno L'equazione affine di una rea a + + c = 0 può assumere forme paricolari in relazione alla posizione
DettagliMinimi Quadrati Ricorsivi
Minimi Quadrai Ricorsivi Minimi Quadrai Ricorsivi Fino ad ora abbiamo sudiao due diversi meodi per l idenificazione dei modelli: - Minimi quadrai, uilizzao per l idenificazione dei modelli ARX, in cui
DettagliSoluzione degli esercizi del Capitolo 3
Soluzione degli esercizi del Capiolo Soluzione dell Esercizio. Ricordando dal Paragrafo A.6 dell Appendice A che è facile oenere ẋ () d d ( (e A e A x + Ae (e A A x + ( A e A( ) x + Ax () + Bu () d ( e
DettagliGeometria BAER A.A Foglio esercizi 1
Geomeria BAER A.A. 16-17 Foglio esercii 1 Eserciio 1. Risolvere le segueni equaioni lineari nelle variabili indicae rovando una parameriaione dell insieme delle soluioni. a) + 5y = 3 nelle incognie, y.
DettagliVolume FISICA. Elementi di teoria ed applicazioni. Fisica 1
Volume FISICA Elemeni di eoria ed applicazioni Fisica ELEMENTI DI TEORIA ED APPLICAZIONI Fisica CUES Cooperaiva Universiaria Edirice Salerniana Via Pone Don Melillo Universià di Salerno Fisciano (SA)
DettagliStabilità dell equilibrio (parte II)
Appuni di Teoria dei sisemi - Capiolo 5 Sabilià dell equilibrio (pare II) Cenni sui crieri di insabilià... Cenni sulla sabilià dell equilibrio nei sisemi discrei... 3 Crieri di sabilià del movimeno...
DettagliX 3 = tasso di intervento della Banca centrale Europea (ex tasso ufficiale di sconto)
ECONOMETRIA Esempi di ESERCIZI per la PROVA SCRITTA 1) Quali sviluppi della meodologia saisica hanno favorio la nascia dell economeria (fondazione dell Economeric Sociey, 1930). Quali conribui meodologici
Dettagli0.1 Formula di Gauss e formula di Stokes
1.1 Formula di Gauss e formula di Sokes Siano Ω un apero di R 3, F un campo veoriale definio su Ω, S una superficie la cui chiusura è conenua in Ω. Supponiamo inolre che in S si possano disinguere due
DettagliUniversità degli studi di Genova Facoltà di Scienze Matematiche, Fisiche e Naturali. Prova Finale. Titolo:
Universià degli sudi di Genova Facolà di Scienze Maemaiche, Fisiche e Naurali Anno accademico 003 004 Corso di laurea in Saisica Maemaica e Traameno Informaico dei Dai Prova Finale Tiolo: Analisi delle
DettagliRecupero 1 compitino di Analisi Matematica 2 Ingegneria Elettronica. Politecnico di Milano. A.A. 2018/2019. Prof. M. Bramanti
Recupero 1 compiino di Analisi Maemaica Ingegneria Eleronica. Poliecnico di Milano Es. Puni A.A. 18/19. Prof. M. Bramani 1 Tema n 1 3 4 5 6 To. Cognome e nome in sampaello codice persona o n di maricola
DettagliIntroduzione ai Modelli di Durata: Stime Non-Parametriche. a.a. 2009/ Quarto Periodo Prof. Filippo DOMMA
Inroduzione ai Modelli di Duraa: ime Non-Parameriche cenni a.a. 2009/2010 - Quaro Periodo Prof. Filippo DOMMA Corso di Laurea pecialisica/magisrale in Economia Applicaa Facolà di Economia UniCal F. DOMMA
DettagliSISTEMI A TEMPO DISCRETO. x t + = f x( t ),u( t ) = Ax( t ) + Bu( t ), x( t ) = x R y(t) = η x(t),u(t) = Cx(t) + Du(t)
Assumiamo la variabile emporale discrea; sia f lineare. Si consideri la seguene rappresenazione implicia: 1 x f x,u Ax Bu, x x R y η x,u Cx Du n 1 1 Rappresenazioni equivaleni Si consideri la rasformazione:
DettagliCorso di Misure Geodeiche Esercizio posizionameno relaivo Versione:. Jun. 00 Creao da Marco Scurai. remessa. La presene eserciazione risolve in modo compleo e deagliao un problema di sima della posizione
DettagliIl Value at Risk secondo l approccio parametrico: un esempio semplificato
Universià degli Sudi di Napoli Federico II Caedra di Economia delle Aziende di Assicurazione Il Value a Risk secondo l approccio paramerico: un esempio semplificao Domenico Curcio, Ph. D. Value a Risk
Dettagli25.2. Osservazione. Siccome F(x, y, z) = 0 è un equazione e non un identità, una superficie non contiene tutti gli 3 punti dello spazio.
