Teoria della decisione e della stima. Esercitazioni di laboratorio Anno accademico M.S. Greco
|
|
- Gerardo Bianchini
- 4 anni fa
- Visualizzazioni
Transcript
1 Teoria della decisione e della stima Esercitazioni di laboratorio Anno accademico M.S. Greco
2 Laboratorio dell 1/10/08 Processi AR + Sx() z = Rx( m) z m= m Densità spettrale complessa La regione di convergenza di S () x z è costituita dai valori di z per cui converge la sommatoria La densità spettrale di potenza ( j f Sx e π ) si ottiene valutando Sx() z sul cerchio unitario Im{z} f=1/4 f=1/ f=-1/ f=0 Re{z}
3 Laboratorio dell 1/10/08 Processi AR AR(1) R ( m) = σ ρ ρ < 1 x x m < m <+ Calcoliamo la densità spettrale complessa: + 1 m m m m m m x() = σx ρ = σx ρ + σx ρ m= m= m= 0 S z z z z σ ρz ρz m m x x ( z) = x z ( z) = m= 1 m= 0 1 σ ρ σ ρ ρ ρ z < 1 z < 1 ρ σ σ m 1 x x ( ρz ) = z > ρ 1 m= 0 1 ρz zona di convergenza 1 ρ ρ S x ( 1 ρ ) σx σxρz σx () z = + = ρz 1 ρz 1 ρz 1 ρz ( )( )
4 Laboratorio dell 1/10/08 Processi AR Esercizio proposto: Processo reale AR(1) con autocorrelazione R ( m) = σ ρ 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 x m
5 Laboratorio dell 1/10/08 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;
6 Laboratorio dell 1/10/08 Processi AR Realizzazione Processo passa-alto
7 Laboratorio dell 1/10/08 Processi AR Coefficiente di correlazione Processo passa-alto
8 Laboratorio dell 1/10/08 Processi AR PSD S x j π f ( e ) = σ W 1 1 ρexp ( j π f ) σw = 1 + ρ ρcos π ( f ) Processo passa-alto
9 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...
10 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...
11 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.
12 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
13 Processi AR Realizzazione 15 realizzazione del processo AR() 10 Processo passa-banda ampiezza 5 0 p1 = 0.98 e j 3π # samples
14 Processi AR PSD processo AR() Processo passa-banda DSP 600 p1 = 0.98 e j 3π normalized frequency
15 Processi AR Funzione di correlazione Processo passa-banda correlazione processo AR()- IFFT formula teorica p1 = 0.98 e j 3π 4 correlazione m
16 Processi AR 3 realizzazione del processo AR() 1 Realizzazione p1 = 0.58 e π j 4 ampiezza # samples
17 Processi AR 5 processo AR() PSD p1 = 0.58 e π j 4 DSP normalized frequency
18 Processi AR processo AR()- IFFT Funzione di correlazione correlazione p1 = 0.58 e π j 4 correlazione formula teorica m
19 Laboratorio del 1/10/08 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
20 Laboratorio del 1/10/08 Stima ML N=8 N=104
21 Laboratorio del 1/10/08 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
22 Laboratorio del 1/10/08 Stima ML N 1 1 ˆ μ = xn ( ) N n= 0 RMSE dello stimatore ML del valor medio
23 Laboratorio del 1/10/08 Stima ML N 1 1 ˆ μ = xn ( ) N n= 0 Polarizzazione dello stimatore ML del valor medio
24 Laboratorio del 1/10/08 Stima ML ˆ σ ML N 1 1 = N n= 0 ( xn ( ) ˆ μ ) ML RMSE dello stimatore ML della varianza
25 Laboratorio del 1/10/08 Stima ML ˆ σ ML N 1 1 = N n= 0 ( xn ( ) ˆ μ ) ML Polarizzazione dello stimatore ML della varianza
