SciPy. Programmazione Orientata agli Oggetti e Scripting in Python
|
|
- Virgilio Scarpa
- 8 anni fa
- Visualizzazioni
Transcript
1 SciPy Programmazione Orientata agli Oggetti e Scripting in Python
2 SciPy: Informazioni di Base Libreria di algoritmi e strumenti matematici Fornisce: moduli per l'ottimizzazione, per l'algebra lineare, l'integrazione, funzioni speciali, FFT, elaborazione di segnali ed immagini e altri strumenti comuni nelle scienze e nell'ingegneria. Scaricabile dal sito: Importare il modulo >>> import scipy as sp
3 SciPy: Informazioni di Base Estensioni offerte: scipy.constants: costanti matematiche e fisiche scipy.special: funzioni in uso in fisica matematica (ellittiche, Bessel, ipergeometriche) scipy.integrate: metodi di integrazione numerica e integrazione di equazioni differenziali scipy.optimize: metodi di ottimizzazione (minimi quadrati, gradiente, simulated annealing) scipy.linalg: estensione di numpy.linalg. Soluzione di sistemi lineari, calcolo matriciale, decomposizione, fattorizzazione scipy.sparse: gestione di matrici sparse
4 SciPy: Informazioni di Base Estensioni offerte: scipy.interpolate: metodi per l'interpolazione lineare e non di dati scipy.fftpack: Fast Fourier Transform scipy.signal: metodi di signal processing (filtraggio, correlazione, convoluzione, smoothing) scipy.stats: distribuzioni di probabilità continue e discrete, calcolo dei momenti, calcolo cumulative, statistica descrittiva, test... Esempio di importazione: >>> from scipy import signals, stats
5 Algebra Lineare - linalg Importazione >>> from scipy import linalg Funzioni principali: Funzioni di base: inv, solve, det, norm, lstsq, pinv Funzioni di decomposizione: eig, lu, svd, orth, cholesky, qr, schur Funzioni di calcolo matriciale: expm, logm, sqrtm, cosm, coshm...
6 Algebra Lineare - linalg Autovalori ed autovettori >>> a = numpy.array([[1,3,5], [2,5,1], [2,3,6]]) #calcolo autovalori e autovettori >>> aval, avec = linalg.eig(a) >>> aval array([ j, j, j]) #gli autovettori sono le colonne della matrice avec. Es. primo autovettore >>> avec[:,0] array([ , , ])
7 Algebra Lineare - linalg Matrice inversa >>> A = numpy.array([[1,2], [3,4]]) #matrice inversa >>> linalg.inv(a) array([[-2., 1. ], [ 1.5, -0.5]]) #verifica: A A -1 = I >>> A.dot(linalg.inv(A)) array([[ e+00, e+00], [ e-16, e+00]]) Determinante >>> A = linalg.det(a) -2
8 Algebra Lineare - linalg Sistemi Lineari (Ax = b) >>> A = numpy.array([[1,2], [3,4]]) >>> b = numpy.array([[5], [6]]) #soluzioni >>> x = linalg.solve(a,b) >>> x array([[-4. ], [ 4.5]]) #verifica >>> A.dot(x)-b array([[ 0.], [ 0.]])
9 Integrazione - integrate Importazione >>> from scipy import integrate Funzioni principali: quad integrazione di base (integrale definito) dblquad integrale doppio tplquad integrale triplo simps integrazione mediante samples odeint integrazione di equazioni differenziali... NB: quad, dblquad e tplquad prendono come parametri delle funzioni.
10 Integrazione - integrate Integrazione di base y= 0 π sin(x)dx= ( cos(π)) ( cos(0)) = 2 #quad(func, infl, supl, ) #func: funzione da integrare #infl: limite inferiore #supl: limite superiore >>> x = integrate.quad(sin, 0, numpy.pi) #La funzione restituisce una tupla con due elementi, il risultato dell'integrazione e la stima dell'errore >>> x (2.0, e-14)
11 Integrazione - integrate Integrazione di base 4 y= 0 x 2 dx = x3 x=4 3 x=0 = = >>> y = integrate.quad(lambda x: x**2, 0, 4) >>> y ( , e-13) >>> def func(x): return x**2 >>> y = integrate.quad(func, 0, 4) >>> y ( , e-13)
12 Funzioni Statistiche - stats Importazione >>> from scipy import stats Funzioni principali: Principali funzioni statistiche Distribuzioni continue e discrete Test statistici.