. Cono e cilindro.. Definiione. Diremo superficie il luogo geomerico dei puni dello spaio le cui coordinae soddisfano un equaione del ipo F che viene dea equaione caresiana della superficie. Se F è un
DettagliEquilibrio e stabilità di sistemi dinamici. Stabilità interna di sistemi dinamici
Equilibrio e sabilià di sisemi dinamici Sabilià inerna di sisemi dinamici Sabilià inerna di sisemi dinamici Inroduzione allo sudio della sabilià Sabilià inerna di sisemi dinamici TC Sabilià inerna di sisemi
DettagliGrandezze scalari e vettoriali
Grandezze scalari e veoriali Esempio veore sposameno: Esisono due ipi di grandezze fisiche. a)grandezze scalari specificae da un valore numerico (posiivo negaivo o nullo) e (nel caso di grandezze dimensionae)
DettagliSoluzioni degli esercizi di Analisi Matematica I
Sapienza - Universià di Roma - Corso di Laurea in Ingegneria Eleroecnica Soluzioni degli esercizi di Analisi Maemaica I A.A. 6 7 - Docene: Luca Baaglia Lezione del Dicembre 6 Argomeno: Equazioni differenziali,
DettagliMedie statistiche Processi stazionari Trasformazioni di processi casuali Ergodicità di processi WSS Analisi spettrale di processi WSS
Teoria dei segnali Unià 4 Teoria dei processi casuali a empo coninuo Teoria dei processi casuali a empo coninuo Medie saisiche Processi sazionari Trasformazioni di processi casuali Ergodicià di processi
DettagliAnalisi Matematica II Corso di Ingegneria Gestionale Compito del log 1 + x2 y 2
Analisi Maemaica II Corso di Ingegneria Gesionale Compio del 5-7-7 - È obbligaorio consegnare ui i fogli, anche la brua e il eso. - Le rispose senza giusificazione sono considerae nulle. Esercizio. puni
DettagliANALISI VETTORIALE ESERCIZI SU EQUADIFF. y = y(y 1)t. = e C e t2 /2 y 1 y
ANALISI VETTORIALE ESERCIZI SU EQUADIFF Esercizio Calcolare l inegrale generale dell equazione differenziale = ( ) e deerminare quali soluzioni sono definie su uo R. Risposa Fuori dagli equilibri = 0 e
DettagliFondamenti di Automatica Test di autovalutazione n.1 (test di ingresso) può anche essere rappresentato come
Fondameni di Auomaica Tes di auovaluazione n. (es di ingresso). Il numero complesso [a] 2 j2 3 [b] 2 3 j2 [c] 8 3 j [d] 2 + j2 3 /6 4e jπ può anche essere rappresenao come 2. L argomeno, espresso in radiani,
Dettagli10 ESERCITAZIONE. Esercizi svolti: Capitolo 15 Curva di Phillips Esercizio 2. Capitolo 16 Disinflazione, disoccupazione e crescita Esercizio 3
10 SRCITAZION sercizi svoli: Capiolo 15 Curva di Phillips sercizio 2 Capiolo 16 Disinflazione, disoccupazione e crescia sercizio 3 1 CAPITOLO 15 CURVA DI PHILLIPS Curva di Phillips Relazione che lega inflazione
DettagliAnalisi Matematica 3/Analisi 4 - SOLUZIONI (19/01/2015)
Corso di Laurea in Maemaica Docene: Claudia Anedda Analisi Maemaica 3/Analisi 4 - SOLUZIONI (19/1/215) 1) Daa la serie x b e nx [(n + 1) 2 e x n 2 ], n1 b N +, b pari: i) dimosrare che essa è una serie
DettagliESERCITAZIONE 3 Analisi Classica - Reprise
STATISTICA ECONOMICA ED ANALISI DI MERCATO Previsioni Economiche ed Analisi di Serie Soriche A.A. 2003 / 04 ESERCITAZIONE 3 Analisi Classica - Reprise di Daniele Toninelli D ORA IN POI LAVORARE SUI PRIMI
DettagliProcesso di Arrivi di Poisson
CALCOLO DELLE PROBABILITA Processo di Arrivi di Poisson Per arrivo riferimeno. si inende un qualsiasi eveno casuale che si realizza in un deerminao sisema di Un processo di arrivi è un flusso di eveni
DettagliRISPOSTA IN FREQUENZA DEI SISTEMI LINEARI TEMPO INVARIANTI
RISPOSTA IN FREQUENZA DEI SISTEMI LINEARI TEMPO INVARIANTI RISPOSTA IN FREQUENZA SISTEMI LTI Inroduzione Se il segnale d ingresso di un sisema Lineare Tempo-Invariane LTI e un esponenziale complesso, l
Dettagliintervalli di tempo. Esempio di sistema oscillante: Fig. 1 Massa m che può traslare in una sola direzione x, legata ad una molla di rigidezza k.