26 Laboratorio del 9/10/08 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.
27 10 0 ddpa 10 0 ddpa Laboratorio del 9/10/08 ML vs MAP SNR=-4 db 10-1 ddpxca ddpxa 10-1 ddpxca ddpxa N= N=4
28 10 0 ddpa Laboratorio del 9/10/08 ML vs MAP SNR=-4 db N= ddpxca ddpxa
29 10 0 ddpa 10 0 ddpa Laboratorio del 9/10/08 ML vs MAP N= ddpxca ddpxa 10-1 ddpxca ddpxa SNR=-4 db SNR=10 db
30 Laboratorio del 9/10/08 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
31 Laboratorio del 9/10/08 ML vs MAP N= ML MAP SNR = A σ 10-1 SNR = σ A σ MSE SNR (db)
32 Laboratorio del 9/10/08 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)
33 Laboratorio del 5/11/08 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 j π 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
34 Laboratorio del 5/11/08 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
35 Laboratorio del 5/11/08 Stima ML Esercizio proposto: implementazione della stima ML calcolo degli RMSE al variare di N confronto con i CRLB istruzioni: fft, angle, max
36 Laboratorio del 5/11/08 Stima ML Stima della frequenza A= MSE CRLB σ =1 Frequency MSE N
37 Laboratorio del 5/11/08 Stima ML Stima dell ampiezza 10 MSE CRLB A= σ =1 Amplitude MSE N
38 Laboratorio del 5/11/08 Stima ML Stima della fase 10 0 MSE CRLB A= σ =1 Phase MSE N
39 Laboratorio del 13/11/08 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)
40 Laboratorio del 13/11/08 Filtro di Wiener IIR causale: Si può dimostrare che β n hn ( ) = 1 β un ( ) α dove β = α + γ α + γ (1 ) (1 ) se α = α + > α 0 β = α + γ + α + γ (1 ) (1 ) 1 σ 1 α γ = σ s v 1+ α 1 1 se α = α + < α s SNR = σ σ v 0
41 Laboratorio del 13/11/08 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
42 Laboratorio del 13/11/08 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
43 Laboratorio del 13/11/08 Filtro di Wiener SNR=10 db α=-0.9
44 Laboratorio del 13/11/08 Filtro di Wiener SNR=10 db α=-0.9
45 Laboratorio del 13/11/08 Filtro di Wiener SNR=10 db α=-0.9
46 Laboratorio del 13/11/08 Filtro di Wiener SNR=10 db α=0.99
47 Laboratorio del 13/11/08 Filtro di Wiener SNR=10 db α=0.99
48 Laboratorio del 13/11/08 Filtro di Wiener SNR=10 db α=0.99
49 Laboratorio del 13/11/08 Filtro di Wiener SNR=0 db α=0.99
50 Laboratorio del 13/11/08 Filtro di Wiener SNR=0 db α=0.99
51 Laboratorio del 13/11/08 Filtro di Wiener SNR=0 db α=0.99
52 Laboratorio del 13/11/08 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.
53 Laboratorio del 19/11/08 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 ρ( n) θ ( n) ρ ( n + 1) Accelerazione radiale θ ( n+ 1) = θ( n) + T θ( n) θ ( n + 1) θ ( n+ 1) θ( n) = T θ( n) = u ( n) Accelerazione angolare
54 Laboratorio del 19/11/08 Filtro di Kalman Esercizio proposto: implementazione del filtro di Kalman vettoriale per la stima di posizione e velocità angolare e radiale di un bersaglio radar grafico del segnale vero, osservato e stimato al variare del tempo
55 Laboratorio del 19/11/08 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
56 Laboratorio del 19/11/08 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)
57 Laboratorio del 19/11/08 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
58 Laboratorio del 19/11/08 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
59 Laboratorio del 19/11/08 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
60 Laboratorio del 19/11/08 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
61 Laboratorio del 19/11/08 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
62 Laboratorio del 19/11/08 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
