VETTORI DI VARIABILI ALEATORIE
|
|
- Raffaello Gagliardi
- 5 anni fa
- Visualizzazioni
Transcript
1 VETTOI DI VAIABILI ALEATOIE E. DI NADO 1. Funzioni di ripartizione congiunte e marginali Definizione 1.1. Siano X 1, X 2,..., X n v.a. definite su uno stesso spazio di probabilità (Ω, F, P ). La n-pla (X 1, X 2,..., X n ) viene detta v.a. n-dimensionale o vettore casuale e verrà indicata con X. Le singole v.a. X i vengono dette componenti. Si osservi che per ogni vettore n-dimensionale di numeri reali x = (x 1, x 2,..., x n ) si ha {ω Ω : X 1 (ω) x 1, X 2 (ω) x 2,..., X n (ω) x n } = n {ω Ω : X i (ω) x i }, tale evento, essendo intersezione di elementi in F, appartiene ancora ad F. Definizione 1.2. Si dice funzione di ripartizione congiunta del vettore casuale X la funzione F X : n [0, 1] così definita F X (x) = F X1,X 2,...,X n (x 1, x 2,..., x n ) = P (X 1 x 1, X 2 x 2,..., X n x n ). Si noti che scegliendo una qualsiasi componente del vettore aleatorio X ed effettuando il limite per x i che tende a si ha ed allo stesso modo lim F X x 1,X 2,...,X n (x 1, x 2,..., x n ) = 0 i lim F X 1,X 2,...,X i 1,X i,x i+1,...,x n (x 1, x 2,..., x i 1, x i, x i+1,..., x n ) x i = F X1,X 2,...,X i 1,X i+1,...,x n (x 1, x 2,..., x i 1, x i+1,..., x n ) mentre lim F X x 1,X 2,...,X n (x 1, x 2,..., x n ) = 1. La funzione di ripartizione F X1,X 2,...,X i 1,X i+1,...,x n (x 1, x 2,..., x i 1, x i+1,..., x n ) viene detta marginale. Procedendo allo stesso modo si può determinare la funzione di ripartizione marginale di m variabili aleatorie scelte tra le n del vettore X. La funzione di ripartizione congiunta è non decrescente, ossia x 1,x 2,...,x n x 1,x 2,...,x n F X1,X 2,...,X n (x 1, x 2,..., x n ) 0, utilizzando la medesima notazione del capitolo precedente. Omettiamo la dimostrazione che segue le stesse linee di quella del caso bidimensionale. Come nel caso bidimensionale, scriveremo P [(X 1, X 2,..., X n ) B] = df X1,X 2,...,X n (x 1, x 2,..., x n ) dove B B( n ). Ad integrazione della Lezione 11 - Calcolo delle Probabilità e Statistica Matematica II. B 1
2 2 E. DI NADO 1.1. Caso discreto. Dato un vettore aleatorio (X 1, X 2,..., X n ) si definisce p r,s,...,t = P (X 1 = x 1,r, X 2 = x 2,s,..., X n = x n,t ) r = 1, 2,..., s = 1, 2,... massa di probabilità congiunta. Ovviamente risulta p r,s,...,t 0 e r,s,...,t p r,s,...,t = 1. I valori che si ottengono sommando su un indice la massa di probabilità congiunta sono detti probabilità marginali. Un esempio di vettore aleatorio discreto è quello con legge multinomiale Caso assolutamente continue. Diremo assolutamente continua una v.a. n- dimensionale con funzione di ripartizione congiunta F X1,X 2,...,X n (x 1, x 2,..., x n ) se esiste una funzione non negativa f X1,X 2,...,X n (x 1, x 2,..., x n ) : n tale che per ogni n-pla (x 1, x 2,..., x n ) di reali distinti si abbia F X1,X 2,...,X n (x 1, x 2,..., x n ) = x1 dv 1 xn dv n f X1,X 2,...,X n (v 1, v 2,..., v n ). La funzione densità f X1,X 2,...,X n (x 1, x 2,..., x n ) viene detta densità di probabilità congiunta del vettore X. Ovviamente risulta n F X1,X x 1 x 2,...,X n (x 1, x 2,..., x n ) = f(x 1, x 2,..., x n ). n Si ha poi e + + P [(X 1, X 2,..., X n ) B] = f(x 1, x 2,..., x n )dx 1 dx n = 1 B f X1,X 2,...,X n (x 1, x 2,..., x n )dx 1 dx n dove B B( n ). Un cenno a parte meritano le densità marginali che si ottengono integrando la densità congiunta su un certo numero di componenti, ossia f X1,X 2,...,X m (x 1, x 2,..., x m ) = dx m+1 f(x 1, x 2,..., x n )dx n. 2. elazioni tra n variabili aleatorie 2.1. Indipendenza. Per vettori di variabili aleatorie valgono le medesime nozioni di somiglianza e di indipendenza di cui al capitolo precedente. Definizione 2.1. Assegnato un vettore aleatorio (X 1, X 2,..., X n ) esso è costituito da v.a. indipendenti, se (2.1) F X1,X 2,...,X n (x 1, x 2,..., x n ) = F X1 (x 1 )F X2 (x 2 ) F Xn (x n ). Dalla definizione precedente segue che comunque scelte k v.a. k {1, 2,..., n}, si ha k F Xi1,X i2,...,x ik (x i1, x i2,..., x ik ) = F Xij (x ij ). j=1 tra le n, con Infatti è sufficiente effettuare il limite per x i che tende a su quelle componenti del vettore che non appartengono all insieme {X i1, X i2,..., X ik }, in modo da eliminarle dal vettore, affinché al primo membro della (2.1) si riottenga la funzione di ripartizione marginale di X nelle X i1, X i2,..., X ik mentre nel prodotto che figura al secondo membro restino le funzioni di ripartizione delle singole X it.
