I minimi quadrati e loro applicazione alla compensazione geodetica. Ludovico Biagi Politecnico di Milano, DIIAR
|
|
- Fabiana Ferrario
- 7 anni fa
- Visualizzazioni
Transcript
1 I minimi quadrati e loro applicazione alla compensazione geodetica Ludovico Biagi Politecnico di Milano, DIIAR ludovico.biagi@polimi.it
2 Premesse definizione euristica di distribuzione, formalizzazione della curva gaussiana La stima la stima ai minimi quadrati per un problema lineare un esempio La verifica la verifica di ipotesi in generale i test sul modello e sulla singola osservazione accuratezza e affidabilità delle stime Semplificando ancora esempi.
3 Due premesse necessarie: una di due Misure ripetute della medesima grandezza, eseguite al limite della precisione possibile con il metodo e gli strumenti utilizzati, forniscono sempre risultati diversi per la presenza degli errori casuali; tali errori, non noti, non possono essere eliminati. Come si può stimare il valore vero di una grandezza se non si conoscono gli errori in ciascuna osservazione? Si associa alle misure una modellizzazione statistica e matematica: l osservazione (misura) è la somma di due componenti: il valore teorico/vero della grandezza y (osservabile) e l errore di misura incognito.
4 la seconda di due Errori casuali, a media nulla, di entità variabile da misura a misura, dipendente dalle precisioni strumentale e di lettura. Concetti collegati: sia precisione sia accuratezza Errori sistematici o di modello, sistematismi strumentali oppure errata modellizzazione delle osservazioni o delle relazioni fra osservazioni e incognite Concetto collegato: accuratezza.
5 Esempio di distribuzione degli esiti di 10 osservazioni La popolazione è troppo piccola per distinguere una chiara distribuzione.
6 Esempio di distribuzione per popolazione numerosa
7 Precisione e accuratezza (1/4)
8 Precisione e accuratezza (/4) Popolazione accurata e precisa Popolazione abbastanza accurata ma non precisa
9 Precisione e accuratezza (3/4) Popolazione accurata e precisa Popolazione abbastanza accurata ma non precisa Popolazione non accurata ma precisa
10 Precisione e accuratezza (4/4) Popolazione accurata e precisa Popolazione abbastanza accurata ma non precisa Popolazione non accurata ma precisa Popolazione non accurata e non precisa
11 Dalla popolazione alla frequenza N : popolazione totale n : x popolazione che assume valori nell'intervallo [ x, x ] nx f x N frequenza di realizzazione dell'intervallo [ x, x ] per 0 la frequenza così definita euristicamente tende al concetto matematico di distribuzione di probabilità
12 Dalla frequenza alla probabilità: la curva gaussiana Misure di precisione di una grandezza, con valore teorico e deviazione standard, si distribuiscono in accordo alla distribuzione di densità di probabilità Gaussiana f( x,, ) 1 e ( x )
13 Gaussiana con 1 Gaussiana con
14 P( x x x ) è la probabilità di ottenere una misura che cada m M nell intervallo [ x, x ]; P( xm x xm) f( ) d x x M m m M
15 Caso R m Siano date m osservabili; possiamo estendere il modello e scrivere in modo compatto, utilizzando la notazione vettoriale: 0 y y con 1 ;... O O O O m y y y y 1 ;... m y y y y 1... m ε
16 f ( y ) 1 O m/ m/ ( ) (det C yy ) e 1 ( ) T 1 yo y Cyy ( yo y ) C yy è la matrice di covarianza delle osservazioni. C yy m 1... m m1 m m in diagonale le varianze delle singole osservazioni, fuori diagonale le covarianze fra coppie di osservazioni; la matrice è simmetrica e definita positiva, quindi invertibile.
17 Note In forma compatta si indica yo ~ N y, C yy Quando la media è nulla, le varianze unitarie, le correlazioni nulle yo ~ N 0, I Z è detta normale standardizzata
18
19 I Minimi Quadrati Formalizzazione del problema e degli obiettivi Siano date m osservazioni y o y1 o yo... ym o per ogni osservazione i-esima valga y y i i i o, E i 0; 0 i
20 Si ha y y, Ey 0 o y y: vettore delle osservabili, incognite; y o: vettore delle osservazioni, note; εvettore degli errori di osservazione, incogniti. Sia noto il modello stocastico delle osservazioni, ovvero la loro matrice di covarianza: C C Q yy 0 0 è la varianza a priori, Q è la matrice dei cofattori:
21 Sia x un vettore contenente n parametri incogniti: x x1 x... xn con n m Sia noto il modello deterministico del problema, ovvero la relazione funzionale fra x e y y fx ( )
22 Il sistema in x sarebbe risolvibile dalle osservabili y: x f 1 ( y ) Però il sistema non è invertibile utilizzando direttamente le osservazioni, perché queste sono affette da errori incogniti; infatti si ha yo y fx ( ) fx ( ) ovvero x f 1 ( y ) o
23 Si pone il problema di trovare un metodo che, sfruttando le informazioni disponibili, permetta la miglior stima possibile (in senso statistico) dei parametri incogniti ( ˆx) e delle osservabili (ŷ).