63 Laboratorio del 6/11/08 Criterio di decisione MAP Segnalazione antipodale P H ) = P( ) ( 0 H1 ntc T H1 : x( ntc) = A rect + w( ntc) T ntc T H0 : x( ntc) = A rect + w( ntc) T dove: n = 0,1,, N 1 in notazione vettoriale: H H 1 0 : : x= As+ w x= As+ w N = T T c
64 Laboratorio del 6/11/08 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 ) Strategia di decisione: H1 T sx > < H 0 0
65 Laboratorio del 6/11/08 Criterio di decisione MAP 4 Segnale osservato nell hp H 1 N=16 SNR=0 db observed data samples
66 Laboratorio del 6/11/08 Criterio di decisione MAP 1 Filtro adattato N=16 SNR=0 db matched filter output samples
67 Laboratorio del 6/11/08 Criterio di decisione MAP Segnale osservato nell hp H 1 N=16 SNR=10 db observed data samples
68 Laboratorio del 6/11/08 Criterio di decisione MAP Filtro adattato N=16 SNR=10 db matched filter output samples
69 Laboratorio del 6/11/08 Criterio di decisione MAP Probabilità d errore N=16 N s =50000 error probability sim Q SNR (db)
70 Laboratorio del 6/11/08 Criterio di decisione MAP Probabilità d errore N=8 N s =50000 error probability sim Q SNR (db)
71 Laboratorio del 3/1/08 Criterio di decisione NP Segnalazione on-off H H 1 0 : : x( nt x( nt c c ) ) = nt Arect = w( nt c ) in notazione vettoriale: c T T H H 1 0 : : dove: + x x = = w( nt w c ) n = 0,1,, N 1 As + w N = T T c Q ( x) = 0.5* erfc( x )
72 Laboratorio del 3/1/08 Criterio di decisione NP Esercizio proposto: calcolo della probabilità di falso allarme teorica e confronto con quella ottenuta tramite simulazione Monte Carlo al variare della soglia di decisione calcolo delle caratteristiche operative ROC (in teoria e per simulazione) calcolo della probabilità di rivelazione in funzione del rapporto segnale rumore (in teoria e per simulazione)
73 Laboratorio del 3/1/08 Criterio di decisione NP ROC per SNR=0 db P FA in funzione della soglia
74 Laboratorio del 3/1/08 Criterio di decisione NP P D in funzione di SNR, P FA =10-3
75 Laboratorio del 17/1/08 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
76 Laboratorio del 17/1/08 Stima spettrale N=64 N=104
77 Laboratorio del 17/1/08 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.
78 Laboratorio del 17/1/08 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
79 Laboratorio del 17/1/08 Stima spettrale α=0.1 Risoluzione α=
80 Laboratorio del 17/1/08 Stima spettrale Leakage DSP 10-3 α=4 A 1 =1 A = normalized frequency
Processi AR. = σ ρ. Esercizio proposto:
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
DettagliTeoria della decisione e della stima. Esercitazioni di laboratorio Anno accademico M.S. Greco
Teoria della decisione e della stima Esercitazioni di laboratorio Anno accademico 009-10 M.S. Greco Laboratorio del 30/09/09 09 Processi AR + Sx() z = Rx( m) z m= m Densità spettrale complessa La regione
Dettagli1 = Processi Autoregressivi AR(1) Filtro IIR di ordine 1. (WGN White Gaussian Noise) Eq. alle differenze ricorsiva. w=randn(n,1) MATLAB:
Processi Autoregressivi AR(1) Filtro IIR di ordine 1 Wn [ ] hn [ ] X[ n] = ρ X[ n 1] + W[ n] (WGN White Gaussian Noise) w=randn(n,1) Eq. alle differenze ricorsiva MATLAB: n hn [ ] = ρ un [ ] y=filter(b,a,x)
DettagliCorso di Elaborazione Numerica dei Segnali Esame del 30 settembre 2005
Corso di Elaborazione Numerica dei Segnali Esame del 30 settembre 005 TOTALE PUNTI: 44 L allievo é invitato a dare una ragionata e succinta risposta a tutti gli argomenti proposti, per dimostrare il livello
DettagliProva di esame di Teoria dei Segnali
10 aprile 2018 Prova di esame di Teoria dei Segnali Parte quantitativa Candidato: Esercizio A Un canale binario simmetrico è caratterizzato { da una probabilità di errore p (x1 ) = 0.1 P e = 0.2 e probabilità
