1 Alcuni risultati sulle variabili Gaussiane multivariate
|
|
- Giordano Pastore
- 7 anni fa
- Visualizzazioni
Transcript
1 Il modello lineare-gaussiano e il filtro di Kalman Prof. P.Dai Pra 1 Alcuni risultati sulle variabili Gaussiane multivariate In questo paragrafo verranno enunciate e dimostrate alcune proprietà del valor atteso condizionato per vettori Gaussiani. Ricordiamo che un vettore aleatorio X = (X 1,..., X n ) T si dice Gaussiano se la sua distribuzione coincide con quella di una trasformazione affine AY + m di un vettore Y = (Y 1,..., Y n ) T normale standard, cioè le cui componenti sono variabili Gaussiane indipendenti di media 0 e varianza 1. Nell espressione AY + m, A è una matrice n n e m è un vettore di dimensione n. Notare che, usando la notazione vettoriale, E(X) = AE(Y ) + m = m. La matrice di covarianza di X è E[(X m)(x m) T ] = Σ XX = AA T. Lemma 1 Sia (X, Y ) un vettore Gaussiano di dimensione n + m, con X di dimensione n e Y di dimensione m, con matrice di covarianza ( ) ΣXX Σ XY. Σ XY Σ Y Y Assumiamo che la matrice di covarianza Σ Y Y di Y sia invertibile. Allora, in notazione vettoriale, E(X Y ) = E(X) + Σ XY Σ 1 Y Y (Y E(Y )). (1) Di questo Lemma omettiamo la dimostrazione, piuttosto noiosa. È bene notare che E(X Y ) è una trasformazione affine di Y, e pertanto è un vettore Gaussiano. Lemma 2 Nelle ipotesi del Lemma 1, il vettore aleatorio X E(X Y ) è indipendente sia da Y che da E(X Y ). Dimostrazione. Mostriamo che X E(X Y ) e Y sono indipendenti. La dimostrazione che X E(X Y ) e E(X Y ) sono indipendenti è analoga. Per prima cosa osserviamo che il vettore (X E(X Y ), Y ) e una trasformazione lineare di (X, Y ), e dunque è Gaussiano. Ne segue che X E(X Y ) e Y sono indipendenti se e solo se, per ogni i = 1,..., n e j = 1,..., m, Cov((X i E(X i Y )), Y j ) = 0. Poichè E(X i E(X i Y )) = 0, l uguaglianza precedente equivale a E((X i E(X i Y ))Y j ) = 0 o, in notazione vettoriale, E[(X E(X Y ))Y T ] = 0. (2) Per mostrare (2) usiamo le proprietà del valor medio condizionato, che si estendono facilmente alla notazione vettoriale. E[(X E(X Y ))Y T ] = E[E[(X E(X Y ))Y T Y ]] = E[E[(X E(X Y )) Y ]Y T ] = 0. 1
2 Lemma 3 Sia (X, Y, Z) un vettore Gaussiano (X IR n, Y IR m, Z IR p ), tale che Y e Z sono indipendenti e con matrice di covarianza non degenere. Allora E(X Y, Z) = E(X Y ) + E(X Z) E(X). (3) Dimostrazione. La matrice di covarianza di (X, Y, Z) è della forma Σ XX Σ XY Σ XZ Σ XY Σ Y Y 0 Σ XZ 0 Σ ZZ. Usando la formula (1): E(X Y, Z) = E(X) + (Σ XY Σ XZ ) ( Σ 1 Y Y 0 0 Σ 1 ZZ ) ( Y E(Y ) Z E(Z) ) = E(X) + Σ XY Σ 1 Y Y (Y E(Y )) + Σ XZΣ 1 (Z E(Z)) e la conclusione segue usando ancora il Lemma 1. Il prossimo risultato e l estensione del Lemma 3 al caso in cui Y e Z non sono indipendenti. Lemma 4 Sia (X, Y, Z) un vettore Gaussiano per cui la matrice di covarianza di (Y, Z) è non degenere. Allora E(X Y, Z) = E(X Y ) + E(X Z E(Z Y )) E(X). (4) Dimostrazione. Si osservi anzitutto (Esercizio) che i vettori (Y, Z) e (Y, Z E(Z Y )) generano la stessa σ-algebra, e dunque ZZ E(X Y, Z) = E(X Y, Z E(Z Y )). (5) Inoltre, per il Lemma 2, le variabili Y e Z E(Z Y ) sono indipendenti. Il fatto che le loro matrici di covarianza siano non degeneri segue dal fatto che la matrice di covarianza di (Y, Z) è non degenere (Esercizio). A questo punto la conclusione segue da (5) e dal Lemma 3. 2 Il filtro di Kalman Per k 0 siano W k e V k dei vettori Gaussiani standard di dimensioni rispettivamente p e m, e sia X 0 un arbitrario vettore Gaussiano di dimensione n. Assumiamo che X 0, (W k ) k 0, (V k ) k 0 siano variabili indipendenti. Definiamo, ricorsivamente, le variabili casuali X k e Y k, di dimensioni n e m rispettivamente, come segue: X k+1 = AX k + BW k Y k = CX k + DV k (6) dove A, B, C, D sono matrici di dimensioni appropriate. Assumiamo che D sia non degenere. Nell interpretazione usuale, la prima delle equazioni (6) rappresenta l evoluzione a tempo discreto di un segnale X k non osservabile (stato), mentre Y k è un segnale osservabile (osservazione). W k rappresenta il disturbo sulla dinamica dello stato, V k il disturbo sull osservazione. Il problema del 2
