Codice: Course code: |
21022 | |||||||||||||||||||||||||||||||||||
Anno accademico: Academic year: |
2011-2012 | |||||||||||||||||||||||||||||||||||
Titolo del corso: Course title: |
Statistica e Modelli Stocastici
Statistics and Stochastic Models |
|||||||||||||||||||||||||||||||||||
Modulo: Module: |
2 - Modelli Stocastici
2 - Stochastic Models |
|||||||||||||||||||||||||||||||||||
Docente 1: Teacher 1: |
||||||||||||||||||||||||||||||||||||
Ruolo Docente 1: Teacher 1: |
||||||||||||||||||||||||||||||||||||
Modalitą 1: Type 1: |
Convenzionale | |||||||||||||||||||||||||||||||||||
Settore scientifico-disciplinare: Reference sector: |
SECS-S/02 Statistica per la ricerca sperimentale e tecnologica | |||||||||||||||||||||||||||||||||||
Anno di corso: Year of degree course: |
secondo | |||||||||||||||||||||||||||||||||||
Facoltą: Faculty: |
Ingegneria | |||||||||||||||||||||||||||||||||||
Modalitą di frequenza: Type: |
Non obbligatoria | |||||||||||||||||||||||||||||||||||
Semestre: Semester: |
2 | |||||||||||||||||||||||||||||||||||
Sottoperiodo: Sub period: |
0° | |||||||||||||||||||||||||||||||||||
Numero totale di crediti: Total credits: |
6.0 | |||||||||||||||||||||||||||||||||||
Carico di lavoro Workload |
|
|||||||||||||||||||||||||||||||||||
Prerequisiti: Prerequisites: |
Statistica e probabilitą Analisi matematica e algebra lineare | |||||||||||||||||||||||||||||||||||
Obiettivi formativi: Educational goals: |
||||||||||||||||||||||||||||||||||||
Contenuto del corso: Course contents: |
Effetto della dipendenza sulla stima della media e sulla regressione
Normale multivariata
Regressione multipla:
Minimi quadrati ordinari (OLS)
Correlazione ed eteroschedasticitą degli errori
Regressione nonparametrica: modelli localmente polinomiali, splines
Metodo dei momenti
Stima di massima verosimiglianza
Algoritmo Newton-Raphson
Algoritmo EM
Applicazione alle misture
Stima Bayesiana
Modelli autoregressivi a mediamobile: ARIMAX
Modelli parzialmente osservabili (DLS) e filtro di Kalman
Ottimalitą del filtro e problemi di robustezza
Stima EM
Modelli a memoria lunga
- Autocovarianze non sommabili e varianza della media
- Modelli ARIMA Frazionari:
- Simulazione Stocastica
- Il metodo Monte Carlo ordinario
- Metodi Monte Carlo modificati (MC stratificato e ipercubi latini)
- Metodi di ricampionamento e metodo Bootstrap
Multivariate Gaussian distribution Multivariate regression Estimation: Method of moments, Maximum Likelihood and asymptotic theory Newton-Raphson Algorithm EM Algorithm Mixtures and images segmentation Stichastic Simulation: Monte Carlo method and Bootstrap Stationary stochastic processes - Short memory Forectasting, autocovariance and autocorrelation ARMAX models, estimation, inference and forecasting Stationary stochastic processes - Long memory - Selfsimilarity - Gaussian Fractional Noise - Fractional ARIMA models State space models and Kalman filtering Control charts and surveillance: Shewhart and EWMA |
|||||||||||||||||||||||||||||||||||
Metodi didattici: Teaching activities: |
||||||||||||||||||||||||||||||||||||
Struttura della verifica del
profitto: Assessment: |
||||||||||||||||||||||||||||||||||||
Descrizione verifica del profitto: |
||||||||||||||||||||||||||||||||||||
Lingua di insegnamento: Teaching language: |
||||||||||||||||||||||||||||||||||||
Altre informazioni: Other information: |
||||||||||||||||||||||||||||||||||||