13 Funzioni Statistiche - stats Variabili aleatorie La libreria permette di adoperare diverse decine di distribuzioni di variabili aleatorie (continue e discrete) norm distribuzione gaussiana (o normale) chi2 distribuzione chi-squared t distribuzione T-student Variabile Gaussiana >>> from scipy.stats import norm #definizione variabile con distribuzione normale >>> x = norm() >>> x = norm(loc=3.5, scale=2.0)#loc:media, #scale: deviazione standard
14 Funzioni Statistiche - stats Variabile Gaussiana >>> y = norm(loc=5, scale=2) >>> x = numpy.linspace(-5, 5, 100) #probability density function >>> pdf = y.pdf(x) #cumulative distribution function >>> cdf = y.cdf(x)
15 Signal Processing - signal Importazione >>> from scipy import signal Tool per signal and image processing Filtraggio, trasformazioni, elaborazione di sistemi LTI etc.
16 Signal Processing - signal Elaborazione di immagini Array bidimensionali Ogni elemento equivale ad un pixel, con valore pari al livello del pixel La libreria fornisce un'immagine campione per testare gli algoritmi (lena) >>> from scipy.misc import lena >>> image = lena() >>> plt.imshow(image, cmap=plt.cm.gray)
17 Signal Processing - signal Esempio di filtraggio: filtro mediano Riduzione del rumore Ogni pixel è sostituito estraendo i valori dei pixel in un intorno (in genere nxn) del pixel in esame, li ordina in un vettore di nxn elementi e assegna al pixel il valore mediano di tale vettore >>> image = lena() >>> filtered = signal.medfilt2d(lena, [15,15]) >>> imshow(filtered, cmap=cm.gray)
18 Signal Processing - signal Altri esempi: Filtro di Wiener >>> ln = lena + norm(0,32).rvs(lena.shape)#inserimento rumore gaussiano nell'immagine >>> imshow(ln, cmap=cm.gray) >>> cleaned = signal.wiener(ln) >>> imshow(cleaned, cmap=cm.gray)
Introduzione a SciPy
Introduzione a SciPy Mario Rosati CINECA Roma m.rosati@cineca.it Introduzione Il#pacche)o#SciPy#con0ene#diversi# toolbox #dedica0#ai#problemi#più# comuni#del#calcolo#scien0fico## I#suoi#diversi#so)o>moduli#corrispondono#a#diverse#applicazioni,#come#
DettagliIndice Elementi di analisi delle matrici I fondamenti della matematica numerica
Indice 1. Elementi di analisi delle matrici 1 1.1 Spazivettoriali... 1 1.2 Matrici... 3 1.3 Operazionisumatrici... 4 1.3.1 Inversadiunamatrice... 6 1.3.2 Matricietrasformazionilineari... 7 1.4 Tracciaedeterminante...
DettagliCorso di Visione Artificiale. Filtri parte I. Samuel Rota Bulò
Corso di Visione Artificiale Filtri parte I Samuel Rota Bulò Filtri spaziali Un filtro spaziale è caratterizzato da un intorno e un'operazione che deve essere eseguita sui pixels dell'immagine in quell'intorno.
DettagliApplicazione della tsvd all elaborazione di immagini
Applicazione della tsvd all elaborazione di immagini A cura di: Mauro Franceschelli Simone Secchi Indice pag Introduzione. 1 Problema diretto.. 2 Problema Inverso. 3 Simulazioni.. Introduzione Scopo di
DettagliCapitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI
Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI La differenza tra il restauro e il miglioramento (enhancement) delle immagini è che il miglioramento è un processo soggettivo, mentre il restauro è un processo
DettagliComputazione per l interazione naturale: Modelli dinamici
Computazione per l interazione naturale: Modelli dinamici Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html
DettagliLaboratorio Apprendimento Automatico
Laboratorio Apprendimento Automatico Laurea Magistrale in Informatica Mirko Polato 14 novembre 2016 Python Perché python? Molti moduli per l analisi e la visualizzazione dei dati pre esistenti; Facile
DettagliINTRODUZIONE A EXCEL ESERCITAZIONE I
1 INTRODUZIONE A EXCEL ESERCITAZIONE I Corso di Idrologia e Infrastrutture Idrauliche Prof. Roberto Guercio Cos è Excel 2 Foglio di calcolo o foglio elettronico è formato da: righe e colonne visualizzate
DettagliEsempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica.