3 VETTOI DI VAIABILI ALEATOIE Campione casuale. Una delle più importanti applicazioni dei vettori casuali è quella relativa ad osservazioni ripetute di una qualche v.a. X. Supponiamo che il tempo di vita di una lampadina sia descritto da una v.a. X. Un azienda produce queste lampadine in gran quantità e vogliamo testarne n. Sia X i il tempo di vita della i-esima lampadina testata. Allora il vettore (X 1, X 2,, X n ) è un vettore aleatorio. Se assumiamo che le X i sono simili (sono tutte prodotte dalla stessa azienda e quindi dovrebbero avere medesima legge di probabilità) e sono indipendenti (la produzione di una lampadina non dovrebbe influenzare la produzione delle altre) il vettore X prende il nome di campione casuale Minimo e massimo. Siano X 1, X 2,..., X n variabili aleatorie indipendenti e somiglianti. Caratterizziamo la legge di probabilità di isulta Y = max 1 i n X i F Y (y) = P (Y y) = P ( max 1 i n X i y) T = min 1 i n X i. = P (X 1 y, X 2 y,..., X n y) = Se le v.a. X i sono assolutamente continue, allora Invece si ha P (X i y) = [F X (y)] n f Y (y) = n[f X (y)] n 1 f X (y). 1 F T (t) = P (T > t) = P ( min 1 i n X i > t) = P (X 1 > t, X 2 > t,..., X n > t) = Se le v.a. X i sono assolutamente continue, allora P (X i > t) = [1 F X (t)] n f T (t) = n[1 F X (t)] n 1 f X (t). Esercizio Siano X i per i = 1, 2,..., n v.a. indipendenti esponenziali di parametro λ. Studiare le v.a. Y = max 1 i n X i e T = min 1 i n X i. Studiare il caso in cui le v.a. sono esponenziali, ciascuna di parametro λ i. Applicazioni in affidabilità dei sistemi composti Condizionamento. Siano X = (X 1, X 2,, X n ) e Y = (Y 1, Y 2,, Y m ) vettori casuali definiti sullo stesso spazio di probabilità (Ω, F, P ) e siano F X, F Y e F X,Y le funzioni di ripartizioni di X, di Y e di (X, Y). Sia B l evento e B = {ω Ω : Y 1 (ω) y 1,..., Y m (ω) y m } A h,k = {ω Ω : x 1 h 1 < X 1 (ω) x 1 + k 1,..., x n h n < X n (ω) x n + k n } dove h = (h 1,, h n ) e k = (k 1,, k n ) con h i, k i costanti non negative. Si scelgano h, k in modo che P (A h,k ) > 0. Pertanto ha senso definire P (B A h,k ) = P (B A h,k) P (A h,k ) = P {(Y y) (x h < X x + k)} P (x h < X x + k) dove con la scrittura U u si intende U i u i per ogni componente.