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
DettagliFENS- ENS esame del 24 febbraio 2006
FENS- ENS esame del 24 febbraio 26 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 essere
DettagliENS - Esame e seconda prova in itinere del 3 luglio 2007
ENS - Esame e seconda prova in itinere del luglio 007 L allievo é invitato a dare una ragionata e succinta risposta a tutti gli argomenti proposti, per dimostrare il livello di preparazione globale. I
DettagliEsercitazione ENS su Predizione lineare (4 Giugno 2008)
Esercitazione ENS su Predizione lineare (4 Giugno 008) D. Donno dove: Esercizio Si consideri il processo reale x n ottenuto risolvendo l equazione alle differenze finite: a 1 = 1; a = 0.08; x n = a 1 x
DettagliENS Esame del 30 giugno 2010
ENS Esame del 30 giugno 00 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 essere sviluppati
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
DettagliEsercizi su predizione lineare
Esercizi su predizione lineare Esercizio Si consideri il processo reale x n ottenuto risolvendo l equazione alle differenze finite: x n a x n a x n + z n dove: a ; a 0.08; E z(n) 0; E z(n)z(n + k) r z
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
DettagliFONDAMENTI DI SEGNALI E TRASMISSIONE 5 Laboratorio
FONDAMENTI DI SEGNALI E TRASMISSIONE 5 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it MATLAB: generazione di numeri casuali Il comando che permette di generare una matrice (n r,n c ) composta da
DettagliIndice. Introduzione al problema dell acquisizione e dell analisi dei dati: definizione dei termini
Indice Cap. 1 Introduzione al problema dell acquisizione e dell analisi dei dati: definizione dei termini 1.1 Introduzione pag. 1 1.2 Il processo di misura e il livello dei modelli 9 1.3 Segnali deterministici
DettagliFondamenti di comunicazioni elettriche (Ing. Elettronica - A.A )
Fondamenti di comunicazioni elettriche (Ing. Elettronica - A.A.-) Es. La variabile aleatoria ha densità di probabilità uniorme nell intervallo [,]. Trovare valor medio e varianza di. La densità di probabilità
Dettagli( e j2π ft 0.9 j) ( e j2π ft j)
Esercitazione Filtri IIR Es. 1. Si consideri il filtro dato dalla seguente equazione alle differenze y[n]+0.81y[n-2]=x[n]-x[n-2] - Determinare la funzione di trasferimento del filtro Eseguendo la Trasformata
DettagliCorso di Teoria della Stima Prove Itinere del 01 Luglio 2003
Corso di eoria della Stima Prove Itinere del 0 Luglio 003 L allievo é invitato a dare una risposta ragionata e succinta a tutti gli argomenti proposti al fine di dimostrare il livello di preparazione globale.
DettagliEsercitazione ENS su periodogramma (27 e 28 Maggio 2008) Esercizio 1: Autocorrelazione e stima della densità spettrale di potenza
sercitazione S su periodogramma (7 e 8 Maggio 008 D. Donno sercizio : Autocorrelazione e stima della densità spettrale di potenza Si consideri la sequenza x n di lunghezza = 8 campioni. x n è somma di
DettagliFENS - ENS Esame del 9 febbraio 2005
FENS - ENS Esame del 9 febbraio 005 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 essere
DettagliPROVA SCRITTA DI STATISTICA (COD COD ) 7 luglio 2005 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A
PROVA SCRITTA DI STATISTICA (COD. 047 - COD. 403-37-377) 7 luglio 200 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A Esercizio (9 punti) Supponiamo di aver osservato la seguente
DettagliFENS (5 crediti) - ENS (10 crediti) Esame del 24 febbraio 2005
FES (5 crediti) - ES (0 crediti) Esame del 4 febbraio 005 L allievo é invitato a dare una ragionata e succinta risposta a tutti gli argomenti proposti, per dimostrare il livello di preparazione globale.