Esempio Risultati sperimentali Approssimazione con il criterio dei minimi quadrati Esempio Interpolazione con spline cubica. Esempio 1 Come procedere? La natura del fenomeno suggerisce che una buona approssimazione
DettagliNote sull uso di R per l Algebra Lineare
Note sull uso di R per l Algebra Lineare Sommario Introduzione Alcuni comandi elementari di R Creazione di matrici e vettori e accesso ai loro elementi Alcuni particolari tipi di matrice Operazioni con
DettagliUNIVERSITÀ DEGLI STUDI DI FERRARA
UNIVERSITÀ DEGLI STUDI DI FERRARA Anno Accademico 2012/2013 REGISTRO DELL ATTIVITÀ DIDATTICA Docente: ANDREOTTI MIRCO Titolo del corso: MATEMATICA ED ELEMENTI DI STATISTICA Corso: CORSO UFFICIALE Corso
Dettagli0.6 Filtro di smoothing Gaussiano
2 Figura 7: Filtro trapezoidale passa basso. In questo filtro l rappresenta la frequenza di taglio ed l, l rappresenta un intervallo della frequenza con variazione lineare di H, utile ad evitare le brusche
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano
DettagliUso di librerie preconfezionate. pezzi di programma già scritto da altri; di solito ben collaudati;
Uso di librerie preconfezionate Cosa sono: pezzi di programma già scritto da altri; di solito ben collaudati; comprendono le definizioni delle funzioni e il codice eseguibile; per librerie di pubblico
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
Dettaglisezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche.
sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche. Potenze e percentuali Sezione 0.3: Disuguaglianze Sezione
Dettagli(V) (FX) Z 6 è un campo rispetto alle usuali operazioni di somma e prodotto.
29 giugno 2009 - PROVA D ESAME - Geometria e Algebra T NOME: MATRICOLA: a=, b=, c= Sostituire ai parametri a, b, c rispettivamente la terzultima, penultima e ultima cifra del proprio numero di matricola
DettagliRICHIAMI SULLE MATRICI. Una matrice di m righe e n colonne è rappresentata come
RICHIAMI SULLE MATRICI Una matrice di m righe e n colonne è rappresentata come A = a 11 a 12... a 1n a 21 a 22... a 2n............ a m1 a m2... a mn dove m ed n sono le dimensioni di A. La matrice A può
DettagliProdotto tra vettori/matrici
INDICE Prodotto tra vettori/matrici elemento per elemento, tra array monodimensionali scalare, tra array monodimensionali riga per colonna, tra matrici Altri prodotti numpy.linalg Inversione di una matrice
DettagliDIGITAL SIGNAL PROCESSING. Prof. Marina Ruggieri. Ing. Tommaso Rossi
Benvenuti al al modulo di: di: ELABORAZIONE NUMERICA DEI SEGNALI 6CFU DIGITAL SIGNAL PROCESSING macroarea: Ingegneria Prof. Marina Ruggieri ruggieri@uniroma2.it Ing. Tommaso Rossi tommaso.rossi@uniroma2.it
DettagliLa modellazione dei fenomeni fisici; definizione di analisi numerica e buona posizione.
Insegnamento Livello e corso di studio Settore scientifico disciplinare (SSD) Analisi Numerica Corso di Laurea in Ingegneria Industriale (L9) MAT/08 Anno di corso 2 (il corso non è attivo per studenti
DettagliMETODI MATEMATICI PER LA FISICA
Si svolgano cortesemente i seguenti esercizi ESERCIZIO (6 PUNTI) METODI MATEMATICI PER LA FISICA PROVA SCRITTA - 2 GENNAIO 25 Una volta identificato, nel piano complesso α, il dominio di convergenza della
DettagliLa Funzione Caratteristica di una Variabile Aleatoria
La Funzione Caratteristica di una Variabile Aleatoria La funzione caratteristica Φ densità di probabilità è f + Φ ω = ω di una v.a., la cui x, è definita come: jωx f x e dx E e j ω Φ ω = 1 La Funzione
DettagliEsercizi su Autovalori e Autovettori
Esercizi su Autovalori e Autovettori Esercizio n.1 5 A = 5, 5 5 5 Esercizio n.6 A =, Esercizio n.2 4 2 9 A = 2 1 8, 4 2 9 Esercizio n.7 6 3 3 A = 6 3 6, 3 3 6 Esercizio n.3 A = 4 6 6 2 2, 6 6 2 Esercizio
DettagliRichiami su norma di un vettore e distanza, intorni sferici in R n, insiemi aperti, chiusi, limitati e illimitati.