3 filtraggio consiste nello stimare lo stato ad un certo tempo sulla base delle osservazioni passate, cioè nel calcolare i valori attesi condizionati E(X k Y 0,..., Y k ) E(X k Y k ). L informazione sull errore nella stima è contenuta nella matrice di covarianza Σ k k = E[(X k E(X k Y k ))(X k E(X k Y k )) T ]. Si noti che, data la linearità tanto della dinamica dello stato che dell osservazione e la Gaussianità dei disturbi e dello stato iniziale, il vettore (X k, Y 0,..., Y k ) è Gaussiano. Dunque, in linea di principio il calcolo di E(X k Y k ) può esser effettuato usando in Lemma 1. Tale calcolo diretto è tuttavia assai complesso (in particolare per k grande) in quanto richiede il calcolo e l inversione di matrici di covarianza di dimensione elevata. È perciò preferibile determinare una formula ricorsiva per E(X k Y k ). Prima di procedere si noti che (Esercizio), per ogni k > 0, W k è indipendente da X 0,..., X k, Y 0,..., Y k, e V k è indipendente da X 0,..., X k, Y 0,..., Y k 1. Una delle conseguenze di ciò è la seguente: E(X k+1 Y k ) = E(AX k + BW k Y k ) = AE(X k Y k ), (7) dove si è usato il fatto che, essendo W k indipendente da Y k, E(BW k Y k ) = E(BW k ) = 0. Tale argomento verrà piu volte usato in seguito, senza ulteriori commenti. La relazione (7) lega E(X k+1 Y k ) con E(X k Y k ). Per chiudere la ricursione, cerchiamo ora una relazione tra E(X k Y k ) e E(X k Y k 1 ). In quanto segue useremo la notazione Anzitutto, per il Lemma 4 Σ k k 1 = E[(X k E(X k Y k 1 ))(X k E(X k Y k 1 )) T ]. E(X k Y k ) = E(X k Y k 1, Y k ) = E(X k Y k 1 ) + E(X k Y k E(Y k Y k 1 )) E(X k ). (8) Il prossimo passo consiste nel calcolare E(X k Y k E(Y k Y k 1 )). A questo scopo calcoliamo la matrice di covarianza del vettore (X k, Y k E(Y k Y k 1 )). E{X k [Y k E(Y k Y k 1 )] T } = ove abbiamo anche usato il fatto che (Esercizio). Inoltre = E{X k [CX k + DV k CE(X k Y k 1 ) DE(V k Y k 1 )] T } = E{X k [C(X k E(X k Y k 1 ))] T } = E{[X k E(X k Y k 1 )][X k E(X k Y k 1 )] T }C T = Σ k k 1 C T, E{E(X k Y k 1 )[X k E(X k Y k 1 )] T } = 0 E{[Y k E(Y k Y k 1 )][Y k E(Y k Y k 1 )] T } = = E{[CX k +DV k CE(X k Y k 1 ) DE(V k Y k 1 )][CX k +DV k CE(X k Y k 1 ) DE(V k Y k 1 )] T } 3
4 = E{[C(X k E(X k Y k 1 ))][C(X k E(X k Y k 1 ))] T } + E(DV k V T k D T ) = CΣ k k 1 C T + DD T. A questo punto, possiamo usare la formula (1) con X = X k e Y = Y k E(Y k Y k 1 ) e ottenere E(X k Y k E(Y k Y k 1 )) = E(X k ) + Σ k k 1 C T [CΣ k k 1 C T + DD T ] 1 [Y k E(Y k Y k 1 )]. (9) Notare (Esercizio) che la matrice CΣ k k 1 C T + DD T è strettamente definita positiva, e dunque invertibile. Sostituendo quest ultima formula in (8), usando il semplice fatto che (Esercizio) e, infine, usando (7), otteniamo E(Y k Y k 1 ) = CE(X k Y k 1 ) E(X k Y k ) = AE(X k 1 Y k 1 ) + Σ k k 1 C T [CΣ k k 1 C T + DD T ] 1 [Y k CAE(X k 1 Y k 1 )]. (10) La (10) costituisce la prima equazione del filtro di Kalman. Essa non è conclusiva in quanto contiene la matrice Σ k k 1, che è a sua volta da calcolare ricorsivamente. La strategia consiste nell esprimere Σ k+1 k in termini di Σ k k, e quindi Σ k k in termini di Σ k k 1. Il primo passo è semplice: Σ k+1 k = E{[X k+1 E(X k+1 Y k )][X k+1 E(X k+1 Y k )] T } = E{[AX k + BW k E(AX k + BW k Y k )][AX k + BW k E(AX k + BW k Y k )] T } = E{[A(X k E(X k Y k )) + BW k ][A(X k E(X k Y k )) + BW k ] T } = AΣ k k A T + BB T. Riassumendo Inoltre, per il Lemma 4, Σ k+1 k = AΣ k k A T + BB T. (11) Σ k k = E{[X k E(X k Y k )][X k E(X k Y k )] T } = E{[X k E(X k Y k 1 ) E(X k Y k E(Y k Y k 1 )) + E(X k )] [X k E(X k Y k 1 ) E(X k Y k E(Y k Y k 1 )) + E(X