Sudio delle vibrazioni raa ogni oscillazione di una grandezza inorno ad una posizione di equilibrio. La forma piu semplice di oscillazione e il moo armonico che puo i essere descrio da un veore roane Ae
DettagliCONTROLLI AUTOMATICI Ingegneria Meccatronica
CONTROLLI AUTOMATICI Ingegneria Meccaronica TRASFORMATE DI LAPLACE Prof. Cesare Fanuzzi Ing. Crisian Secchi e-mail: cesare.fanuzzi@unimore.i, crisian.secchi@unimore.i hp://www.auomazione.ingre.unimore.i
DettagliControlli Automatici L
Segnali e rasformae - Corso di Laurea in Ingegneria Meccanica Segnali e rasformae DEIS-Universià di Bologna el. 5 93 Email: crossi@deis.unibo.i URL: www-lar.deis.unibo.i/~crossi Segnali e rasformae - Segnali
DettagliPIL NOMINALE, PIL REALE E DEFLATORE
PIL NOMINALE, PIL REALE E DEFLATORE Il PIL nominale (o a prezzi correni) Come sappiamo il PIL è il valore di ui i beni e servizi finali prodoi in un cero periodo all inerno del paese. Se per calcolare
DettagliFondamenti di Automatica Test di autovalutazione. può anche essere rappresentato come
Fondameni di Auomaica Tes di auovaluazione PARTE A A. Il numero complesso [a] 2 j2 3 [b] 2 3 j2 [c] 8 3 j [d] 2 + j2 3 /6 4e jπ può anche essere rappresenao come A2. L argomeno, espresso in radiani, del
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Probabilià e Saisica 26-7 PBaldi, GTerenzi Tuorao 5, 2 aprile 27 Corso di Laurea in Maemaica Esercizio Dire se esisono delle cosani c ali che le funzioni a) f (x)
DettagliAffidabilità dei sistemi
dei sisemi Un sisema (o uno qualsiasi dei suoi componeni) può essere soggeo a sress casuali. Es: un fusibile in un circuio; una rave di acciaio soo carico; l ala di un aereo soo l influenza di forze Collasso
DettagliVediamo come si sviluppa la soluzione esplicita del problema. ( t)
Analisi ransioria L'analisi dinamica ransioria (dea anche analisi emporale) è una ecnica che consene di deerminare la risposa dinamica di una sruura soggea ad una generica ecciazione emporale Gli effei
Dettaglix(t) y(t) 45 o x x(t) -2T
Eserciazione 0 - Processi casuali Esercizio Si consideri lo schema di fig., dove =A cos(!0 + ) e e una cosane. Si consideri il paramero A come una variabile casuale uniformemene disribuia ra 0 e.calcolare
Dettagli4 appartengono alla traiettoria di γ. 1, C = 2. ( v) Determinare in quali punti il piano normale alla curva è parallelo all asse z. π cos π 2.
Soluzioni Esercizi 6. () Sia γ: R R 3 la curva definia da γ() = cos. e (i) Deerminare se A =, B =, C = 4 apparengono alla raieoria di γ. 8 (ii) Deerminare re puni P, Q, R sulla raieoria di γ. (iii) Deerminare
DettagliSOLUZIONI SCRITTO DI ANALISI MATEMATICA II - 24/06/08. C.L. in Matematica e Matematica per le Applicazioni
SOLUZIONI SCRITTO DI ANALISI MATEMATICA II - 4/06/08 C.L. in Maemaica e Maemaica per le Applicazioni Prof. K. R. Payne e Do. M. Calanchi, C. Tarsi, L. Vesely Soluzione esercizio. (a) Sia f definia da f(x)
DettagliCaratterizzazione degli autovalori (cfr. Lez. VII, punto 2). Gli autovalori di A sono le radici del polinomio caratteristico det(a λi) di A.