DettagliCorso di Elaborazione Numerica dei Segnali Esame del 7 Luglio 2004
Corso di Elaborazione Numerica dei Segnali Esame del 7 Luglio TOTALE PUNTI: L allievo é invitato a dare una ragionata e succinta risposta a tutti gli argomenti proposti, per dimostrare il livello di preparazione
Dettagli( e j2! ft! 0.9 j) ( e j2! ft j)
Esercitazione Filtri IIR Si consideri il filtro dato dalla seguente equazione alle differenze y[n]+0.81y[n-2]=x[n]-x[n-2] - Determinare la funzione di trasferimento del filtro Eseguendo la Trasformata
DettagliSEGNALI E SISTEMI Proff. L. Finesso, M. Pavon e S. Pinzoni (a.a ) Homework assignment #2 Testo e Soluzione
SEGNALI E SISTEMI Proff. L. Finesso, M. Pavon e S. Pinzoni (a.a. 00-005) Homework assignment # Testo e Soluzione Esercizio Si consideri l equazione differenziale ordinaria, lineare a coefficienti costanti
DettagliRipasso segnali e processi casuali. Trasmissione dell Informazione
Ripasso segnali e processi casuali 1 Breve ripasso di segnali e trasformate Dato un segnale s(t), la sua densità spettrale si calcola come dove S(f) è la trasformata di Fourier. L energia di un segnale
DettagliComunicazioni Elettriche anno accademico Esercitazione 1
Comunicazioni Elettriche anno accademico 003-004 Esercitazione Esercizio Un processo aleatorio a tempo discreto X(n) è definito nel seguente modo: Viene lanciata una moneta. Se il risultato è testa X(n)=
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
Dettagli1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano
Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una
Dettagli01CXGBN Trasmissione numerica. parte 6: calcolo delle probabilità I
01CXGBN Trasmissione numerica parte 6: calcolo delle probabilità I 1 Probabilità di errore BER e SER Per rappresentare la bontà di un sistema di trasmissione numerica in termini di probabilità di errore
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
DettagliElaborazione numerica dei segnali
POLITECNICO DI TORINO Elaborazione numerica dei segnali Progetto di un filtro FIR Fiandrino Claudio Matricola: 138436 18 giugno 21 Relazione sul progetto di un filtro FIR Descrizione del progetto L obbiettivo
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
DettagliCOMPITO DI IDENTIFICAZIONE DEI MODELLI ED ANALISI DEI DATI 23 luglio 2012
COMPITO DI IDENTIFICAZIONE DEI MODELLI ED ANALISI DEI DATI 23 luglio 2012 Domanda 1. Si assuma che un sistema fisico di interesse con ingresso u(t) (misurato) ed uscita y(t) si possa modellare tramite
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2018.html
DettagliStima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.
Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A Alberto Perotti, Roberto Garello
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2006-07 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici
Dettagli1 PROCESSI STOCASTICI... 11
1 PROCESSI STOCASTICI... 11 Introduzione... 11 Rappresentazione dei dati biomedici... 11 Aleatorietà delle misure temporali... 14 Medie definite sul processo aleatorio... 16 Valore atteso... 16 Esercitazione
DettagliSequenze (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
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
DettagliSTATISTICA. Esercitazione 5
STATISTICA Esercitazione 5 Esercizio 1 Ad un esame universitario sono stati assegnati in modo casuale due compiti diversi con i seguenti risultati: Compito A Compito B Numero studenti 102 105 Media dei
DettagliFondamenti di Elaborazione Numerica dei Segnali Anno Accademico Primo Appello 26/2/2015
Fondamenti di Elaborazione Numerica dei Segnali Anno Accademico 204-205 Primo Appello 26/2/205 Quesiti relativi alla prima parte del corso (tempo max. 90 min). Calcolare: la trasformata z di x(n) = ( )
DettagliModulazioni di ampiezza
Modulazioni di ampiezza 1) Si consideri un segnale z(t) modulato in ampiezza con soppressione di portante dal segnale di informazione x(t): z(t) = Ax(t)cos(2πf 0 t) Il canale di comunicazione aggiunge
DettagliIdentificazione dei Modelli e Analisi dei Dati 6/5/1993
Identificazione dei Modelli e Analisi dei Dati 6/5/1993 3. Siano date due V.C. X e Y, di cui è supposta nota la ddp congiunta. Sia Xˆ (Y) uno stimatore di X basato sull'osservazione di Y. Ci si prefigge
DettagliCorso di probabilità e statistica
Università degli Studi di Verona Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Corso di probabilità e statistica (Prof. L.Morato) Esercizi Parte III: variabili aleatorie dipendenti e indipendenti,
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
DettagliFrequenza relativa e probabilità