k )] T } = Σ k k 1 + E{[E(X k Y k E(Y k Y k 1 )) E(X k )][E(X k Y k E(Y k Y k 1 )) E(X k )] T } E{[X k E(X k Y k 1 )][E(X k Y k E(Y k Y k 1 )) E(X k )] T } E{[E(X k Y k E(Y k Y k 1 )) E(X k )][X k E(X k Y k 1 )] T }. Ma E(X k Y k E(Y k Y k 1 )) l abbiamo già calcolato in (9). Sostituendo, otteniamo: Σ k k = Σ k k 1 + Σ k k 1 C T [CΣ k k 1 C T + DD T ] 1 CΣ k k 1 E{[X k E(X k Y k 1 )][X k E(X k Y k 1 )] T C T [CΣ k k 1 C T + DD T ] 1 CΣ k k 1 } E{C T [CΣ k k 1 C T + DD T ] 1 CΣ k k 1 [X k E(X k Y k 1 )][X k E(X k Y k 1 )] T } = (notando che la penultima riga è una matrice simmetrica e l ultima è la sua trasposta) = Σ k k = Σ k k 1 + Σ k k 1 C T [CΣ k k 1 C T + DD T ] 1 CΣ k k 1 2Σ k k 1 C T [CΣ k k 1 C T + DD T ] 1 CΣ k k 1 4
5 = Σ k k 1 Σ k k 1 C T [CΣ k k 1 C T + DD T ] 1 CΣ k k 1. Riassumendo: Σ k k = Σ k k 1 Σ k k 1 C T [CΣ k k 1 C T + DD T ] 1 CΣ k k 1 (12) che, insieme a (10) e (11), forma le equazioni del filtro di Kalman. È d uso fare una leggera semplificazione di (10) e (12) usando l identità (Esercizio) Σ k k 1 C T [CΣ k k 1 C T + DD T ] 1 = Σ k k C T (DD T ) 1. 5
Esercitazione 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
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
PROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE 1. Distribuzione congiunta Ci sono situazioni in cui un esperimento casuale non si può modellare con una sola variabile casuale,
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI Esercizi Esercizio Date le seguenti applicazioni lineari f : R 2 R 3 definita da fx y = x 2y x + y x + y; 2 g : R 3 R 2 definita da gx y z = x + y x y; 3 h : Rx] 2 R 2 definita da
DettagliMATRICI ORTOGONALI. MATRICI SIMMETRICHE E FORME QUADRATICHE
DIAGONALIZZAZIONE 1 MATRICI ORTOGONALI. MATRICI SIMMETRICHE E FORME QUADRATICHE Matrici ortogonali e loro proprietà. Autovalori ed autospazi di matrici simmetriche reali. Diagonalizzazione mediante matrici
DettagliDIFFERENZIAZIONE. Sia f una funzione reale di variabile reale con dominio un intervallo. Se f è derivabile in un punto x 0, allora: f(x) f(x 0 ) lim
DIFFERENZIAZIONE 1 Regola della catena Sia f una funzione reale di variabile reale con dominio un intervallo. Se f è derivabile in un punto x 0, allora: f(x) f(x 0 ) lim = f (x 0 ). x x 0 x x 0 Questa
DettagliCorso di Geometria BIAR, BSIR Esercizi 2: soluzioni
Corso di Geometria 2- BIAR, BSIR Esercizi 2: soluzioni Esercizio Calcolare il determinante della matrice 2 3 : 3 2 a) con lo sviluppo lungo la prima riga, b) con lo sviluppo lungo la terza colonna, c)
DettagliLEZIONE Equazioni matriciali. Negli Esempi e si sono studiati più sistemi diversi AX 1 = B 1, AX 2 = R m,n, B = (b i,h ) 1 i m
LEZIONE 4 41 Equazioni matriciali Negli Esempi 336 e 337 si sono studiati più sistemi diversi AX 1 = B 1, AX 2 = B 2,, AX p = B p aventi la stessa matrice incompleta A Tale tipo di problema si presenta
DettagliAutovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti)
Autovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti) April 14, 2011 (alcune note non complete sugli argomenti trattati: eventuali completamenti saranno aggiunti)
DettagliTraccia della soluzione degli esercizi del Capitolo 3
Traccia della soluzione degli esercizi del Capitolo 3 Esercizio 68 Sia X una v.c. uniformenente distribuita nell intervallo ( π, π, cioè f X ( = π ( π, π (. Posto Y = cos(x, trovare la distribuzione di
DettagliForme bilineari simmetriche
Forme bilineari simmetriche Qui il campo dei coefficienti è sempre R Definizione 1 Sia V uno spazio vettoriale Una forma bilineare su V è una funzione b: V V R tale che v 1, v 2, v 3 V b(v 1 + v 2, v 3
DettagliCorso di Geometria BIAR, BSIR Esercizi 10: soluzioni
Corso di Geometria 2010-11 BIAR, BSIR Esercizi 10: soluzioni 1 Geometria dello spazio Esercizio 1. Dato il punto P 0 = ( 1, 0, 1) e il piano π : x + y + z 2 = 0, determinare: a) Le equazioni parametriche