Esercizi III Priima di dare la risoluzione dei segueni esercizi su auoveori, auovalori, diagonalizzabilià e diagonalizzazione, ricordiamo alcune definizioni, eoremi e fai su queso argomeno Sia A una marice
DettagliSOLUZIONE. La soluzione del problema viene affrontata secondo due diverse modalità: 1. Approccio analitico; 2. Approccio numerico.
Eicienza di alee piane (esercizio 3.123 di Fundamenals o Hea and Mass Transer, F.P. Incropera, D.P. Dei, T.. Bergman, A.S. avine, 6h Ediion, Wiley, 2007). Un alea piana, cosruia in lega d alluminio 2024
DettagliCircuiti del I ordine
ircuii del I ordine 9 Un circuio è deo del I ordine se coniene un solo elemeno dinamico, condensaore o induore, e per il reso è cosiuio da componeni elerici di ipo algebrico privi di memoria, ovvero generaori
DettagliTratto dal Corso di Telecomunicazioni Vol. I Ettore Panella Giuseppe Spalierno Edizioni Cupido. lim. 1 t 1 T
rao dal Corso di elecomunicazioni Vol. I ore Panella Giuseppe Spalierno dizioni Cupido 4. nergia e Poenza Dao un segnale di ampiezza s() si definisce energia oale il valore del seguene inegrale: + / /
DettagliLinea guida raccomandata per la valutazione della vita residua di componenti esercìti in regime di scorrimento viscoso
ISPESL Linea guida raccomandaa per la valuazione della via residua di componeni esercìi in regime di scorrimeno viscoso Calcolo della frazione di via consumaa per scorrimeno viscoso Sezione 2 LG v. 1 Nella
DettagliCi domandiamo allora se e sempre possibile rappresentare una funzione in questo modo.
1. Serie di Fourier I problemi al bordo associai ad equazioni differenziali si sanno risolvere con il meodo di separazione delle variabili solano se il dao iniziale si rappresena nella forma fx = a cosx
DettagliIndice generale della produzione industriale. indice grezzo corretto per i giorni lavorativi destagionalizzato. marzo 07.
Indice generale della produzione indusriale indice grezzo correo per i giorni lavoraivi desagionalizzao 0.0 0.0 00.0 indice 90.0 80.0 70.0 60.0 50.0 marzo 06 giugno 06 seembre 06 dicembre 06 marzo 07 giugno
DettagliLa Previsione della Domanda. La previsione della domanda è un elemento chiave della gestione aziendale
La Previsione della omanda La previsione della domanda è un elemeno chiave della gesione aziendale Cosi Cliene Vanaggio compeiivo esi I mod 001 1 ermiene rocesso oninuo Personalizzao Prodoo Indifferenziao
DettagliLa risposta di un sistema lineare viscoso a un grado di libertà sollecitato da carichi impulsivi. Prof. Adolfo Santini - Dinamica delle Strutture 1
La risposa di un sisema lineare viscoso a un grado di liberà solleciao da carichi impulsivi Prof. Adolfo Sanini - Dinamica delle Sruure 1 Inroduzione 1/2 Un carico p() si definisce impulsivo quando agisce
DettagliGEOMETRIA svolgimento di uno scritto del 12 Gennaio 2011
GEOMETRIA svolgimeno di uno scrio del Gennaio ) Trovare una base per lo spaio delle soluioni del seguene sisema omogeneo: + + 9 + 6. Il sisema può essere scrio in forma mariciale nel modo seguene : 9 6
DettagliRadiazione e Relativita Ristretta