Frequenza relativa e probabilità La La probabilità e' e' un un numero con con cui cuisi si descrivono i i fenomeni che che possono essere essere pensati come come risultato di di un un esperimento che
Dettagli01CXGBN Trasmissione numerica. parte 11: modulazione 2-PAM
0CXGBN Trasmissione numerica parte : modulazione 2-PAM PARTE 2: Modulazioni Numeriche 2 Modulazioni: introduzione Per ogni modulazione considereremo: Caratteristiche generali Costellazione (insieme di
DettagliPROBLEMI SULL IDENTIFICAZIONE COL METODO PEM
PROBLEMI SULL IDENTIFICAZIONE COL METODO PEM G. Picci 12 gennaio 2012 N.B. : Quando serve la dizione rumore bianco è da interpretare secondo il contesto come processo i.i.d. Il processo di ingresso si
DettagliFondamenti di elaborazione numerica dei segnali
Esercizi per la I prova in itinere del corso: Fondamenti di elaborazione numerica dei segnali. Trasformata z di una sequenza illimitata causale Si consideri la sequenza causale ) 3 n x n = e i π 3 n, n
DettagliCorso di Fondamenti di Telecomunicazioni Esercizi Teoria dei segnali Prof. Giovanni Schembra
Corso di Fondamenti di Telecomunicazioni Esercizi Teoria dei segnali Prof. Giovanni Schembra Sommario CARATTERISTICHE DEI SEGNALI DETERMINATI.... ESERCIZIO.... ESERCIZIO... 5.3 ESERCIZIO 3 CONVOLUZIONE...
DettagliStima del valore di una costante in presenza di rumore esponenzialmente correlato. Carlo Fisicaro
Stima del valore di una costante in presenza di rumore esponenzialmente correlato Carlo Fisicaro OBIETTIVO Stimare il valore della costante β adimensionale per mezzo di misurazioni soggette a rumore stocastico
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2017.html
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliFondamenti di Data Processing
Fondamenti di Data Processing Vincenzo Suraci Automazione INTRODUZIONE AL DATA PROCESSING ACQUISIZIONE DATI SCHEMA COSTRUTTIVO SCHEDA INPUT OSCILLATORE A FREQUENZA COSTANTE BANDA PASSANTE ACCORDATA AL
DettagliCircuiti a tempo discreto Raffaele Parisi
Università di Roma La Sapienza Laurea specialistica in Ingegneria Elettronica Circuiti a tempo discreto Raffaele Parisi : Risposta in frequenza dei circuiti TD Rappresentazione nel dominio della frequenza,
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche. Modulazione A.A Alberto Perotti
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Modulazione A.A. 8-9 Alberto Perotti DELEN-DAUIN Modello di sistema di comunicazione Il modello di sistema di comunicazione
DettagliTeoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici
eoria dei Segnali rasmissione binaria casuale; somma di processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it eoria dei Segnali rasmissione
DettagliArgomenti della lezione: Campionamento Stima Distribuzione campionaria Campione Popolazione Sottoinsieme degli elementi (o universo) dell '
Lezione 2 Argomenti della lezione: La statistica inferenziale: concetti di base Campionamento Stima Distribuzione campionaria Popolazione (o universo) Insieme di tutti gli elementi cui si rivolge il ricercatore
DettagliFILTRI NUMERICI. Sistema LTI H (z)
x [n] FILTRI UMERICI Sistema LTI H (z) y [n] Un sistema numerico LTI è in molti casi descritto con un equazione alle differenze lineare a coefficienti costanti: M [ ] = [ ] a y n k b x n r k k= r= Z {}
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
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
DettagliCiclo di seminari: Metodi Computazionali per la Finanza
Ciclo di seminari: Metodi Computazionali per la Finanza C.d.L.M. Finanza e Assicurazioni a.a. 2018/2019 Lezione 4: Simulazione Moti Browniani e con Monte Carlo Cos è il Metodo Monte Carlo? Dinamica di
DettagliFiltraggio Digitale. Alfredo Pironti. Ottobre Alfredo Pironti Univ. di Napoli Federico II Corso Ansaldo Breda 1 / 20
Filtraggio Digitale Alfredo Pironti Ottobre 2012 Alfredo Pironti Univ. di Napoli Federico II Corso Ansaldo Breda 1 / 20 Filtri Analogici (1) Un filtro analogico è un sistema lineare tempo-invariante (LTI)
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
DettagliEsperimentazioni di Fisica 1. Prova in itinere del 12 giugno 2018
Esperimentazioni di Fisica 1 Prova in itinere del 1 giugno 018 Esp-1 Prova in Itinere n. - - Page of 6 1/06/018 1. (1 Punti) Quesito L incertezza da associare alle misurazioni eseguite con un certo strumento
DettagliCANALE STAZIONARIO CANALE TEMPO INVARIANTE
CANALE STAZIONARIO Si parla di un Canale Stazionario quando i fenomeni che avvengono possono essere modellati da processi casuali e le proprietà statistiche di tali processi sono indipendenti dal tempo.