24 Si cerca inoltre un metodo che permetta di stimare la precisione di stima delle incognite; infine sono necessari strumenti per valutare la presenza di errori nel modello adottato. Il metodo adottato nella prassi geodetica (compensazione di reti) è quello dei Minimi Quadrati. Il metodo si presta a problemi lineari, ovvero nella forma y y o y Ax b, 0, N[ 0C, ], C C Q yy 0
25 La linearizzazione di un problema non lineare Non esiste una formulazione dei MQ applicabile al problema generale in forma non lineare y fx ( ) ove f( x ) f1( x1, x,..., xn ) f ( x, x,..., x ) 1... f ( x, x,..., x ) m 1 n n
26 Per risolvere il problema generale è prima necessario linearizzarlo Si suppone di conoscere valori approssimati per i parametri incogniti: x x,..., x : x x,..., x x n n T è allora possibile linearizzare la relazione y f( x ) mediante uno sviluppo di Taylor arrestato al primo ordine nell intorno di x n ;
27 f f y f ( x) ( x) ( x x )... ( x) ( x x ) x1 xn f f y f ( x) ( x) ( x x )... ( x) ( x x ) 1 1 x1 xn y f f ( x) f ( x) ( x x )... ( x) ( x x ) m m m m 1 1 n n x1 xn n n n n ovvero y fx ( ) Jx ( )( xx ) o anche
28 η ove Aξ η yf( x) : 1 y1 f1( x),..., m ym fm( x ) ξ xx: 1 x1x1,..., n xn x n fi dim Am n; Aij ( x ) x Si ottiene dunque il problema lineare j η ηε E O O η η Aξ
29 Mediante MQ si risolve il problema lineare rispetto al vettore dei parametri incogniti ξ; si calcolano i parametri finali mediante la xˆ x ˆ yˆ y ˆ Nota il metodo da adottarsi per ricavare i valori approssimati dipende da caso a caso
30 Gli effetti della linearizzazione A causa delle approssimazioni introdotte dalla linearizzazione le prime stime xˆ 1, y ˆ 1 non possono essere considerate definitive. In particolare gli ˆx 1 divengono nuovi valori approssimati x 1 : il processo iterativo termina quando due stime successive differiscono in modo non significativo, ovvero quando xˆ n x n
31
32 Un esempio di linearizzazione Sia P un punto di posizione incognita in R 3 : P P P X P Y Z siano invece P 1, P, P 3 e P 4 quattro punti di posizione nota: Z Y X P X P Y Z X P Y Z
33 Da P sono state misurate le distanze ai quattro punti, ottenendo i valori ; ; ; ; si indichi con ρ O il vettore delle PO PO PO PO osservazioni di distanza. E noto un valore approssimato della posizione di P P X Y Z P P P si vuole stimare la posizione di P.
34 Procedimento La generica equazione di osservazione da P a P i è ( X X ) ( Y Y ) ( Z Z ) i i i i P P P P i i i PO P la relazione che lega le distanze (osservate a meno degli errori) alle incognite (la posizione di P) è non lineare; il sistema è ridondante: 4 osservazioni per 3 incognite; è possibile risolverlo mediante MQ ma deve prima essere linearizzato.
35 Linearizzazione della generica distanza da P a P i : ( X X ) ( Y Y ) ( Z Z ) i i i i P P P P i i i ( X P X ) ( Y P Y ) ( Z P Z ) i ( X P X ) ( XP X P) ( X X ) ( Y Y ) ( Z Z ) i i i P P P i ( Y P Y ) ( YP Y P) ( X X ) ( Y Y ) ( Z Z ) i i i P P P i ( Z P Z ) ( X X ) ( Y Y ) ( Z Z ) i i i P P P ( Z P Z P )
36 e i i i P P P ove ( X X ) ( Y Y ) ( Z Z ) i i i i P P P P (distanza calcolata nei valori approssimati) i X P X i 1 i e P Y i P Y P i Z P Z (versore approssimato da P i a P)
37 XP X P ξ YP Y P ZP Z P (correzioni da apportare alle coordinate approssimate) Il problema assume dunque la forma P O P ex ey ez X PO P ex ey ez Y P O P ex ey e Z Z P P ex ey ez O
38 Ovvero η ρ ρ ρρ ε O η O ηε Aξ ora risolvibile mediante MQ.
39 Minimi quadrati: principio e stimatori Si cercano ˆx e ŷ consistenti, con ŷ a minima distanza da y o; ovvero ˆx e ŷ tali che yˆ Axˆb T 1 ( yo y) Q ( yo y ) min Nel seguito vengono riportate senza dimostrazione le stime fornite dai MQ.
40 Dalle equazioni di condizione si ricava il cosiddetto sistema normale T 1 ˆ ( o ) Nx A Q y b, ove N T 1 A Q A è detta matrice normale Si hanno due casi: A è di rango pieno, ovvero le sue colonne sono linearmente indipendenti: Ax 0 x 0 il problema non presenta deficienza di rango.
41 A non è di rango pieno, ovvero alcune sue colonne sono linearmente dipendenti dalle altre: Ax 0 per qualche x 0 in questo caso il problema presenta deficienza di rango. Le reti geodetiche, semplicemente poste, presentano deficienza di rango: si osservano differenze di posizione, si vogliono stimare posizioni.