DettagliSISTEMI LINEARI. x y + 2t = 0 2x + y + z t = 0 x z t = 0 ; S 3 : ; S 5x 2y z = 1 4x 7y = 3
SISTEMI LINEARI. Esercizi Esercizio. Verificare se (,, ) è soluzione del sistema x y + z = x + y z = 3. Trovare poi tutte le soluzioni del sistema. Esercizio. Scrivere un sistema lineare di 3 equazioni
DettagliEsercitazione 6 - Soluzione
Anno Accademico 28-29 Corso di Algebra Lineare e Calcolo Numerico per Ingegneria Meccanica Esercitazione 6 - Soluzione Immagine, nucleo. Teorema di Rouché-Capelli. Esercizio Sia L : R 3 R 3 l applicazione
DettagliCapitolo IV SPAZI VETTORIALI EUCLIDEI
Capitolo IV SPAZI VETTORIALI EUCLIDEI È ben noto che in VO 3 si possono considerare strutture più ricche di quella di spazio vettoriale; si pensi in particolare all operazioni di prodotto scalare di vettori.
DettagliMETODO DEI MINIMI QUADRATI
METODO DEI MINIMI QUADRATI Torniamo al problema della crescita della radice di mais in funzione del contenuto di saccarosio nel terreno di coltura. Ripetendo varie volte l esperimento con diverse quantità
DettagliCorrezione primo compitino, testo B
Correzione primo compitino, testo B gennaio 20 Parte Esercizio Facciamo riferimento alle pagine 22 e 2 del libro di testo Quando si ha a che fare con la moltiplicazione o la divisione di misure bisogna
DettagliGeometria analitica del piano pag 12 Adolfo Scimone
Geometria analitica del piano pag 12 Adolfo Scimone Fasci di rette Siano r e r' due rette distinte di equazioni r: ax + by + c r': a' x + b' y + c' Consideriamo la retta combinazione lineare delle due
DettagliProdotto scalare e ortogonalità
Prodotto scalare e ortogonalità 12 Novembre 1 Il prodotto scalare 1.1 Definizione Possiamo estendere la definizione di prodotto scalare, già data per i vettori del piano, ai vettori dello spazio. Siano
DettagliALGEBRA I: SOLUZIONI QUINTA ESERCITAZIONE 9 maggio 2011
ALGEBRA I: SOLUZIONI QUINTA ESERCITAZIONE 9 maggio 2011 Esercizio 1. Usando l algoritmo euclideo delle divisioni successive, calcolare massimo comune divisore e identità di Bézout per le seguenti coppie
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 16/06/2016 NOME: COGNOME: MATRICOLA: Esercizio 1 Cinque lettere
DettagliLocalizzazione di una esplosione
XXIII Ciclo di Dottorato in Geofisica Università di Bologna Corso di: Il problema inverso in sismologia Prof. Morelli Localizzazione di una esplosione Paola Baccheschi & Pamela Roselli 1 INTRODUZIONE Problema
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI 1 APPLICAZIONI LINEARI Applicazioni lineari tra spazi R n spazi di matrici spazi di polinomi e matrice associata rispetto ad una coppia di basi Endomorismi e matrice associata rispetto
DettagliGeometria BIAR Esercizi 2
Geometria BIAR 0- Esercizi Esercizio. a Si consideri il generico vettore v b R c (a) Si trovi un vettore riga x (x, y, z) tale che x v a (b) Si trovi un vettore riga x (x, y, z) tale che x v kb (c) Si
DettagliRaggiungibilità, Controllabilità, Osservabilità e Determinabilità
Raggiungibilità, Controllabilità, Osservabilità e Determinabilità Si determini se i sistemi lineari tempo invarianti ẋ(t) = Ax(t) + Bu(t), Σ c : y(t) = Cx(t) + Du(t). x(k + ) = Ax(k) + Bu(k), Σ d : y(k)
DettagliStatistica. Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2010/2011 Statistica Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza
DettagliSTIMA DELLA VARIANZA CAMPIONARIA
STIMA DELLA VARIANZA CAMPIONARIA Abbiamo visto che una stima puntuale corretta per il valore atteso µ delle variabili aleatorie X i è x n = (x 1 +.. + x n )/n. Una stima puntuale della varianza σ 2 delle
DettagliLezione 7: Il Teorema di Rouché-Capelli
Lezione 7: Il Teorema di Rouché-Capelli In questa lezione vogliamo rivisitare i sistemi lineari e dare alcuni risultati che ci permettono di determinare dato un sistema lineare se ammette soluzioni e da