DettagliFondamenti di Elaborazione Numerica dei Segnali Anno Accademico Seconda Prova Intermedia 4/2/2013
Fondamenti di Elaborazione Numerica dei Segnali Anno Accademico 0-0 Seconda Prova Intermedia 4//0 Quesiti relativi alla seconda prova in itinere (tempo max. h). (6 punti) Calcolare la H(z) Y (z)/x(z) associata
DettagliAnalisi statistica in simulazione
Analisi statistica in simulazione Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati Analisi dei dati di di input definizione e parametrizzazione del modello
DettagliAnalisi statistica classica. Analisi statistica in simulazione. Stima della media. Stima della media
Analisi statistica in simulazione Analisi statistica classica Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati Analisi dei dati di di input definizione
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
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
Dettagli) $ ' con T0=5s e T=2s. La funzione deve essere
Metodi per l Analisi dei Segnali Biomedici. Esercitazioni AA 2010/2011 Esercitazione 11/03/2011 " t!t es_1.1. Disegnare la funzione rect 0 % $ ' con T0=5s e T=2s. La funzione deve essere calcolata # T
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 II Esonero - 15 Gennaio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 014/015 II Esonero - 15 Gennaio 015 1 3 4 5 6 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
Dettagli4. Stime & Test. Corso di Simulazione. Anno accademico 2008/09
Anno accademico 2008/09 Media campionaria X 1, X 2,..., X n v.c. indipendenti con distribuzione F, e: E[X i ] = µ Var[X i ] = σ 2, i = 1,..., n Media campionaria: X n è uno stimatore di µ. È uno stimatore
DettagliElenco dei simboli 9. Prefazione 10
Indice Elenco dei simboli 9 Prefazione 10 1 Analisi nel dominio del tempo 11 1.1 Segnali tempo discreto... 11 1.1.1 Segnali notevoli tempo discreto... 13 1.1.2 Alcuni criteri di classificazione di segnali
DettagliCOMUNICAZIONI ELETTRICHE
COMUNICAZIONI ELERICHE Diploma Universitario Ingegneria Elettronica - Ingegneria Inormatica ESERCIZIO : Si consideri il sistema mostrato in igura. Il iltro ha risposta in requenza H() = j segn (), dove
DettagliTest delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
DettagliComunicazioni Elettriche II
Comunicazioni Elettriche II Laurea Magistrale in Ingegneria Elettronica Università di Roma La Sapienza A.A. 2017-2018 Teoria dell informazione Esercitazione 10 Esercizio 1 Sia data una trasmissione di
DettagliMASB AA10/11 21/01/11 test #1 1
MASB 0/06/11 AA010011test #1. Esercizio 1. Illustrare lo schema generale di un apparecchiatura per l acquisizione di segnali spontanei, descrivendo brevemente i diversi componenti. Fornire una descrizione
DettagliCorso di Identificazione dei Modelli e Analisi dei Dati
Corso di Identificazione dei Modelli e Analisi dei Dati Prof. Sergio Bittanti Esercitazione di Laboratorio A.A. 2010-11 Sistemi dinamici lineari a tempo discreto 1. Si consideri il sistema dinamico a tempo
DettagliPulse Amplitude Modulation (PAM) 2 Scelta delle risposte impulsive dei filtri in trasmissione e ricezione
Pulse Amplitude Modulation (PAM 1 Definizione La trasmissione di una sequenza di numeri {a k } mediante un onda PAM consiste nel generare, a partire dalla sequenza {a k } il segnale a tempo continuo u(t
DettagliCorso di Elaborazione Numerica dei Segnali Esame+Compitino del 24 giugno 2002
Corso di Elaborazione Numerica dei Segnali Esame+Compitino del giugno 00 TOTALE PUNTI: 38 + 6 opz. L allievo é invitato a dare una ragionata e succinta risposta a tutti gli argomenti proposti, per dimostrare