Radiazione e Relaivia Risrea V Radiazione di mulipolo 16/1/8 E.Menichei 1 Campi eleromagneici variabili Campi associai a cariche mobili variabili Diverse zone spaziali ineressae Vicino alle sorgeni: zona
DettagliAnalisi delle serie storiche parte IV Metodi di regressione
Analisi delle serie soriche pare IV Meodi di regressione a.a. 16/17 Saisica Economica -Laurea in Relazioni Economiche Inernazionali 1 Meodo della regressione La componene di fondo, Trend o Ciclo-Trend,
DettagliRISPOSTA IN FREQUENZA DEI SISTEMI LINEARI TEMPO INVARIANTI
RISPOSTA IN FREQUENZA DEI SISTEMI LINEARI TEMPO INVARIANTI 1 Fondameni di segnali Fondameni e rasmissione TLC Inroduzione Se il segnale d ingresso di un sisema Lineare Tempo-Invariane LTI e un esponenziale
DettagliTRASFORMATE DI LAPLACE
CONTROLLI AUTOMATICI Ingegneria della Gesione Indusriale e della Inegrazione di Impresa hp://www.auomazione.ingre.unimore.i/pages/corsi/conrolliauomaicigesionale.hm Trasformae di Laplace Gli esempi visi
DettagliL analisi delle serie storiche
L analisi delle serie soriche Per serie sorica si inende un insieme di dai ordinai secondo un crierio cronologico. Ogni dao è associao ad un paricolare isane o inervallo di empo. Se a ciascun isane o inervallo
DettagliCorso di Laurea in Ingegneria Informatica (Laurea on Line) Prima prova Intermedia
Milano, 4//003 Corso di Laurea in Ingegneria Informaica (Laurea on Line) Corso di Fondameni di Segnali e rasmissione Prima prova Inermedia Carissimi sudeni, scopo di quesa prima prova inermedia è quello
Dettaglied interpretare geometricamente il risultato ottenuto. Esprimere, per t 2, l integrale
Fisica Prova d esempio per l esame (MIUR, aprile 019) Problema 1 Due fili reilinei paralleli vincolai a rimanere nella loro posizione, disani 1 m l uno dall alro e di lunghezza indefinia, sono percorsi
DettagliSTATISTICA ECONOMICA ED ANALISI DI MERCATO Previsioni Economiche ed Analisi di Serie Storiche A.A / 04 ESERCITAZIONE 4. Exponential Smoothing
TATTCA ECONOMCA ED ANAL D MERCATO Previsioni Economiche ed Analisi di erie oriche A.A. 2003 / 04 EERCTAZONE 4 Exponenial moohing di Daniele Toninelli Noa: LAVORARE U PRM 0 ANN D DAT E ARE EVENTUAL PREVON
DettagliIl modello di crescita deriva dalla logica del tasso di interesse semplice
Eserciazione 7: Approfondimeni sui modelli di crescia. Crescia arimeica, geomerica, esponenziale. Calcolo del asso di crescia e del empo di raddoppio. Viviana Amai 03/06/2009 Modelli di crescia Nella prima
DettagliCircuiti dinamici. Circuiti del primo ordine. (versione del ) Circuiti del primo ordine
ircuii dinamici ircuii del primo ordine www.die.ing.unibo.i/pers/masri/didaica.hm (versione del 4-5- ircuii del primo ordine ircuii del primo ordine: circuii il cui sao è definio da una sola variabile
DettagliSTABILITÀ DI SISTEMI DINAMICI STABILITÀ INGRESSO-USCITA (BIBO)
3 Capiolo STABILITÀ DI SISTEMI DINAMICI STABILITÀ INGRESSO-USCITA (BIBO) Un generico sisema è deo sabile se, ecciao da una qualsiasi funzione di enraa ale da essere sempre limiaa, risponde con una uscia
Dettagli1) Determinare la soluzione massimale del problema di Cauchy. 2) Determinare la soluzione massimale del problema di Cauchy.