42 Semplificazione del formalismo Sia y' yb, y' 0 y 0 b si ha C' yy C yy y' Ax, y' Ax 0 ovvero identico contenuto del modello generale ma semplificazione formale, che ovviamente adottiamo
43 Esempio di applicazione geodetica dei MQ Siano A, B e C tre punti di livellazione Siano stati misurati i dislivelli da A a B ( DH ), ABo da B a C ( DH ) BCo e da C a A ( DH ). CAo
44 Vale la H H DH H H DH B A AB A C CA H H DH C B BC Quindi il modello deterministico del problema è: DH H H ABO B A AB DH H H CAO A C CA DH H H BC C B BC O
45 In forma matriciale yo y y Ax ove H A A 0 1 1, x H B H C
46 Modello stocastico Nel presente esempio si considerano le misure di uguale precisione (che indichiamo con ) e scorrelate: C yy ovvero C yy I
47 Il problema della deficienza di rango Se A non è di rango pieno non lo è neppure N ed è impossibile invertire il sistema normale. Definiamo il nucleo di A come: N ( A) x Ax
48 Ad una stima ottimale delle osservabili y corrispondono infinite soluzioni per i parametri incogniti Evidentemente se un certo ˆx è soluzione di anche xˆ x 0 lo è; infatti Axˆ y, Ax ( ˆ x) Axˆ Ax yˆ 0y ˆ 0 0 in sostanza le osservazioni non contengono abbastanza informazione per stimare tutti i parametri desiderati; tale caratteristica non dipende dalla ridondanza ma dal disegno del problema.
49 Ad esempio si consideri l anello di livellazione iniziale e si supponga di voler stimare tutte le quote dalle misure di dislivello: yo y y Ax DH AB O HA DH BC H O B ε DHCA H O C è facile verificare che A non è di rango pieno e che, in particolare, 1 N( A ) 1 H, HR 1
50 Pensando al problema dal punto di vista fisico, è evidente che i valori delle osservabili di dislivello del triangolo non vengono modificati aggiungendo un valore H comune alle 3 quote supposte incognite: DH AB H B H A ( H B H ) ( H A H ) DH BC HC H B ( HC H ) ( H B H ) DH H H ( H H ) ( H H ) CA A C A C ovvero le quote dei punti (parametri incogniti), presentano 1 grado di libertà, rispetto ai dislivelli (osservabili); la situazione non cambia aggiungendo una o più osservazioni di dislivello (a titolo di esercizio lo si verifichi aggiungendo ad esempio DH ). AC
51
52 La rimozione della deficienza di rango Per rimuovere la deficienza di rango si deve innanzitutto identificare preventivamente quali siano i parametri non stimabili del problema: ad esempio in una rete di livellazione, con sole osservazioni di dislivelli, sono stimabili le quote di tutti i punti della rete meno uno.
53 Per la soluzione sono possibili due approcci alternativi. 1. Si vincolano i parametri non stimabili del problema: ciò equivale a fissare un Sistema di Riferimento in cui verranno fornite le soluzioni per i restanti parametri realmente stimabili. Nel problema della rete di livellazione questo equivale ad attribuire la quota zero ad uno dei punti della rete stessa. Tale approccio è quello seguito, appunto, nella definizione dei Sistemi di Riferimento, globali o nazionali.
54 . Si riformula il problema aggiungendo nuove osservazioni sui parametri non stimabili; ad esempio, nella rete di livellazione, misurando direttamente la quota di uno o più punti ed inserendo le relative equazioni di osservazione nel sistema. Tipicamente, nell ambito delle reti geodetiche, tali osservazioni aggiuntive, dette anche pseudoosservazioni, non sono (non possono essere) ottenute direttamente, ma derivano da fonti esterne, che abbiano risolto a monte il problema di definire un Sistema di Riferimento.
55 Soluzione del problema Siano risolti i problemi di deficienza di rango: si hanno le seguenti stime. Stima dei parametri incogniti: ˆ 1 T 1 x N A Q y o; stima delle osservabili e degli scarti: yˆ Axˆ PAy 0 εˆ yˆ yˆ ( IP ) y P y o A 0 A 0
56 La ridondanza e le stime di covarianza Ridondanza: differenza fra numero di osservazioni e numero di parametri incogniti, detta anche numero di gradi di libertà: R m n stima del 0 : ˆ 0 ˆ ˆ T 1 ε Q ε m n
57 stima della matrice di covarianza dei parametri: C N ; 1 xx ˆˆ ˆ 0 stima della matrice di covarianza delle osservabili: T C ˆ AN A ; 1 yy ˆˆ 0 stima della matrice di covarianza degli scarti T C ˆ ( QAN A ) 1 εε ˆˆ 0
58 Gli errori di modello Possono essere su tutto il modello ma tipicamente sono su singole osservazioni: comportano stime errate dei parametri incogniti. Esistono algoritmi per: verificare a posteriori la correttezza globale dei modelli adottati (test del modello globale); identificare eventuali errori di modello su singole osservazioni (identificazione degli outlier e data snooping); identificare l affidabilità dei risultati di una compensazione.
59 La verifica statistica di ipotesi E' un operazione che consente di stabilire se, statisticamente, ovvero con una certa probabilità di errore, valga una certa ipotesi H. 0 Si costruisce una statistica campionaria che, sotto l ipotesi H 0, debba seguire una distribuzione nota; che viceversa, qualora H 0 sia sbagliata, vada ad assumere valori grandi, ovvero non accettabili statisticamente; si confronta quindi la statistica campionaria con i valori limite ammessi dalla sua distribuzione teorica.
60 La verifica di ipotesi per i dati e le reti geodetiche Nell elaborazione dei dati grezzi (ad esempio le osservazioni GPS) e nella compensazione di reti geodetiche tipicamente vi sono outlier dovuti: 1. all approssimata conoscenza del modello stocastico delle osservazioni (vengono ipotizzate più accurate e meno correlate di quanto non siano in realtà);. alla presenza di isolati e grossolani errori di modello deterministico (termini di disturbo di entità significativa e non modellizzabili multipath per il GPS, errori grossolani di stazionamento, ).