PROGRAMMA di Fondamenti di Analisi Matematica 2 (DEFINITIVO) A.A. 2010-2011, Paola Mannucci, Canale 2 Ingegneria gestionale, meccanica e meccatronica, Vicenza Testo Consigliato: Analisi Matematica, M.
DettagliIntroduzione all elaborazione di immagini Part II
Introduzione all elaborazione di immagini Part II Obiettivi delle tecniche di elaborazione di immagini: miglioramento di qualità (image enhancement) ripristino di qualità o restauro (image restoration)
DettagliDISTRIBUZIONI DI PROBABILITÀ
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI
DettagliIntroduzione a SciPy
Introduzione a SciPy Introduzione Il pacchetto SciPy contiene diversi toolbox dedicati ai problemi più comuni del calcolo scientifico I suoi diversi sotto-moduli corrispondono a diverse applicazioni, come
DettagliESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)
ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Una immagine (digitale) permette di percepire solo una rappresentazione 2D del mondo La visione 3D si pone lo scopo di percepire il mondo per come è in 3 dimensioni
DettagliLEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE
LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE FLAVIO ANGELINI Sommario Queste note hanno lo scopo di indicare a studenti di Economia interessati alla finanza quantitativa i concetti essenziali
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
DettagliCorso di Laurea in Chimica e Tecnologia Farmaceutiche Matematica con Elementi di Informatica COMPITO 29 Gennaio 2016
Corso di Laurea in Chimica e Tecnologia Farmaceutiche Matematica con Elementi di Informatica COMPITO 29 Gennaio 2016 Nome Cognome Matricola Punteggi 10 cfu Teoria Ex.1 Ex.2 Ex.3 Ex. 4 Ex.5 /6 /5 /5 /5
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliUniversità degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica
Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica Esame di Geometria (Prof. F. Tovena) Argomenti: Proprietà di nucleo e immagine di una applicazione lineare. dim V = dim
DettagliPROGRAMMA CONSUNTIVO
PROGRAMMA CONSUNTIVO a.s. 2014/2015 MATERIA MATEMATICA CLASSE DOCENTE 5^ SEZIONE D DI LEO CLELIA Liceo Scientifico delle Scienze Applicate ORE DI LEZIONE 4 **************** OBIETTIVI saper definire e classificare
DettagliNumPy. Programmazione Orientata agli Oggetti e Scripting in Python
NumPy Programmazione Orientata agli Oggetti e Scripting in Python NumPy: Informazioni di Base Estensione che aggiunge supporto per vettori e matrici multidimensionali Fornisce: funzioni matematiche di
DettagliCorso di Automazione Industriale 1. Capitolo 4
Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione
DettagliFondamenti di Automatica. Unità 2 Calcolo del movimento di sistemi dinamici LTI
Fondamenti di Automatica Unità 2 Calcolo del movimento di sistemi dinamici LTI Calcolo del movimento di sistemi dinamici LTI Soluzione delle equazioni di stato per sistemi dinamici LTI a tempo continuo
DettagliProgrammazione Disciplinare: Calcolo Classe: Quarte - Quinte
Istituto Tecnico Tecnologico Basilio Focaccia Salerno Programmazione Disciplinare: Calcolo Classe: Quarte - Quinte Anno scolastico 01-01 I Docenti della Disciplina Salerno, settembre 01 Anno scolastico
DettagliANALISI DEL CONDIZIONAMENTO DI UN SISTEMA LINEARE
ANALISI DEL CONDIZIONAMENTO DI UN SISTEMA LINEARE Algebra lineare numerica 121 Ax = b A, b affetti dall errore di round-off si risolve sempre un sistema perturbato: con (A + A)(x + x) = b + b A = ( a i,j
DettagliCaratterizzazione dei segnali aleatori nel dominio della frequenza
Capitolo 5 Caratterizzazione dei segnali aleatori nel dominio della frequenza 5. Introduzione In questo capitolo affrontiamo lo studio dei segnali aleatori nel dominio della frequenza. Prendiamo come esempio
DettagliAnalisi Statistica Spaziale
Analisi Statistica Spaziale Posa D., De Iaco S. posa@economia.unile.it s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA ANNO ACCADEMICO
DettagliMetodi iterativi per sistemi lineari
Metodi iterativi per sistemi lineari Dario A. Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati relativi ai metodi iterativi per risolvere sistemi di equazioni
DettagliIndice. pag. 15. Prefazione. Introduzione» 17
Indice Prefazione 15 Introduzione 17 1. Pianificazione della qualità 1.1. Il concetto di 6 sigma 1.1.1. Le aree e le fasi del sei sigma 1.2. I processi produttivi e la variabilità 1.2.1. Cause comuni 1.2.2.