Capiolo 3 Equazioni differenziali Esercizi ) Deerminare la soluzione massimale del problema di Cauchy y ()= y() 4 3 y()= ) Deerminare la soluzione massimale del problema di Cauchy y ()= 4 + 6 y()+ 8 (
DettagliMATEMATICA FINANZIARIA A.A Prova del 22 febbraio Esercizio 1 (4 punti)
MATEMATICA FINANIARIA A.A. 007 00 Prova del febbraio 00 Esercizio (4 puni) La vendia raeale di un bene di valore 30 000 prevede il pagameno di 30 rae mensili posicipae cosani differie di 6 mesi, di imporo
DettagliTeoria dei segnali terza edizione
eoria dei segnali Capiolo 4 Sisemi monodimensionali a empo coninuo SOLUZIONI DEGLI ESERCIZI Soluzione dell esercizio 4. Il segnale x () coniene le requenza = and = 7 / ( ) = 3.5 / quindi, disorsioni di
DettagliEsercizi aggiuntivi Unità A1
Esercizi aggiunivi Unià A Esercizi svoli Esercizio A Concei inroduivi Daa la grandezza impulsiva periodica la cui forma d onda è rappresenaa nella figura A., calcolarne il valore medio nel periodo, il
DettagliApproccio Classico: Metodi di Scomposizione
Approccio Classico: Meodi di Scomposizione Il Modello di Scomposizione Il modello maemaico ipoizzao nel meodo classico di scomposizione è: y =f(s, T, E ) dove y è il dao riferio al periodo S è la componene
DettagliUniversità degli Studi di Bergamo Corso di Geometria e Algebra Lineare (vecchio programma) 17 giugno 2015 Tema A
Universià degli Sudi di Bergamo orso di Geomeria e Algebra Lineare (vecchio programma) 7 giugno Tema A Tempo a disposizione: ore. alcolarici, libri e appuni non sono ammessi. Ogni esercizio va iniziao
DettagliSOLUZIONE ESERCIZI: CONCORRENZA PERFETTA E OLIGOPOLIO. ECONOMIA INDUSTRIALE Università degli Studi di Milano-Bicocca. Christian Garavaglia
SOLUZIONE ESERCIZI: CONCORRENZA PERFETTA E OLIGOPOLIO ECONOMIA INDUSTRIALE Universià degli Sudi di Milano-Bicocca Chrisian Garavaglia Soluzione 4 a) Indicando con θˆ la sima di θ, il profio aeso dell impresa
DettagliLezione 0. Richiami di teoria dei sistemi (a tempo continuo e a tempo discreto) F. Previdi - Controlli Automatici - Lez. 0 1
Lezione 0. Richiami di eoria dei sisemi (a empo conino e a empo discreo) F. Previdi - Conrolli Aomaici - Lez. 0 Sisemi a empo conino C. Rappresenazione di sao C. Eqilibrio C3. Sisemi LTI SISO C4. Eqilibrio
DettagliOsservabilità (1 parte)
eoria dei sisemi - Capiolo 9 sservabilià ( pare) Inroduzione al problema della osservabilià: osservazione e ricosruzione. Sai indisinguibili e sai non osservabili...3 Soospazi di osservabilià e non osservabilià
DettagliProprietà razionali per il prezzo
Proprieà razionali per il prezzo delle opzioni call 8/09/0 Corso di Finanza quaniaiva L aricolo di Rober Meronpubblicao nel 973, heoryofraionalopionpricing idenifica una serie di proprieà che devono valere
DettagliEsercizio 1 [punti 4] Si tracci il grafico dei segnali a. x 1 (t) = x( t + 2), t R, b. x 2 (t) = x( t 1), t R, sapendo che x(t) =
Esercizio [puni 4] Prova scria di SEGNALI E SISTEMI 5 seembre 2003 Proff. L. Finesso, M. Pavon e S. Pinzoni (a.a. 2002-2003) Teso e Soluzione (redaa da L. Finesso) Si racci il grafico dei segnali a. x
DettagliANALISI DEI RESIDUI E RELAZIONI NON LINEARI
Lezione del 5-- (IV canale, Do.ssa P. Vicard) ANALISI DEI RESIDUI E RELAZIONI NON LINEARI ESEMPIO: consideriamo il seguene daa se x y xy x y* e 9, 9,,,, 5, 7,,,7, 9 9,5 -,7 9,77 7,9 7,5,7 9,,,5,7,, 9,
DettagliSoluzioni di reti elettriche lineari PAS Introduzione
Soluzioni di rei eleriche lineari PAS Inroduzione Domanda: Cosa sono le rei eleriche lineari in regime Periodico Alernao Sinusoidali PAS? Risposa: Sono rei lineari in cui i generaori hanno dipendenza dal
DettagliControllo Ottimo Lineare Quadratico: Introduzione. Docente Prof. Francesco Amato