61 Prima si verifica la correttezza del modello globale, poi si individuano eventuali outlier, infine si corregge il modello stocastico.
62 La verifica in generale H : y Ax, x 0 Ha : y A A x R{ A A } R{ A}, dim R { A A } mb Si possono costruire le seguenti grandezze T 1 T 1 T 1 λ AQ ( IAAA ( ) AQ ) y 0 T 1 T 1 T 1 Qλλ A Q ( IA( A A) A Q ) A T T 1 λ Qλ, b xq x 0
63 Sotto H 0 λ λ b E 1, F b,, 0b 0b b sotto H a λ E F b λ b 1,,, b 0b b 0b
64 Esecuzione del test Scelgo la significatività del test; fisso F lim tale che λ P F H 0b lim 0 Se λ 0 b F lim rigetto H 0 La significatività del test è la probabilità di sbagliare rigettando H0.
65 Visione speculare λ P F lim H a 1 0b, significatività del test, rischio di sbagliare rigettando H 0 ;, potenza, rischio di sbagliare accettando H 0. La potenza di un test è funzione dell errore che vorrei evidenziare nel test!
66 Il test del o test globale sul modello Ipotesi fondamentale H y Ax. 0 : Ipotesi alternativa x Ha : y A A x m R { A A } R con Se H 0 è vera T 1 ε Q ε ( mn) λ ~ ( mn) ( mn) mn 0 0
67 Statistica di test: ˆ 0 ( mn) sp 0 sia il livello di significatività del test; sia lim mn( ) il valore teorico tale che P(0 ) 1 mn lim se se H 0 viene accettata; sp lim H 0 viene rigettata: sono presenti errori di modello. sp lim
68 Esempio Sia stata effettuata una compensazione di 10 osservazioni in incognite; a fronte di un 0 1cm dichiarato a priori si sia ottenuto un ˆ.375cm. 0 Sia fissato 5% : 1 95% 0.95; dai dati precedenti si ricava ( m n) 8; il (0.05) 15.5 lim 8 ˆ.375 sp ( mn)
69 Il test non è superato: quindi vi è, a un livello di probabilità del 95%, un errore di modello. Se si fosse fissato 1%, si sarebbe ottenuto (0.01) 0.1 lim 8 sp ovvero vi sono errori di modello a livello di significatività 5%, ma non a livello di significatività 1%.
70 Il test locale sulla singola osservazione Serve per identificare errori di modello deterministico su una singola osservazione y : i O Ipotesi fondamentale H0 : y Ax. Ipotesi alternativa: x H a : y A ei, i 0 e i T ovvero un singolo errore su una singola osservazione.
71 Sotto H 0 λ 0 b ~ (1) λ 0 b zsp ~ N [0,1] Z Se si adotta la semplificazione di Q diagonale la precedente diviene semplicemente ˆ i zsp ~ Z i (test sui residui normalizzati)
72 Se H 0 è vera: zsp ~ N[0,1] si confronta z sp con i valori limite della normale standardizzata; Quindi, definito z lim il valore teorico tale che P(0 z z ) 1 lim, lim P( z z ) se z zlim H0 viene accettata; se z zlim H 0 viene rigettata.
73 Affidabilità dei test Q ii i Sotto H a zsp ~ N [,1] 0 Per effettuare il test ho fissato un valore z lim : dato i, ovvero l errore che vorrei evidenziare, è numericamente possibile calcolare z lim Q N ii i [,1] 1 0 ovvero la potenza del test rispetto all errore i.
74 Si decide il valore di : si determina z lim si decide il valore : si trova i z lim Q ii i tale che N [,1] 1. (calcolo numerico complesso) 0
75 Quale è il massimo errore nascosto, ovvero non rilevabile con potenza, nell osservazione i-esima? Qii i f (, ) quindi f(, ) f(, ) i T 1 1 T 1 Q ii eq i ( I AN AQ ) ei Nuovamente con la semplificazione Q diagonale y (, ) i i f T 1 T e ( I AN A ) e i i
76 Si ricorda che 1 T ( ) I AN A P A definiamo la ridondanza locale dell osservazione i-esima T 1 T e ( IAN A ) e P r i i A ii i si hanno due casi limite r 0: ; r 1: min i i i i Affidabilità interna dell osservazione i-esima: massimo errore nascosto i. Peggior affidabilità interna: max i i
77 Affidabilità esterna Dato un errore nascosto i nell osservazione i-esima, come influisce sulla stima dei parametri incogniti? δxˆ( ) N A Q e 1 T 1 i i i Si hanno due casi limite r T 0: P 1: e R ( A) N ( A ) i Aii i i tutto l errore si scarica nelle stime delle incognite. r T 1: P 0: e N ( A ) R ( A) i Aii i i l errore non si scarica nelle stime delle incognite.
78 Affidabilità interna dell osservazione i-esima: massimo errore nascosto i. Peggior affidabilità interna: max i i Affidabilità esterna del parametro x j: xˆ max( xˆ ( )) j j i i Peggior affidabilità esterna: xˆ max( xˆ ) j j
79 In effetti la non robustezza dei MQ rende complicata l identificazione degli outlier poiché un outlier modifica anche gli scarti delle altre osservazioni; inoltre la presenza di un outlier può influire sulla stima del ˆ 0, che quindi risulta non attendibile. E tipicamente adottato un procedimento iterativo (data snooping). Innanzitutto si verifica l esistenza di osservazioni isolate cui corrispondano scarti inaccettabili rispetto all accuratezza strumentale. Se ve ne sono, vengono eliminate una per una, partendo dalla più grande, ricompensando ogni volta i dati e verificando la convergenza del test sul modello globale.