DettagliPrefazione all edizione originale. Prefazione all edizione italiana
Indice Prefazione all edizione originale Prefazione all edizione italiana xiii xv 1 Il miglioramento della qualità nel moderno ambiente produttivo 1 1.1 Significato dei termini qualità e miglioramento
DettagliDocumentazione esterna al software matematico sviluppato con MatLab
Documentazione esterna al software matematico sviluppato con MatLab Algoritmi Metodo di Gauss-Seidel con sovrarilassamento Metodo delle Secanti Metodo di Newton Studente Amelio Francesco 556/00699 Anno
DettagliDeterminare estremo superiore ed estremo inferiore dell insieme ( 1) n A = n + 1 : n IN
Prima prova di verifica in itinere di ANALISI MATEMATICA Gennaio 00 Determinare estremo superiore ed estremo inferiore dell insieme { } ( ) n A = n + : n IN specificando se si tratta rispettivamente di
DettagliAPPUNTI DI MODELLI NUMERICI PER I CAMPI
APPUNTI DI MODELLI NUMERICI PER I CAMPI Giovanni Miano UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II POLO DELLE SCIENZE E DELLE TECNOLOGIE FACOLTÀ DI INGEGNERIA Indice 1. Richiami sui problemi di campo
DettagliCorso di Laurea in Chimica e Tecnologia Farmaceutiche Matematica con Elementi di Informatica COMPITO 19 Febbraio 2016
Corso di Laurea in Chimica e Tecnologia Farmaceutiche Matematica con Elementi di Informatica COMPITO 19 Febbraio 2016 Nome Cognome Matricola Punteggi 10 cfu Teoria Ex.1 Ex.2 Ex.3 Ex. 4 Ex.5 /6 /5 /5 /5
DettagliFacoltà di Dipartimento di Ingegneria Elettrica e dell'informazione anno accademico 2014/15 Registro lezioni del docente SPORTELLI LUIGI
Facoltà di Dipartimento di Ingegneria Elettrica e dell'informazione anno accademico 2014/15 Registro lezioni del docente SPORTELLI LUIGI Attività didattica ANALISI MATEMATICA [2000] Periodo di svolgimento:
DettagliVettori e Matrici. Corso di Calcolo Numerico. 24 Aprile 2018
Vettori e Matrici 24 Aprile 2018 Richiami In MATLAB, ogni variabile ha una struttura di tipo vettoriale o array. Un array è un insieme di valori ordinati, cioè memorizza più dati all interno di una struttura
DettagliBOZZA Introduzione a MATLAB
BOZZA Introduzione a MATLAB BOZZA BOZZA Matlab sta per Matrix Laboratory ed è un ambiente interattivo e un linguaggio di calcolo tecnico di alto livello per lo sviluppo di algoritmi, la rappresentazione
DettagliIntroduzione a Matlab (e al Calcolo Numerico)
Introduzione a Matlab (e al Calcolo Numerico) Giuseppe Rodriguez Università di Roma Tor Vergata Seminario nell ambito del corso di Fondamenti di Informatica per gli studenti di Ingegneria Meccanica e Ingegneria
DettagliTecniche di analisi multivariata
Tecniche di analisi multivariata Metodi che fanno riferimento ad un modello distributivo assunto per le osservazioni e alla base degli sviluppi inferenziali - tecniche collegate allo studio della dipendenza
DettagliElettronica II Proprietà e applicazioni della trasformata di Fourier; impedenza complessa; risposta in frequenza p. 2
Elettronica II Proprietà e applicazioni della trasformata di Fourier; impedenza complessa; risposta in frequenza Valentino Liberali Dipartimento di Tecnologie dell Informazione Università di Milano, 26013
DettagliIdentificazione del dispositivo sorgente
UNIVERSITÀ DEGLI STUDI DI FIRENZE Facoltà di Ingegneria Corso di Laurea in INGEGNERIA INFORMATICA Identificazione del dispositivo sorgente mediante tecniche di Image Forensics Tesi di Laurea di ANDREA
DettagliTrasformazione elementari di Givens
Trasformazione elementari di Givens dove Osservazione Esprime una rotazione di ampiezza ϕ Esempio (n=2) Osservazione Rotazione nel senso positivo degli archi In generale Il prodotto matrice vettore equivale