DettagliProprietà asintotiche dello stimatore OLS
Università di Pavia Proprietà asintotiche dello stimatore OLS Eduardo Rossi Sequenze Consideriamo un infinita sequenza di variabili indicizzate con i numeri naturali: X 1, X 2, X 3,...,X N,... = {X N }
DettagliQuesta viene trasmessa sul canale (wireless o wired). In questo corso, modellizzeremo il canale di trasmissione come un canale Gaussiano bianco
Canale di trasmissione Dati una costellazione M un labeling binario e è possibile associare alle sequenze binarie di informazione u da trasmettere una forma d onda s(t). Questa viene trasmessa sul canale
Dettagli7. Trasmissione Numerica in Banda Traslata
1 INFO-COM Dpt. Dipartimento di Scienza e Tecnica dell Informazione e della Comunicazione Università degli Studi di Roma La Sapienza 7. Trasmissione Numerica in Banda Traslata TELECOMUNICAZIONI per Ingegneria
DettagliESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE
ESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114 7 Maggio 2013 Esercizio
DettagliLa curva di regressione è il luogo dei punti aventi come ordinate le medie condizionate
Correlazione e regressione Correlazione: le due variabili casuali sono considerate in modo per così dire simmetrico. Regressione: una delle due variabili dipende dall'altra, che per così dire la precede
DettagliIDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 20: Stima puntuale. Stimatore lineare a MEQM. Esempi. Motivazioni
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 20: Stima puntuale Motivazioni Stima puntuale Indice di qualitá della stima Stimatore a MEQM Stimatore lineare a MEQM Il caso gaussiano Esempi 20-1
DettagliNome: Nr. Mat. Firma:
Controlli Automatici A - A.A. 26/7 Secondo Compito 8 Dicembre 26 - Esercizi Compito A Nr. a = b = Nome: Nr. Mat. Firma: Negli esercizi che seguono, si sostituisca ad a e b i valori assegnati e si risponda
DettagliCircuiti Elettrici Lineari Risposta in frequenza
Facoltà di Ingegneria Università degli studi di Pavia Corso di aurea Triennale in Ingegneria Elettronica e Informatica Circuiti Elettrici ineari isposta in frequenza Circuiti Elettrici ineari a.a. 89 Prof.
DettagliMattia Zanella. Ferrara, April
Department of Mathematical Sciences Politecnico di Torino, Italy http://www.mattiazanella.eu Ferrara, April 5 217 Programma della lezione Seminario I Introduzione a Matlab U(, 1): metodo di inversione
DettagliStatistica Esercitazione. alessandro polli facoltà di scienze politiche, sociologia, comunicazione
Statistica Esercitazione alessandro polli facoltà di scienze politiche, sociologia, comunicazione Obiettivo I due semplici esercizi seguenti hanno l obiettivo di consolidare le nostre nozioni in tema di
DettagliCognome Nome: Matricola: Corso di Laurea: Fondamenti di Controlli Automatici - A.A. 2011/12 20 settembre Domande Teoriche
Fondamenti di Controlli Automatici - A.A. / settembre - Domande Teoriche Cognome Nome: Matricola: Corso di Laurea: Per ciascuno dei test a soluzione multipla segnare con una crocetta tutte le affermazioni
Dettagli9. Sistemi di Modulazione Numerica in banda traslata. Modulo TLC:TRASMISSIONI Modulazione numerica in banda traslata
1 9. Sistemi di Modulazione Numerica in banda traslata Modulazione QAM (analogica) 2 Modulazione QAM (Quadrature Amplitude Modulation; modulazione di ampiezza con portanti in quadratura) è un tipo di modulazione
DettagliAppello del 17/2/ Soluzioni
Compito A - Testo Dipartimento di Ingegneria Enzo Ferrari Corso di Campi Elettromagnetici - a.a. 2014/15 Appello del 17/2/2015 - Soluzioni Esercizio 1. Un onda elettromagnetica con frequenza 300 MHz si
Dettagli