Studiare
In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.
Piano Didattico
Queste informazioni sono destinate esclusivamente agli studenti e alle studentesse già iscritti a questo corso.Se sei un nuovo studente interessato all'immatricolazione, trovi le informazioni sul percorso di studi alla pagina del corso:
Laurea in Matematica applicata - Immatricolazione dal 2025/2026Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.
1° Anno
Insegnamenti | Crediti | TAF | SSD |
---|
2° Anno Attivato nell'A.A. 2012/2013
Insegnamenti | Crediti | TAF | SSD |
---|
Uno tra i seguenti due insegnamenti
3° Anno Attivato nell'A.A. 2013/2014
Insegnamenti | Crediti | TAF | SSD |
---|
Uno da 12 cfu o due da 6 cfu tra i seguenti tre insegnamenti
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Uno tra i seguenti due insegnamenti
Insegnamenti | Crediti | TAF | SSD |
---|
Uno da 12 cfu o due da 6 cfu tra i seguenti tre insegnamenti
Insegnamenti | Crediti | TAF | SSD |
---|
Legenda | Tipo Attività Formativa (TAF)
TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.
Sistemi stocastici (2013/2014)
Codice insegnamento
4S00254
Crediti
6
Lingua di erogazione
Italiano
Settore Scientifico Disciplinare (SSD)
MAT/06 - PROBABILITÀ E STATISTICA MATEMATICA
L'insegnamento è organizzato come segue:
Catene di Markov in tempo discreto
Analisi di serie temporali
Esercitazioni
Obiettivi formativi
Modulo 1 ( Catene di Markov in tempo discreto)
------
Elementi di base della teoria delle catene di Markov in tempo discreto sia con stati finiti che numerabili con esempi di applicazioni.
Modulo 2 (Esercitazioni di Sistemi stocastici)
Calcolo e approssimazione di probabilità invarianti, algoritmo di Metropolis, simulazione di code e processi di rinnovo mediante il linguaggio Matlab
Modulo 3 Elementi di analisi di serie temporali :Nel corso viene fornito un impianto teorico per l’analisi di serie temporali a tempo discreto viste come uscita di sistemi tempo invarianti sia autonomi (alimentati da solo rumore bianco) che forzati. Inoltre si prevede l’applicazione di quanto visto in teoria mediante l’uso di un software di analisi dati.
Programma
Modulo 1
-------
Catene di Markov in tempo discreto a stati finiti
- definizioni, matrice di transizione, esempio della rovina del giocatore. - probabilità di transizione in m passi, equazione di Chapman-Kolmogorov, densità congiunte finite - enunciato th. di Kolmogorov, spazio canonico. - classificazione degli stati,irriducibilità, probabilità invariati, th. di Markov-Kakutani, catene regolari (criterio), probabilità limite e th. di Markov, catene reversibili, algoritmo di Metropolis e Simulated annealing. - simulazione di v.a. discrete, algoritmo ricorsivo per generare una CdM omogenea a stati finiti.
Catene di Markov in tempo discreto a stati numerabili
-misure invarianti, teorema di esistenza, positiva ricorrenza, prova del th. di Markov Kakutani per il caso di stati finiti. - definizioni equivalenti di transienza e ricorrenza, periodo, solidarietà, decomposizione canonica. - esempio delle misure invarianti per la passeggiata aleatoria illimitata - catene ergodiche e teorema limite. - teorema delle medie temporali.
Elementi della teoria delle martingale in tempo discreto
- filtrazione naturale associate ad un CdM om in tempo discreto, tempi di arresto. - attesa condizionata come v.a., attesa condizionata ad un sigma algebra generata da un v.a. reale o vettoriale - Prprietà di Markov forte - martingale, Optional Stopping Theorem, esempio della rovina del giocatore.
Modulo 2 Calcolo e approssimazione di probabilità invarianti, algoritmo di Metropolis, simulazione di code mediante il linguaggio Matlab
Modulo 3 Elementi di analisi di serie temporali: Scopi principali dell’analisi di serie temporali: modellazione, predizione e simulazione.
Principali componenti del problema di identificazione: conoscenze a priori, design dell’esperimento, criterio di bontà, modello, filtraggio e validazione.
Modelli: principali variabili e relative schemi. (AR, ARX, ARMA, output-error).
Criteri di bontà: minimi quadrati, massima verosimiglianza e maximum a posteriori.
FIltraggio: modelli lineari nei parametri, filtraggio in frequenza.
Matlab : scopi ed applicazioni.
Bibliografia
Attività | Autore | Titolo | Casa editrice | Anno | ISBN | Note |
---|---|---|---|---|---|---|
Analisi di serie temporali | LJung | System Identification, Theory for the User (Edizione 2) | Prentice Hall PTR | 1999 |
Modalità d'esame
Modulo 1 Esame orale
Modulo 2 Discussione della risoluzione di esercizi assegnati.
Module 3 Esame scritto
Materiale e documenti
-
Elaborato 1 - appello del 5 febbraio (it, 54 KB, 1/30/14)
-
Elaborato 2 - testo e linee guida per l'appello del 19 febbraio (it, 75 KB, 2/13/14)
-
Elaborato 3 - testo e linee guida per l'appello del 25 luglio (it, 701 KB, 6/18/14)
-
Errata Corrige I - Esercitazione IV (it, 60 KB, 2/17/14)
-
Esercitazione 1 del 20-11: predizione e simulazione (it, 1315 KB, 12/17/13)
-
Esercitazione 2 del 27-11: identificazione su errore di predizione (it, 649 KB, 12/17/13)
-
Esercitazione 3 del 04-12: Identificazione ML e MAP (it, 1292 KB, 12/17/13)
-
Esercitazione 4 del 11-12: Validazione Modelli (it, 628 KB, 2/17/14)
-
Esercitazione 5 del 18-12: Simulazione d'esame (it, 661 KB, 12/17/13)