DettagliAutovalori e Autovettori
Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2008-2009 Autovalori e Autovettori Definizione Siano A C nxn, λ C, e x C n, x 0, tali che Ax = λx. (1) Allora
DettagliSCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco
Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco ANALISI DI SITUAZIONE - LIVELLO COGNITIVO La classe ha dimostrato fin dal primo momento grande attenzione e interesse verso gli
Dettagliestratto da Competenze assi culturali Raccolta delle rubriche di competenza formulate secondo i livelli EFQ a cura USP Treviso Asse matematico
Competenza matematica n. BIENNIO, BIENNIO Utilizzare le tecniche e le procedure del calcolo aritmetico ed algebrico, rappresentandole anche sotto forma grafica BIENNIO BIENNIO Operare sui dati comprendendone
Dettagli1.5. ISTOGRAMMA 17. Figura 1.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =0, σ 2 X =1).
.5. ISTOGRAMMA 7.5 Istogramma A partire dalle considerazioni svolte nel paragrafo precedente, posto x m = min(x,,x N e x M = max(x,,x N, possiamo ottenere una stima della densità di probabilità p (x suddividendo
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
DettagliElaborazione nel dominio della frequenza Soluzioni
Elaborazione dei Segnali Multimediali a.a. 2009/2010 Elaborazione nel dominio della frequenza Soluzioni 1 La trasformata discreta 1D Calcoliamo lo spettro di x(n) = R L (n) al variare di L = 2, 10, 20,
DettagliEsercitazione Numpy e Plotting. Programmazione Orientata agli Oggetti e Scripting in Python
Esercitazione Numpy e Plotting Programmazione Orientata agli Oggetti e Scripting in Python Matplotlib: summary Matplotlib: libreria per la gestione di grafici 2d Coordinate del grafico definite da un set
DettagliI Metodi statistici utili nel miglioramento della qualità 27
Prefazione xiii 1 Il miglioramento della qualità nel moderno ambiente produttivo 1 1.1 Significato dei termini qualità e miglioramento della qualità 1 1.1.1 Le componenti della qualità 2 1.1.2 Terminologia
Dettagli2.5.6 Operazioni di macchina effettuate in virgola mobile Esercizi 52
Prefazione XIII Elementi di analisi delle matrici 1 1.1 Spazi vettoriali 1 1.2 Matrici 3 1.3 Operazioni su matrici 4 1.3.1 Inversa di una matrice 5 1.3.2 Matrici e trasformazioni lineari 6 1.4 Traccia
DettagliSCHEDA INSEGNAMENTO A CALCOLO NUMERICO DE GIORGI"
SCHEDA INSEGNAMENTO A002753 - CALCOLO NUMERICO Corso di studi di riferimento Dipartimento di riferimento Settore Scientifico Disciplinare LB04 - MATEMATICA DIPARTIMENTO DI MATEMATICA E FISICA "ENNIO DE
DettagliFacoltà di Ingegneria anno accademico 2007/08 Registro dell'attività didattica. Calcolo 2 [40214]
Facoltà di Ingegneria anno accademico 2007/08 Registro dell'attività didattica Calcolo 2 [40214] Attività didattica: Attività didattica [codice] Corso di studio Facoltà Calcolo 2 [40214] Ingegneria delle
DettagliMetodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli
Programma dell insegnamento di Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli Corso di Laurea in Metodi Quantitativi per l Economia e la Gestione delle Aziende A.A. 2007-08 Disciplina
DettagliCIRCUITI INTELLIGENTI Parte 5: PCA e ICA
Ing. Simone SCARDAPANE Circuiti e Algoritmi per l Elaborazione dei Segnali Anno Accademico 2012/2013 Indice della Lezione 1. Analisi delle Componenti Principali 2. Auto-Associatori 3. Analisi delle Componenti
DettagliMATEMATICA GENERALE - (A-D) Prova d esame del 1 giugno 2012 - FILA A
MATEMATICA GENERALE - (A-D) Prova d esame del giugno 202 - FILA A Nome e cognome Matricola I Parte OBBLIGATORIA (quesiti preliminari: punto ciascuno). Riportare le soluzioni su questo foglio, mostrando