80 Se la precedente analisi non evidenzia casi di evidenti outlier si costruiscono i residui (pseudo) normalizzati ˆi ˆi oppure Q ee ii 0 Q ee ii Anziché confrontare i residui normalizzati con un valore limite, si effettua un confronto relativo fra residui (pseudo) normalizzati; se ve ne è uno significativamente più grande degli altri, si elimina l osservazione corrispondente, ricompensando i dati. Si procede iterativamente; verificando la convergenza del test sul modello globale.
81 Si devono poi controllare le osservazioni eliminate (calcolando i loro scarti) per eliminarle definitivamente o reintrodurle. Qualora il test sul modello globale non venga superato ma non vi siano sospetti outlier (ovvero una situazione con scarti normalizzati omogenei) vi è tipicamente un problema di sottostima generale degli elementi della matrice di covarianza delle osservazioni (sovrastima delle precisioni).
82 Accuratezza dei parametri stimati Sono stati eseguiti il test globale sul modello e il data snooping con esiti positivi. Si considera ora la stima dei parametri, ˆx e della relativa matrice di 1 covarianza C N. xx ˆˆ ˆ 0 Ci si chiede quale sia la regione di confidenza per il valore vero dei parametri incogniti, ovvero la regione dello spazio n-dimensionale alla quale il vettore x appartiene con livello di probabilità assegnata.
83 La regione di confidenza per il vettore dei parametri incogniti ad un certo livello di probabilità 1- è data dalla T ( xxˆ) C ( xx ˆ) F ( ) 1 xx ˆˆ n,( mn) ove F ( ) n,( m n) è il valore della distribuzione di Fisher a n,( m n) gradi di libertà, corrispondente alla probabilità 1 ; in genere si scelgono i valori 0.01, 0.05, 0.10, ovvero ( 1 : 0.99, 0.95, 0.90.
84 Per analizzare la regione di confidenza di ξ: si estrae dal vettore ˆx il sottovettore ˆξ corrispondente ai parametri ξ di interesse; quindi si estrae dalla matrice di covarianza totale C xx ˆˆ la matrice di covarianza del vettore ˆξ, C ˆˆ; sia x n x 1... n x, C xx ˆˆ xn n1 n... n se ad esempio xi ξ x si ha j C i ij ˆˆ ji j
85 la regione di confidenza con probabilità 1 per il vettore ξ è data dalla ˆ T ( ξξ) ( C ) ( ξξ ˆ) F ( ) 1 ξξ ˆˆ r,( mn) Ad esempio, nel caso di una compensazione di rete geodetica, tipicamente si vuole conoscere per ogni punto la regione tridimensionale di confidenza delle coordinate [ XP, YP, Z P] del punto stesso. La regione di confidenza in questo caso è data da un ellissoide centrato in [ Xˆ, ˆ, ˆ P YP Z P], i cui parametri (semiassi e relative direzioni) dipendono dalla matrice di covarianza delle stime delle coordinate del punto.
86 Ellissoide di confidenza in tre dimensioni
87 Ludovico Biagi Politecnico di Milano, DIIAR materiale didattico in varia forma sotto
Minimi quadrati: introduzione alla compensazione
Minimi quadrati: introduzione alla compensazione Osservazioni ripetute di massima precisione della stessa quantità forniscono risultati differenti quindi esse non sono fenomeni deterministici ma stocastici:
DettagliTOPOGRAFIA 2013/2014. Prof. Francesco-Gaspare Caputo
TOPOGRAFIA 2013/2014 L operazione di misura di una grandezza produce un numero reale che esprime il rapporto della grandezza stessa rispetto a un altra, a essa omogenea, assunta come unità di misura. L
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
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
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
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
DettagliSTATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 7 11.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Test di indipendenza tra mutabili In un indagine vengono rilevate le informazioni su settore produttivo (Y) e genere (X)
DettagliNote sulla probabilità
Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15
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
DettagliUna nota sulle sessioni con più ricevitori
Una nota sulle sessioni con più ricevitori L elaborazione di una sessione GPS su ricevitori fornisce la stima della base congiungente i punti; una sessione con n ricevitori permette la costruzione (e la
DettagliIl modello di regressione lineare multipla. Il modello di regressione lineare multipla
Introduzione E la generalizzazione del modello di regressione lineare semplice: per spiegare il fenomeno d interesse Y vengono introdotte p, con p > 1, variabili esplicative. Tale generalizzazione diventa
DettagliStatistica inferenziale. La statistica inferenziale consente di verificare le ipotesi sulla popolazione a partire dai dati osservati sul campione.
Statistica inferenziale La statistica inferenziale consente di verificare le ipotesi sulla popolazione a partire dai dati osservati sul campione. Verifica delle ipotesi sulla medie Quando si conduce una
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliDESCRITTIVE, TEST T PER IL CONFRONTO DELLE MEDIE DI CAMPIONI INDIPENDENTI.