Conrollo Oimo Lineare Quadraico: Inroduzione Docene Prof. Francesco Amao Ingegneria dell'auomazione Corso di Sisemi di Conrollo Mulivariabile - Prof. F. Amao ersione 1.2 Novembre 2011 1 Cenni sorici Il
DettagliLa risposta di un sistema lineare viscoso a un grado di libertà sollecitato da carichi periodici. Prof. Adolfo Santini - Dinamica delle Strutture 1
La risposa di un sisema lineare viscoso a un grado di liberà solleciao da carichi periodici Prof. Adolfo Sanini - Dinamica delle Sruure 1 Inroduzione 1/ Un carico p() si dice periodico quando assume indefiniamene
DettagliSISTEMI LINEARI TEMPO INVARIANTI. Fondamenti Segnali e Trasmissione
SISTEMI LINEARI TEMPO INVARIANTI Fondameni Segnali e Trasmissione Definizione di sisema Sisema: Da un puno di visa fisico e un disposiivo ce modifica un segnale (), deo ingresso, generando il segnale y(),
DettagliSISTEMI LINEARI TEMPO INVARIANTI
SISTEMI LINEARI TEMPO INVARIANTI 1 Fondameni di segnali Fondameni e rasmissione TLC Definizione di sisema Sisema: Da un puno di visa fisico e un disposiivo ce modifica un segnale x(, deo ingresso, generando
DettagliScienza dei Materiali VO Esercitazioni
Scienza dei Maeriali VO Eserciazioni 9. Deformazione viscoelasica ver. 1.0 ESERCIZI Ex 9.1 Rilassameno Uno sforzo di 7.6 MPa è applicao ad un maeriale elasomerico manenendo cosane la deformazione. Dopo
DettagliCorso di laurea in Ingegneria Meccatronica CONTROLLI AUTOMATICI E CA - 03 FUNZIONE DI TRASFERIMENTO
Auomaion Roboics and Sysem CONTROL Corso di laurea in Ingegneria Meccaronica CONTROLLI AUTOMATICI E AZIONAMENTI ELETTRICI CA - 03 FUNZIONE DI TRASFERIMENTO Universià degli Sudi di Modena e Reggio Emilia
DettagliI processi aleatori Ingegneria Clinica A.A
Universià di Roma Sapienza Corso di Elaborazione di Dai e Segnali Biomedici Facolà di Ingegneria Civile e Indusriale I processi aleaori Ingegneria Clinica A.A. 08-09 Francesco Infarinao, PhD Laboraorio
DettagliSistemi lineari, a dimensioni finite, tempodiscreti
Appuni di eoria dei sisemi apiolo IV - Pare 3 Sisemi lineari, a dimensioni finie, empodiscrei Sisemi empo-discrei lineari a dimensioni finie... Soluzione dell equazione di sao...3 Reversibilià del sisema...4
DettagliUniversità di Napoli Parthenope Facoltà di Ingegneria
Universià di Napoli Parenope Facolà di Ingegneria Corso di Comunicazioni Elerice docene: Prof. Vio Pascazio a Lezione: 7/04/003 Sommario Caraerizzazione energeica di processi aleaori Processi aleaori nel
Dettaglidel segnale elettrico trifase
del segnale elerico rifase Gli analizzaori di poenza e di energia Qualisar+ consenono di visualizzare isananeamene le caraerisiche di una ree elerica rifase. emporale I Qualisar+ visualizzano simulaneamene
DettagliSERIE STORICHE, PROCESSI E MODELLI STOCASTICI PER L IDROLOGIA E LA GESTIONE DELLE RISORSE IDRICHE
SERIE STORICHE, PROCESSI E MODELLI STOCASTICI PER L IDROLOGIA E LA GESTIONE DELLE RISORSE IDRICHE Pierluigi Claps DITIC POLITECNICO DI TORINO [claps@polio.i] Appuni scrii per il Corso di III livello: Simulazione
Dettaglisedimentazione Approfondimenti matematici
sedimenazione Approfondimeni maemaici considerazioni sulla velocià L espressione p A F = R (1) che fornisce la relazione sulle forze ageni nel processo della sedimenazine, indica che all inizio il moo
DettagliCorso di Geometria e Algebra Lineare: Geometria Lineare. 6^ Lezione
Corso di Geomeria e Algebra Lineare: Geomeria Lineare 6^ Lezione Luoghi geomerici del piano. Rea. Equazione caresiana. Equazione esplicia. Forme paricolari dell equazione della rea. Equazione segmenaria
DettagliLa procedura Box-Jenkins
La procedura Box-Jenkins La selezione del modello - Procedura di Box e Jenkins (1976): procedura per cosruire, a parire dall osservazione dei dai, un modello ARMA ao ad approssimare il processo generaore
Dettagli