DettagliProgramma definitivo Analisi Matematica 2 - a.a. 2005-06 Corso di Laurea Triennale in Ingegneria Civile (ICI)
1 Programma definitivo Analisi Matematica 2 - a.a. 2005-06 Corso di Laurea Triennale in Ingegneria Civile (ICI) Approssimazioni di Taylor BPS, Capitolo 5, pagine 256 268 Approssimazione lineare, il simbolo
DettagliMorphological Image processing
Morphological Image processing Morfologia matematica La parola morfologia comunemente denota una parte della biologia che tratta con la forma e la struttura di organismi In analogia al termine biologico
Dettagli8 - Analisi della deformazione
8 - Analisi della deformazione ü [A.a. - : ultima revisione 6 ottobre ] Esercizio n. Si supponga di voler conoscere sperimentalmente lo stato di deformazione in un punto M di un solido. A tal fine, si
DettagliCompito di Analisi Matematica II del 28 giugno 2006 ore 11
Compito di Analisi Matematica II del 28 giugno 26 ore Esercizio. ( punti) Calcolare il flusso del campo vettoriale F (,, z) = (z, z 2, z 2 ) } uscente dalla frontiera di D = (,, z) R 3 : 2 + z 2, z,. Svolgimento
DettagliCorso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti
Corso di Analisi Numerica - AN1 Parte 2: metodi diretti per sistemi lineari Roberto Ferretti Richiami sulle norme e sui sistemi lineari Il Metodo di Eliminazione di Gauss Il Metodo di Eliminazione con
DettagliLaboratorio di Matematica Computazionale
Laboratorio di Matematica Computazionale Dipartimento di Informatica, Università di Pisa, Italy delcorso@di.unipi.it A chi è rivolto A Studenti della Laurea Magistrale in Informatica A coloro che hanno
DettagliLezione n. 1. Introduzione all analisi numerica (richiami di algebra lineare e analisi funzionale)
Lezione n. 1 Introduzione all analisi numerica (richiami di algebra lineare e analisi funzionale) R. Albanese, "Metodi numerici Pag. 1 Pag. 2 Programma 1. Introduzione all analisi numerica (richiami di
DettagliLa distribuzione Gaussiana
Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione
DettagliCORSO DI MISURE ANALISI DEI SEGNALI NEL DOMINIO DEL TEMPO
CORSO DI MISURE ANALISI DEI SEGNALI NEL DOMINIO DEL EMPO ing Emanuele Zappa SEGNALI: grandezze di base nel dominio del tempo: Ampiezza picco-picco (pk.pk) Ampiezza massima positiva empo Ampiezza massima
DettagliRichiami sulle derivate parziali e definizione di gradiente di una funzione, sulle derivate direzionali. Regola della catena per funzioni composte.
PROGRAMMA di Fondamenti di Analisi Matematica 2 (che sarà svolto fino al 7 gennaio 2013) A.A. 2012-2013, Paola Mannucci e Claudio Marchi, Canali 1 e 2 Ingegneria Gestionale, Meccanica-Meccatronica, Vicenza
DettagliAnalisi dei Dati mediante Modelli Matematici
Fabio Marcuzzi Analisi dei Dati mediante Modelli Matematici Metodi numerici ed applicazioni a problemi di identificazione di modelli dai dati sperimentali, misura indiretta, predizione e stima dello stato
DettagliDerive 5. di Stefania Mannara. Studio di funzione con Derive 5 di Stefania Mannara (SICSI VI CICLO) 1 28/05/2009
Derive 5 di Stefania Mannara di Stefania Mannara (SICSI VI CICLO) 1 Uso di Derive supporto didattico per una migliore comprensione dei concetti incontrati dagli alunni di quinta liceo scientifico nell
DettagliPordenone e Padova, Settembre 2011. Fabio Marcuzzi marcuzzi@math.unipd.it
Prefazione In questo libro tratteremo un insieme fondamentale di metodi numerici per l analisi dei dati, che fanno uso esplicito di modelli matematici esplicativi del fenomeno che ha generato i dati. In
DettagliIl corso si colloca nell ambito del corso integrato di scienze quantitative, al primo anno.