Corso di Laurea Specialistica in Biologia Sanitaria, Universita' di Padova C.I. di Metodi statistici per la Biologia, Informatica e Laboratorio di Informatica (Mod. B) Docente: Dr. Stefania Bortoluzzi
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)
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliMISURE ANALITICHE MISURE ANALITICHE. η = x - θ. θ (valore vero) x (misura) ERRORE TOTALE. η 1 > 0
MISURE ANALITICHE MISURE ANALITICHE Il risultato di un operazione di misura è un numero reale (x), detto misura analitica che esprime il valore vero (). a) livello VERO di un indicatore biologico (valore
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)
DettagliErrori di misura Teoria
Errori di misura Teoria a misura operazione di misura di una grandezza fisica, anche se eseguita con uno strumento precisissimo e con tecniche e procedimenti accurati, è sempre affetta da errori. Gli errori
DettagliRETI TOPOGRAFICHE. 1. Premessa
RETI TOPOGRAFICHE 1. Premessa Una rete topografica è costituita da un insieme di punti, detti vertici della rete, connessi fra di loro da un insieme di misure di distanze e di angoli azimutali e zenitali;
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
DettagliMetodo dei minimi quadrati e matrice pseudoinversa
Scuola universitaria professionale della Svizzera italiana Dipartimento Tecnologie Innovative Metodo dei minimi quadrati e matrice pseudoinversa Algebra Lineare Semestre Estivo 2006 Metodo dei minimi quadrati
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
DettagliDistribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
DettagliAnalisi della varianza
Analisi della varianza Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona ANALISI DELLA VARIANZA - 1 Abbiamo k gruppi, con un numero variabile di unità statistiche.
DettagliIl teorema di Rouché-Capelli
Luciano Battaia Questi appunti (1), ad uso degli studenti del corso di Matematica (A-La) del corso di laurea in Commercio Estero dell Università Ca Foscari di Venezia, campus di Treviso, contengono un
DettagliSchema lezione 5 Intervalli di confidenza
Schema lezione 5 Intervalli di confidenza Non centrerò quella barca, ne sono convinto al 95% COMPRENDERE: Significato di intervallo di confidenza Uso degli stimatori come quantità di pivot per stime intervallari
DettagliInversa. Inversa. Elisabetta Colombo
Corso di Approfondimenti di Matematica per Biotecnologie, Anno Accademico 00-0, http://users.mat.unimi.it/users/colombo/programmabio.html e 3 con i Matrici inverse di matrici quadrate e con i Sia A una
DettagliIl processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
Dettaglilezione n. 6 (a cura di Gaia Montanucci) Verosimiglianza: L = = =. Parte dipendente da β 0 e β 1
lezione n. 6 (a cura di Gaia Montanucci) METODO MASSIMA VEROSIMIGLIANZA PER STIMARE β 0 E β 1 Distribuzione sui termini di errore ε i ε i ~ N (0, σ 2 ) ne consegue : ogni y i ha ancora distribuzione normale,
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
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
DettagliESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)
ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Calibrazione intrinseca Spesso risulta utile calibrare la sola componente intrinseca di un sistema di visione (matrice K), e non si dispone di oggetti di forma
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
DettagliCorso C Geomatica. Teoria degli errori. Massimiliano Cannata
Corso C111.01 - Geomatica Teoria degli errori Rappresentazione di una misura di precisione ( x ± σ x ) u x = misura σ x = incertezza della misura u = unità di misura Il problema degli errori in topografia
DettagliRisoluzione di problemi ingegneristici con Excel
Risoluzione di problemi ingegneristici con Excel Problemi Ingegneristici Calcolare per via numerica le radici di un equazione Trovare l equazione che lega un set di dati ottenuti empiricamente (fitting
DettagliSTATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
DettagliLaboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII
Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII Un breve richiamo sul test t-student Siano A exp (a 1, a 2.a n ) e B exp (b 1, b 2.b m ) due set di dati i cui
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
Dettagli= elemento che compare nella seconda riga e quinta colonna = -4 In generale una matrice A di m righe e n colonne si denota con
Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti su m righe e n colonne. I numeri che compaiono nella tabella si dicono elementi della matrice. La loro individuazione
DettagliTeoria e tecniche dei test
Teoria e tecniche dei test Lezione 9 LA STANDARDIZZAZIONE DEI TEST. IL PROCESSO DI TARATURA: IL CAMPIONAMENTO. Costruire delle norme di riferimento per un test comporta delle ipotesi di fondo che è necessario
DettagliIncertezza di misura concetti di base. Roberto Olmi IFAC-CNR
Incertezza di misura concetti di base Roberto Olmi IFAC-CNR Certezza dell incertezza Il display mostra: Inferenza sulla la massa, basata sulla lettura: La massa ha un valore tra 83.35 e 83.45 g La massa
DettagliIL CONFRONTO TRA LE VARIANZE DI DUE POPOLAZIONI
IL CONFRONTO TRA LE VARIANZE DI DUE POPOLAZIONI Perchè confrontare le varianze stimate in due campioni? Torniamo all'esempio dei frinosomi Per poter applicare il test t avevamo detto che le varianze, e
DettagliVALIDAZIONE DEL MODELLO
VALIDAZIONE DEL MODELLO Validazione del Modello Non è sufficiente stimare il vettore θ per dichiarare concluso il processo di identificazione. E necessario ottenere una misura della sua affidabilità L
DettagliIncertezza di Misura: Concetti di Base
Incertezza di Misura: Concetti di Base Roberto Ottoboni Dipartimento di Elettrotecnica Politecnico di Milano 1 Il concetto di misura Nella sua accezione più comune si è sempre inteso come misura di una
DettagliApplicazioni lineari e diagonalizzazione. Esercizi svolti
. Applicazioni lineari Esercizi svolti. Si consideri l applicazione f : K -> K definita da f(x,y) = x + y e si stabilisca se è lineare. Non è lineare. Possibile verifica: f(,) = 4; f(,4) = 6; quindi f(,4)
DettagliDistribuzione Gaussiana - Facciamo un riassunto -
Distribuzione Gaussiana - Facciamo un riassunto - Nell ipotesi che i dati si distribuiscano seguendo una curva Gaussiana è possibile dare un carattere predittivo alla deviazione standard La prossima misura
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
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
DettagliTeorema del limite centrale TCL
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
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
DettagliApprossimazione normale alla distribuzione binomiale
Approssimazione normale alla distribuzione binomiale P b (X r) costoso P b (X r) P(X r) per N grande Teorema: Se la variabile casuale X ha una distribuzione binomiale con parametri N e p, allora, per N
DettagliCorso di Matematica e Statistica 3 Algebra delle matrici. Una tabella rettangolare: la matrice. Una tabella rettangolare: la matrice
Pordenone Corso di Matematica e Statistica 3 Algebra delle UNIVERSITAS STUDIORUM UTINENSIS Giorgio T. Bagni Facoltà di Scienze della Formazione Dipartimento di Matematica e Informatica Università di Udine
DettagliVariabili indipendenti qualitative. In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli.