DettagliEsercitazione del 06/03/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del 6/3/ Istituzioni di Calcolo delle Probabilità David Barbato barbato@math.unipd.it Esercizio. E la notte di San Lorenzo, Alessandra decide di andare a vedere le stelle cadenti. Osserverà
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliESERCIZI DI ALGEBRA LINEARE E COMPLEMENTI DI GEOMETRIA
ESERCIZI DI ALGEBRA LINEARE E COMPLEMENTI DI GEOMETRIA Foglio 4 Esempio. Sia V = P 5 (R) lo spazio dei polinomi di grado strettamente minore di 5. Si considerino i seguenti sottoinsiemi di V (i) Dimostrare
DettagliEsame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni. 12 luglio 2004
Esame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni luglio 4 Esercizio Un sacchetto A contiene caramelle ai gusti fragola, limone e lampone. Un sacchetto B contiene caramelle
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
DettagliVedi: Probabilità e cenni di statistica
Vedi: http://www.df.unipi.it/~andreozz/labcia.html Probabilità e cenni di statistica Funzione di distribuzione discreta Istogrammi e normalizzazione Distribuzioni continue Nel caso continuo la probabilità
DettagliEsercizi sui sistemi di equazioni lineari.
Esercizi sui sistemi di equazioni lineari Risolvere il sistema di equazioni lineari x y + z 6 x + y z x y z Si tratta di un sistema di tre equazioni lineari nelle tre incognite x, y e z Poichè m n, la
DettagliSISTEMI LINEARI MATRICI E SISTEMI 1
MATRICI E SISTEMI SISTEMI LINEARI Sistemi lineari e forma matriciale (definizioni e risoluzione). Teorema di Rouché-Capelli. Sistemi lineari parametrici. Esercizio Risolvere il sistema omogeneo la cui
DettagliSISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI
SISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI Appunti presi dalle lezioni del prof. Nedo Checcaglini Liceo Scientifico di Castiglion Fiorentino (Classe 4B) January 17, 005 1 SISTEMI LINEARI Se a ik, b i R,
DettagliRiferimenti: R.Adams, Calcolo Differenziale 2. Capitoli 3.4, 3.9. Esercizi 3.4, 3.9.
Appunti sul corso di Complementi di Matematica - mod Analisi prof. B.Baccelli 200/ 07 - Funzioni vettoriali, derivata della funzione composta, formula di Taylor. Riferimenti: R.Adams, Calcolo Differenziale
DettagliEsercizi di Matematica per la prova di ammissione alla Scuola Galileiana /16
Esercizi di Matematica per la prova di ammissione alla Scuola Galileiana - 015/16 Esercizio 1 Per quali valori n Z \ {0} l espressione è un numero intero positivo? (n + 5)(n + 6) 6n Soluzione. Il problema
DettagliEsercitazione n 6. Esercizio 1: Determinare i punti di massimo e minimo relativo delle seguenti funzioni: (b)f(x, y) = 4y 4 16x 2 y + x
Esercitazione n 6 1 Massimi e minimi di funzioni di più variabili Esercizio 1: Determinare i punti di massimo e minimo relativo delle seguenti funzioni: (a)f(x, y) = x 3 + y 3 + xy (b)f(x, y) = 4y 4 16x
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
DettagliIl metodo delle osservazioni indirette
Il metodo delle osservazioni indirette Teoria della stima ai minimi quadrati Il criterio di massima verosimiglianza Sia data una grandezza η e si abbiano n osservazioni indipendenti l i (i=1,...,n) di
DettagliAppunti su Indipendenza Lineare di Vettori
Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliEsame di Statistica (10 o 12 CFU) CLEF 11 febbraio 2016
Esame di Statistica 0 o CFU) CLEF febbraio 06 Esercizio Si considerino i seguenti dati, relativi a 00 clienti di una banca a cui è stato concesso un prestito, classificati per età e per esito dell operazione
DettagliNOTE SULLE FUNZIONI CONVESSE DI UNA VARIABILE REALE
NOTE SULLE FUNZIONI CONVESSE DI UNA VARIABILE REALE ROBERTO GIAMBÒ 1. DEFINIZIONI E PRIME PROPRIETÀ In queste note saranno presentate alcune proprietà principali delle funzioni convesse di una variabile
DettagliAppunti sul corso di Complementi di Matematica mod. Analisi prof. B.Bacchelli - a.a. 2010/2011.
