Riassunti VERIFICATO

MIDA summary

Politecnico di Milano mathematical engineering - ingegneria matematica
135 visualizzazioni
Nessun voto ancora
Condividi: WhatsApp Telegram

Di cosa parla

Riassunto AI · si legge in un minuto

Il riassunto copre i concetti di previsione e identificazione dei modelli in ingegneria matematica. Si introduce il problema di previsione per una sequenza temporale e la costruzione di predittori lineari basati su combinazioni lineari di campioni passati. Viene discussa l'errore di previsione come un processo stocastico, con particolare attenzione al caso ideale dell'errore come rumore bianco. Vengono presentate le definizioni di variabili casuali e vettori casuali, insieme alle loro caratteristiche statistiche come media, varianza e covarianza. Si esaminano anche i concetti di processo stocastico e processi AR, MA e ARMA, con una breve introduzione a
Leggi il riassunto completo
  • Il predittore lineare è costruito come combinazione lineare dei campioni precedenti: v(t) = a1v(t-1) + ... + anv(t-n). Si cerca un criterio per stimare i parametri a1, ..., an.
  • L'errore di predizione è definito come β = v(t) - ^v(t|t-1). In caso ideale, l'errore sarebbe sempre zero, ma in pratica si cerca un errore stocastico con media zero e varianza costante (white noise).
  • Il trasferimento W(z) può essere ottenuto introducendo l'operatore z: v(t) = a1z-1v(t) + ... + anz-nv(t) + β(t). I poli e i zero di W(z) sono calcolati come soluzioni dell'equazione del numeratore e del denominatore rispettivamente.
  • Una variabile casuale è una funzione reale di un evento casuale associato ai risultati di un esperimento casuale. La sua media è E[v] = m. La varianza è V ar[v] = E[(v - E[v])2] = μ2. Il vettore casuale ha una matrice di varianze simmetrica.
  • La covarianza tra due variabili casuali v1 e v2 è μ12 = E[(v1 - E[v1])(v2 - E[v2])]. Per una variabile casuale gaussiana con distribuzione v ~ G(m, μ2), in circa il 95% dei casi v prenderà valori nell'intervallo m ± 2μ.

Riassunto generato con l'intelligenza artificiale a partire dagli appunti. Come lo facciamo

Anteprima pagina 1 — MIDA summary Anteprima pagina 2 — MIDA summary Anteprima pagina 3 — MIDA summary Anteprima pagina 4 — MIDA summary

Stai vedendo l'anteprima delle prime pagine. Il file completo è gratis: registrati per leggerlo tutto.

Studia questi appunti con l'AI

Riassunto e domande d'esame sono gratis: chiedili e ti mandiamo un'email quando sono pronti.

Questo appunto è gratis. Registrati in 30 secondi per leggere tutte le pagine e scaricarlo.

Simula l'esame con domande costruite su questi appunti.

Altri appunti di MODEL IDENTIFICATION AND DATA ANALYSIS

Condividi questi appunti

WhatsApp Telegram