Variabili indipendenti qualitative Di solito le variabili nella regressione sono variabili continue In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli Ad esempio:
DettagliIntervallo di fiducia del coefficiente angolare e dell intercetta L intervallo di fiducia del coefficiente angolare (b 1 ) è dato da:
Analisi chimica strumentale Intervallo di fiducia del coefficiente angolare e dell intercetta L intervallo di fiducia del coefficiente angolare (b 1 ) è dato da: (31.4) dove s y è la varianza dei valori
DettagliVettori e matrici. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Vettori e matrici Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utentiunifeit/lorenzopareschi/ lorenzopareschi@unifeit Lorenzo Pareschi Univ Ferrara
DettagliTeorema di Thevenin generalizzato
Teorema di Thevenin generalizzato Si considerino due reti elettriche lineari, A e B, aventi rispettivamente N A e N B nodi interni. Esse si interfacciano attraverso n (n 3) fili di collegamento, in cui
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
DettagliSOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n
SPAZI E SOTTOSPAZI 1 SOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n Spazi di matrici. Spazi di polinomi. Generatori, dipendenza e indipendenza lineare, basi e dimensione. Intersezione e somma di sottospazi,
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
DettagliSi consideri il sistema a coefficienti reali di m equazioni lineari in n incognite
3 Sistemi lineari 3 Generalità Si consideri il sistema a coefficienti reali di m equazioni lineari in n incognite ovvero, in forma matriciale, a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x
DettagliSistemi lineari - Parte Seconda - Esercizi
Sistemi lineari - Parte Seconda - Esercizi Terminologia Operazioni elementari sulle righe. Equivalenza per righe. Riduzione a scala per righe. Rango di una matrice. Forma canonica per righe. Eliminazione
DettagliTest di ipotesi su due campioni
2/0/20 Test di ipotesi su due campioni Confronto tra due popolazioni Popolazioni effettive: unità statistiche realmente esistenti. Esempio: Confronto tra forze lavoro di due regioni. Popolazioni ipotetiche:
DettagliISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
DettagliQuale delle seguenti rappresentazioni del numero reale è in virgola mobile normalizzata?
Quale delle seguenti istruzioni MATLAB esegue il calcolo del raggio spettrale di una matrice quadrata A? a. max(eig(abs(a))) b. max(abs(eig(a))) c. abs(max(eig(a))) d. max(abs(eig(a *A))) Il raggio spettrale
Dettagli0 altimenti 1 soggetto trova lavoroentro 6 mesi}
Lezione n. 16 (a cura di Peluso Filomena Francesca) Oltre alle normali variabili risposta che presentano una continuità almeno all'interno di un certo intervallo di valori, esistono variabili risposta
DettagliCapitolo 6. Variabili casuali continue. 6.1 La densità di probabilità
Capitolo 6 Variabili casuali continue Le definizioni di probabilità che abbiamo finora usato sono adatte solo per una variabile casuale che possa assumere solo valori discreti; vediamo innanzi tutto come
DettagliMetodi computazionali per i Minimi Quadrati
Metodi computazionali per i Minimi Quadrati Come introdotto in precedenza si considera la matrice. A causa di mal condizionamenti ed errori di inversione, si possono avere casi in cui il e quindi S sarebbe
Dettagli( ) TEORIA DELLE MATRICI. A. Scimone a.s pag 1
. Scimone a.s 1997 98 pag 1 TEORI DELLE MTRICI Dato un campo K, definiamo matrice ad elementi in K di tipo (m, n) un insieme di numeri ordinati secondo righe e colonne in una tabella rettangolare del tipo
DettagliEsercizi svolti. risolvere, se possibile, l equazione xa + B = O, essendo x un incognita reale
Esercizi svolti 1. Matrici e operazioni fra matrici 1.1 Date le matrici 1 2 1 6 A = B = 5 2 9 15 6 risolvere, se possibile, l equazione xa + B = O, essendo x un incognita reale Osservazione iniziale: qualunque
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. I Esonero - 29 Ottobre Tot.