Appunti sul corso di Complementi di Matematica mod. Analisi prof. B.Baccelli - a.a. 2010/2011. 06 - Derivate, differenziabilità, piano tangente, derivate di ordine superiore. Riferimenti: R.Adams, Calcolo
DettagliProdotto scalare, ortogonalitá e basi ortonormali
CAPITOLO 0 Prodotto scalare, ortogonalitá e basi ortonormali Esercizio 0.. Dati i seguenti vettori di R si calcoli il prodotto scalare (v i,v j per i,j =,,...,6: v = (6,3 v = (,0 v 3 = (, v 4 = (,0 v 5
DettagliRiassumiamo le proprietà dei numeri reali da noi utilizzate nel corso di Geometria.
Capitolo 2 Campi 2.1 Introduzione Studiamo ora i campi. Essi sono una generalizzazione dell insieme R dei numeri reali con le operazioni di addizione e di moltiplicazione. Nel secondo paragrafo ricordiamo
DettagliSPAZI VETTORIALI. Esercizi Esercizio 1. Sia V := R 3. Stabilire quale dei seguenti sottoinsiemi di V sono suoi sottospazi:
SPAZI VETTORIALI Esercizi Esercizio. Sia V := R 3. Stabilire quale dei seguenti sottoinsiemi di V sono suoi sottospazi: V := { (a, a, a) V a R }, V 2 := { (a, b, a) V a, b R }, V 3 := { (a, 2a, a + b)
DettagliLEZIONE 4. { x + y + z = 1 x y + 2z = 3
LEZIONE 4 4.. Operazioni elementari di riga. Abbiamo visto, nella precedente lezione, quanto sia semplice risolvere sistemi di equazioni lineari aventi matrice incompleta fortemente ridotta per righe.
Dettagli4.11 Massimi e minimi relativi per funzioni di più variabili
5. Determinare, al variare del parametro a R, la natura delle seguenti forme quadratiche: (i) Φ(x, y, z) = x 2 + 2axy + y 2 + 2axz + z 2, (ii) Φ(x, y, z, t) = 2x 2 + ay 2 z 2 t 2 + 2xz + 4yt + 2azt. 4.11
DettagliESERCIZI PROBABILITA I
ESERCIZI PROBABILITA I ESERCIZIO 1 Il rendimento annuo di un titolo viene descritto mediante una distribuzione normale. I e III quartile del rendimento sono uguali a, rispettivamente, -0.1 e 0.3. Si calcoli
DettagliIntroduciamo ora un altro campo, formato da un numero finito di elementi; il campo delle classi resto modulo n, con n numero primo.
Capitolo 3 Il campo Z n 31 Introduzione Introduciamo ora un altro campo, formato da un numero finito di elementi; il campo delle classi resto modulo n, con n numero primo 32 Le classi resto Definizione
Dettaglim = a k n k + + a 1 n + a 0 Tale scrittura si chiama rappresentazione del numero m in base n e si indica
G. Pareschi COMPLEMENTI ED ESEMPI SUI NUMERI INTERI. 1. Divisione con resto di numeri interi 1.1. Divisione con resto. Per evitare fraintendimenti nel caso in cui il numero a del Teorema 0.4 sia negativo,
DettagliEsercizi 2. Soluzioni. 1. Siano dati i vettori 1 1, 1 R 3.
Esercizi. Soluzioni.. Siano dati i vettori,, R. (i) Far vedere che formano una base di R. (ii) Ortonormalizzarla col metodo di Gram-Schmidt. (iii) Calcolare le coordinate del vettore X = 5 Sol. (i) Usiamo
DettagliCammini minimi fra tutte le coppie
Capitolo 12 Cammini minimi fra tutte le coppie Consideriamo il problema dei cammini minimi fra tutte le coppie in un grafo G = (V, E, w) orientato, pesato, dove possono essere presenti archi (ma non cicli)
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliAnno Accademico CORSO ABILITANTE 600 ORE - SSIS Diario. 11 ottobre 2006
Anno Accademico 2006-2007 CORSO ABILITANTE 600 ORE - SSIS Diario SILVANO DELLADIO 11 ottobre 2006 Teoria ingenua, fatta coi ceci, dei numeri naturali: definizione di numero, addizione e moltiplicazione
Dettagli0.1 Spazi Euclidei in generale
0.1. SPAZI EUCLIDEI IN GENERALE 1 0.1 Spazi Euclidei in generale Sia V uno spazio vettoriale definito su R. Diremo, estendendo una definizione data in precedenza, che V è uno spazio vettoriale euclideo
DettagliCorso di Matematica II Anno Accademico Esercizi di Algebra Lineare. Calcolo di autovalori ed autovettori
Esercizio 1 Corso di Matematica II Anno Accademico 29 21. Esercizi di Algebra Lineare. Calcolo di autovalori ed autovettori May 7, 21 Commenti e correzioni sono benvenuti. Mi scuso se ci fosse qualche
DettagliLEZIONE 23. ax 2 + bxy + cy 2 + dx + ey + f
LEZIONE 23 23.1. Riduzione delle coniche a forma canonica. Fissiamo nel piano un sistema di riferimento Oxy e consideriamo un polinomio di grado 2 in x, y a meno di costanti moltiplicative non nulle, diciamo