Corso di Statistica Medica Il corso si colloca nell ambito del corso integrato di scienze quantitative, al primo anno. Sono previste 40 ore complessive, di cui almeno 16 di lezione frontale e le restanti
DettagliControlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L.
Parte 3 Aggiornamento: Settembre 2010 Parte 3, 1 Trasformata di Laplace e Funzione di trasferimento Prof. Lorenzo Marconi DEIS-Università di Bologna Tel. 051 2093788 Email: lmarconi@deis.unibo.it URL:
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
DettagliCalcolo Numerico (CdS in Matematica) A.A. 2012/13
Calcolo Numerico (CdS in Matematica) A.A. 2012/13 Esercitazione di Laboratorio sulla risoluzione di sistemi di equazioni lineari Parte 1. Fattorizzazione di matrici Scrivere una funzione Matlab che implementi
DettagliElaborazione nel dominio della frequenza
Elaborazione dei Segnali Multimediali a.a. 2009/2010 Elaborazione nel dominio della frequenza L.Verdoliva In questa esercitazione esamineremo la trasformata di Fourier discreta monodimensionale e bidimensionale.
DettagliINTRODUZIONE A MATLAB Matrix Laboratory
INTRODUZIONE A MATLAB Matrix Laboratory Introduzione Linguaggio di programmazione per applicazioni scientifiche e numeriche Vasto set di funzioni predefininte Interprete di comandi Possibilità di scrivere
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
Dettagli1. Martedì 27/09/2016, ore: 2(2) Introduzione al corso: problemi ben posti, condizionamento, stabilità, complessità
Registro delle lezioni di MATEMATICA APPLICATA Corsi di Laurea in Chimica e Meccanica 6 CFU - A.A. 2016/2017 docente: Dott.ssa Luisa Fermo ultimo aggiornamento: 15 dicembre 2016 1. Martedì 27/09/2016,
DettagliIntroduzione a Python per il calcolo scientifico
Introduzione a Python per il calcolo scientifico Ma ia Penati 23 gennaio 2014 Python Python è un linguaggio di programmazione dinamico orientato agli ogge i >>> import t h i s The Zen o f Python, by Tim
DettagliCORSO DI LAUREA INF TWM ANNO DI IMMATRICOLAZIONE MATRICOLA
COGNOME NOME CORSO DI LAUREA INF TWM ANNO DI IMMATRICOLAZIONE MATRICOLA SIMULAZIONE SCRITTO DI MATEMATICA DISCRETA, SECONDA PARTE Per ottenere la sufficienza bisogna rispondere in modo corretto ad almeno
DettagliSistemi Elettronici e informatici in ambito Radiologico // Informatica Medica parte c A.A. 2014-15
Sistemi Elettronici e informatici in ambito Radiologico // Informatica Medica parte c A.A. 2014-15 Agostino ACCARDO Dipartimento di Ingegneria e Architettura 040-5587148 accardo@units.it Testi di riferimento:
DettagliIntegrazione numerica
Integrazione numerica Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ Lezione 6-20-26 ottobre 2009 Indice 1 Formule di quadratura semplici e composite Formule di quadratura
DettagliLiceo scientifico Albert Einstein. Anno scolastico 2009-2010. Classe V H. Lavoro svolto dalla prof.ssa Irene Galbiati. Materia: MATEMATICA
Liceo scientifico Albert Einstein Anno scolastico 2009-2010 Classe V H Lavoro svolto dalla prof.ssa Irene Galbiati Materia: MATEMATICA PROGRAMMA DI MATEMATICA CLASSE V H Contenuti Ripasso dei prerequisiti
DettagliESERCIZI DI ALGEBRA LINEARE E GEOMETRIA
ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici
Dettagli