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 I Esonero - 29 Ottobre 2013 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliElementi di base su modello binomiale e modello normale
Elementi di base su modello binomiale e modello normale (alcune note) Parte 1: il modello binomiale Di fondamentale importanza nell analisi della qualità sono i modelli. I due principali modelli statistico-probablistici
DettagliDerivazione numerica. Introduzione al calcolo numerico. Derivazione numerica (II) Derivazione numerica (III)
Derivazione numerica Introduzione al calcolo numerico Il calcolo della derivata di una funzione in un punto implica un processo al limite che può solo essere approssimato da un calcolatore. Supponiamo
DettagliL ALGORITMO DEL SIMPLESSO REVISIONATO
L ALGORITMO DEL SIMPLESSO REVISIONATO L'algoritmo del simplesso revisionato costituisce una diversa implementazione dell algoritmo standard tesa a ridurre, sotto certe condizioni, il tempo di calcolo e
DettagliTest d Ipotesi Introduzione
Test d Ipotesi Introduzione Uno degli scopi più importanti di un analisi statistica è quello di utilizzare i dati provenienti da un campione per fare inferenza sulla popolazione da cui è stato estratto
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliSapienza Università di Roma Corso di laurea in Ingegneria Energetica Geometria A.A ESERCIZI DA CONSEGNARE prof.
Sapienza Università di Roma Corso di laurea in Ingegneria Energetica Geometria A.A. 2015-2016 ESERCIZI DA CONSEGNARE prof. Cigliola Consegna per Martedì 6 Ottobre Esercizio 1. Una matrice quadrata A si
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
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
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)
DettagliIl metodo dei minimi quadrati. Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo:
Il metodo dei minimi quadrati Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo: Dove A e B sono costanti y = A + Bx (ad esempio in un moto uniformemente
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
DettagliLa distribuzione delle frequenze. T 10 (s)
1 La distribuzione delle frequenze Si vuole misurare il periodo di oscillazione di un pendolo costituito da una sferetta metallica agganciata a un filo (fig. 1). A Figura 1 B Ricordiamo che il periodo
DettagliCapitolo 12. Suggerimenti agli esercizi a cura di Elena Siletti. Esercizio 12.1: Suggerimento
Capitolo Suggerimenti agli esercizi a cura di Elena Siletti Esercizio.: Suggerimento Per verificare se due fenomeni sono dipendenti in media sarebbe necessario confrontare le medie condizionate, in questo
DettagliPSICOMETRIA. Corso di laurea triennale (classe 34) VERIFICA DELL IPOTESI CON DUE CAMPIONI
PSICOMETRIA Corso di laurea triennale (classe 34) VERIFICA DELL IPOTESI CON DUE CAMPIONI CAMPIONI INDIPENDENTI Campioni estratti casualmente dalla popolazione con caratteristiche omogenee Assegnazione
DettagliSISTEMI LINEARI. x 2y 2z = 0. Svolgimento. Procediamo con operazioni elementari di riga sulla matrice del primo sistema: 1 1 1 3 1 2 R 2 R 2 3R 0 4 5.
SISTEMI LINEARI Esercizi Esercizio. Risolvere, se possibile, i seguenti sistemi: x y z = 0 x + y + z = 3x + y + z = 0 x y = 4x + z = 0, x y z = 0. Svolgimento. Procediamo con operazioni elementari di riga
DettagliAnalisi della varianza: I contrasti e il metodo di Bonferroni
Analisi della varianza: I contrasti e il metodo di Bonferroni 1 Contrasti In molti problemi risulta importante stabilire, nel caso venga rifiutata l ipotesi nulla, di uguaglianza delle medie µ j delle
DettagliSTIME SECONDO IL METODO DI ARGELANDER
STIME SECONDO IL METODO DI ARGELANDER La stima della magnitudine di una variabile con il metodo di Argelander si basa, come per gli altri metodi (metodo frazionario, metodo di Pogson) sul confronto della
DettagliIndagine sulle forze di lavoro nel Comune di Firenze. Nota metodologica
Indagine sulle forze di lavoro nel Comune di Firenze. Nota metodologica 1. Procedimento di stima La maggior parte dei caratteri che si rilevano nell indagine sulle Forze di Lavoro sono di tipo qualitativo.
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliLa matrice delle correlazioni è la seguente:
Calcolo delle componenti principali tramite un esempio numerico Questo esempio numerico puó essere utile per chiarire il calcolo delle componenti principali e per introdurre il programma SPAD. IL PROBLEMA
DettagliLE MISURE. attendibilità = x i - X
LE MISURE COCETTI PRELIMIARI: MISURA, ATTEDIBILITÀ, PRECISIOE, ACCURATEZZA Il modo corretto di fornire il risultato di una qualunque misura è quello di dare la migliore stima della quantità in questione
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
DettagliCapitolo 2. La teoria normativa della politica economica
Capitolo 2 La teoria normativa della politica economica La teoria normativa della politica economica Anche se non è possibile definire scienza in senso stretto, l economica cerca di seguire in metodo scientifico.
Dettaglisi tratta del test del chi-quadro di adattamento e di quello di indipendenza. 1 l ipotesi che la popolazione segua una legge fissata;
di : dado : normale Finora abbiamo visto test d ipotesi per testare ipotesi differenti, ma tutte concernenti il valore atteso di una o due popolazioni. In questo capitolo vediamo come testare 1 l ipotesi
DettagliPremessa: la dipendenza in media
Premessa: la dipendenza in media Supponiamo di avere K diversi livelli di un fattore che potrebbero influire su una determinata variabile. Per esempio supponiamo di domandarci se la diversificazione (intesa
Dettagli