DettagliCorso di Laurea in Fisica. Geometria. a.a Canale 3 Prof. P. Piazza Magiche notazioni
Corso di Laurea in Fisica. Geometria. a.a. 23-4. Canale 3 Prof. P. Piazza Magiche notazioni Siano V e W due spazi vettoriali e sia T : V W un applicazione lineare. Fissiamo una base B per V ed una base
DettagliEsercizi su leggi condizionali e aspettazione condizionale
Esercizi su leggi condizionali e aspettazione condizionale. Siano X, Y, Z v.a. a valori in uno spazio misurabile (E, E) e tali che le coppie (X, Y ) e (Z, Y ) abbiano la stessa legge (in particolare anche
Dettagli1 Equazioni parametriche e cartesiane di sottospazi affini di R n
2 Trapani Dispensa di Geometria, Equazioni parametriche e cartesiane di sottospazi affini di R n Un sottospazio affine Σ di R n e il traslato di un sottospazio vettoriale. Cioe esiste un sottospazio vettoriale
DettagliEsercitazioni di Geometria A: curve algebriche
Esercitazioni di Geometria A: curve algebriche 24-25 maggio 2016 Esercizio 1 Sia P 2 il piano proiettivo complesso munito delle coordinate proiettive (x 0 : x 1 : x 2 ). Sia r la retta proiettiva di equazione
Dettaglimisura. Adesso, ad un arbitrario punto P dello spazio associamo una terna di numeri reali x
4. Geometria di R 3. Questo paragrafo è molto simile al paragrafo : tratta infatti delle proprietà geometriche elementari dello spazio R 3. Per assegnare delle coordinate nello spazio, fissiamo innanzitutto
DettagliStatistica. Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2011/2012 Statistica Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate.
DettagliSviluppi e derivate delle funzioni elementari
Sviluppi e derivate delle funzioni elementari In queste pagine dimostriamo gli sviluppi del prim ordine e le formule di derivazioni delle principali funzioni elementari. Utilizzeremo le uguaglianze lim
Dettagli04 - Numeri Complessi
Università degli Studi di Palermo Scuola Politecnica Dipartimento di Scienze Economiche, Aziendali e Statistiche Appunti del corso di Matematica 04 - Numeri Complessi Anno Accademico 2015/2016 M. Tumminello,
DettagliAnalisi Discriminante Strumenti quantitativi per la gestione
Analisi Discriminante Strumenti quantitativi per la gestione Emanuele Taufer Un esempio introduttivo Approccio con Bayes Perchè un altro metodo di classificazione? Classificazione con Bayes Analisi discriminante
DettagliPrincipi di analisi causale Lezione 4
Anno accademico 2007/08 Principi di analisi causale Lezione 4 Docente: prof. Maurizio Pisati Stima di effetti causali Supponiamo di volere stimare l effetto esercitato dalla variabile causale di interesse
Dettagliax 1 + bx 2 + c = 0, r : 2x 1 3x 2 + 1 = 0.
. Rette in R ; circonferenze. In questo paragrafo studiamo le rette e le circonferenze in R. Ci sono due modi per descrivere una retta in R : mediante una equazione cartesiana oppure mediante una equazione
DettagliProprietà della varianza
Proprietà della varianza Proprietà della varianza Proprietà della varianza Proprietà della varianza Intermezzo: ma perché dovremmo darci la pena di studiare come calcolare la varianza nel caso di somme,
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2015/2016 www.mat.uniroma2.it/~caramell/did 1516/ps.htm 01/03/2016 - Lezioni 1, 2 [Caramellino] Breve introduzione al corso. Fenomeni
DettagliDipendenza e indipendenza lineare (senza il concetto di rango)
CAPITOLO 5 Dipendenza e indipendenza lineare (senza il concetto di rango) Esercizio 5.1. Scrivere un vettore w R 3 linearmente dipendente dal vettore v ( 1, 9, 0). Esercizio 5.2. Stabilire se i vettori
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliRETTE E PIANI. ove h R. Determinare i valori di h per cui (1) r h e α sono incidenti ed, in tal caso, determinare l angolo ϑ h da essi formato;
RETTE E PIANI Esercizi Esercizio 1. Nello spazio con riferimento cartesiano ortogonale Oxyz si considerino la retta r h ed il piano α rispettivamente di equazioni x = 1 + t r h : y = 1 t α : x + y + z
DettagliPOTENZE DI MATRICI QUADRATE
POTENZE DI MATRICI QUADRATE In alcune applicazioni pratiche, quali lo studio di sistemi dinamici discreti, può essere necessario calcolare le potenze A k, per k N\{0}, di una matrice quadrata A M n n (R)
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliUna libreria di funzioni per la geometria analitica
Una libreria di funzioni per la geometria analitica Michele Impedovo La geometria analitica del piano costituisce uno dei più importanti e consolidati argomenti di matematica. Un lavoro interessante parallelo
DettagliSistemi lineari. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Sistemi lineari Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)
DettagliUniversità degli Studi di Bergamo Matematica II (5 e 7,5 crediti) 18 febbraio 2010 Tema A
Università degli Studi di Bergamo Matematica II (5 e 7,5 crediti) 18 febbraio 21 Tema A Tempo a disposizione: 2 ore. Calcolatrici, libri e appunti non sono ammessi. Ogni esercizio va iniziato all inizio
DettagliLE MATRICI NEL PIANO
LE MATRICI NEL PIANO A cura di Buon Laura, Carniel Chiara, Lucchetta Jessica, Spadetto Luca Realizzato nell'ambito del Progetto Archimede con la supervisione del Prof FZampieri ISISS MCasagrande, Pieve
DettagliMetodi per la risoluzione di sistemi lineari
Metodi per la risoluzione di sistemi lineari Sistemi di equazioni lineari. Rango di matrici Come è noto (vedi [] sez.0.8), ad ogni matrice quadrata A è associato un numero reale det(a) detto determinante
DettagliCorrezione secondo compitino, testo B
Correzione secondo compitino, testo B 7 aprile 2010 1 Parte 1 Esercizio 1.1. Tra le funzioni del vostro bestiario, le funzioni che più hanno un comportamento simile a quello cercato sono le funzioni esponenziali
DettagliUniversita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni
Universita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni ANALISI NUMERICA - Primo Parziale - TEMA A (Prof. A.M.Perdon)
DettagliEndomorfismi e matrici simmetriche
CAPITOLO Endomorfismi e matrici simmetriche Esercizio.. [Esercizio 5) cap. 9 del testo Geometria e algebra lineare di Manara, Perotti, Scapellato] Calcolare una base ortonormale di R 3 formata da autovettori
DettagliGEOMETRIA PIANA. 1) sia verificata l uguaglianza di segmenti AC = CB (ossia C è punto medio del segmento AB);
VETTORI E GEOMETRIA ANALITICA 1 GEOMETRIA PIANA Segmenti e distanza tra punti. Rette in forma cartesiana e parametrica. Posizioni reciproche di due rette, parallelismo e perpendicolarità. Angoli e distanze.
DettagliESERCIZI SULLE MATRICI
ESERCIZI SULLE MATRICI Consideriamo il sistema lineare a, x + a, x + + a,n x n = b a, x + a, x + + a,n x n = b a m, x + a m, x + + a m,n x n = b m di m equazioni in n incognite che ha a, a,n A = a m, a
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. La distribuzione t - student
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z,
DettagliEsercizi svolti di statistica. Gianpaolo Gabutti
Esercizi svolti di statistica Gianpaolo Gabutti (gabuttig@hotmail.com) 1 Introduzione Questo breve documento contiene lo svolgimento di alcuni esercizi di statistica da me svolti durante la preparazione
DettagliTEN Radici quadrate modulo p e modulo p k. Radici quadrate modulo p, con p > 2.
TEN 2008. Radici quadrate modulo p e modulo p k. Radici quadrate modulo p, con p > 2. Lemma 1. Sia n Z. Sia p > 2 un numero primo. (a) n è un quadrato modulo p se e solo se n p 1 2 1 mod p; (b) Sia n 0
DettagliEsercitazione di Analisi Matematica II
Esercitazione di Analisi Matematica II Barbara Balossi 06/04/2017 Esercizi di ripasso Esercizio 1 Sia data l applicazione lineare f : R 3 R 3 definita come f(x, y, z) = ( 2x + y z, x 2y + z, x y). a) Calcolare
Dettagli4 0 = 4 2 = 4 4 = 4 6 = 0.
Elementi di Algebra e Logica 2008. Esercizi 4. Gruppi, anelli e campi. 1. Determinare la tabella additiva e la tabella moltiplicativa di Z 6. (a) Verificare dalla tabella moltiplicativa di Z 6 che esistono
DettagliCorso di Laurea in Matematica Geometria 2. Foglio di esercizi n. 5 a.a Soluzioni
Corso di Laurea in Matematica Geometria 2 Foglio di esercizi n. 5 a.a. 2015-16 Soluzioni Gli esercizi sono presi dal libro di Manetti. Per svolgere questi esercizi, studiare con cura i paragrafi 10.1,
DettagliFENOMENI CASUALI. fenomeni casuali
PROBABILITÀ 94 FENOMENI CASUALI La probabilità si occupa di fenomeni casuali fenomeni di cui, a priori, non si sa quale esito si verificherà. Esempio Lancio di una moneta Testa o Croce? 95 DEFINIZIONI
Dettagli