4 4 E. DI NADO Definizione 2.2. Dati i vettori casuali X e Y e i vettori costanti h e k tali che P (A h,k ) > 0 se esiste finito il limite P {(Y y) (x h < X x + k)} lim h,k 0 P (x h < X x + k) esso prende il nome di funzione di ripartizione di Y dato X e viene indicato con F Y X (y x). I risultati ottenuti nel capitolo precedente possono estendersi a questo caso e in particolare si potrà scrivere (2.2) f Y X (y x) = f(x, y) f X (x) Se poi i vettori casuali sono indipendenti allora f Y X (y x) = f Y (y) f X Y (x y) = f(x, y) f Y (y). f X Y (x y) = f Y (y). Una generalizzazione della nozione di vettore aleatorio è costituito dal processo stocastico, nozione che verrà esaminata nel paragrafo successivo. 3. Processo stocastico Un processo stocastico è una famiglia di v.a. dipendenti da un parametro t T, che in genere viene denominato tempo. Pertanto può essere considerato come una funzione X(ω, t) con ω Ω e t T. Per un valore fissato t, la funzione di ω X(ω, t ) è una v.a. Invece fissare ω = ω equivale a fissare una prova, si ottiene allora una funzione del tempo X(ω, t) che viene detta traiettoria o realizzazione del processo. Se T è un sottoinsieme finito di con cardinalità n, allora il processo stocastico è un vettore aleatorio n-dimensionale. Se T è l insieme dei numeri naturali, allora il processo stocastico è una successione di v.a. (esempio: processo di Bernoulli) e viene detto discreto nel tempo. Se T è un sottoinsieme non finito di, il processo è detto continuo nel tempo (esempio: processo di Poisson). L insieme dei valori assunti dalle v.a. che costituiscono il processo prende il nome di spazio degli stati. Anche lo spazio degli stati può essere finito, numerabile o avere la potenza del continuo. Nei primi due casi si dice che il processo stocastico è discreto nello spazio, mentre nell ultimo caso si dice che è continuo nello spazio. Definizione 3.1. Un processo stocastico si dice noto quando, comunque fissata una n-pla di istanti in T, ossia t 1 < t 2 < < t n, si conosce la funzione di ripartizione congiunta delle v.a. X(t 1 ), X(t 2 ),..., X(t n ). Se si assume che il processo è costituito da v.a. assolutamente continue, questo equivale a conoscere la funzione densità congiunta, usualmente indicata con n f(x 1, t 1 ; x 2, t 2 ;..., x n, t n ) = F X(t1),...,X(t x 1 x n)(x 1,..., x n ) n con t 1 < t 2 <... < t n. Vale il seguente teorema. Teorema 3.2. Sia {X(t), t T } un processo stocastico costituito da v.a. assolutamente continue. Si ha f(x 1, t 1 ; x 2, t 2 ;..., x n, t n ) = f(x i, t i x i 1, t i 1 ;... ; x 1, t 1 ) dove il termine per i = 1 corrisponde alla densità unidimensionale f(x 1, t 1 ).
5 VETTOI DI VAIABILI ALEATOIE 5 Proof. Il risultato segue applicando iterativamente la (2.2) Il risultato del teorema dice che il processo stocastico è noto, se si conoscono le densità condizionate di ordine inferiore. Questo perchè lo stato del processo all istante t n dipende da quello che è accaduto in tutti gli stati precedenti. Ovviamente tale studio presenta grosse difficoltà. Un caso speciale è rappresentato dai processi stocastici di Markov. Definizione 3.3. Un processo stocastico si dice di Markov se comunque fissata una n-pla di istanti in T, ossia t 1 < t 2 < < t n, si ha f(x n, t n x n 1, t n 1 ;... ; x 1, t 1 ) = f(x n, t n x n 1, t n 1 ). La funzione densità f(x, t y, τ) con τ < t prende il nome di funzione densità di transizione. Per i processi di Markov, quando si conosce la densità di transizione e la densità unidimensionale, è possibile determinare la densità congiunta di qualsiasi ordine. Si noti che i processi di Markov sono caratterizzati da limitata memoria, in quanto se indichiamo con t n il generico istante futuro, con t n 1 l istante presente e con t i per i = 1, 2,..., n 2 gli istanti passati, la proprietà di markovianità si può enunciare dicendo che il futuro dipende solo dal presente e non dal passato. Quando lo spazio degli stati è discreto o numerabile, si parla di catena di Markov. Un esempio di catena di Markov è il processo di Poisson. Teorema 3.4. Equazione di Chapman-Kolmogorov La densità di transizione di un processo di Markov soddisfa la seguente relazione f(x, t x 0, t 0 ) = f(x, t y, τ)f(y, τ x 0, t 0 )dy. Proof. Si ha f(x, t; x 0, t 0 ) = f(x, t; y, τ; x 0, t 0 )dy = Trattandosi di un processo di Markov si ha f(x, t; x 0, t 0 ) = f(x, t y, τ)f(y, τ; x 0, t 0 )dy = f(x, t y, τ; x 0, t 0 )f(y, τ; x 0, t 0 )dy. Il primo membro della precedente eguaglianza può scriversi come da cui il risultato. f(x, t; x 0, t 0 ) = f(x, t x 0, t 0 )f(x 0, t 0 ) f(x, t y, τ)f(y, τ x 0, t 0 )f(x 0, t 0 )dy. Si chiamano invece processi stocastici senza memoria quei processi di Markov per i quali la densità di transizione soddisfa la seguente proprietà: f(x, t y, τ) = f(x, t) τ < t. Sono ovviamente processi stocastici le cui variabili aleatorie risultano indipendenti. Esempi sono il rumore bianco ed il rumore termico.
COPPIE DI VARIABILI ALEATORIE
COPPIE DI VAIABILI ALEATOIE E DI NADO 1 Funzioni di ripartizione congiunte e marginali Definizione 11 Siano X, Y va definite su uno stesso spazio di probabilità (Ω, F, P La coppia (X, Y viene detta va
DettagliVariabili casuali multidimensionali
Capitolo 1 Variabili casuali multidimensionali Definizione 1.1 Le variabili casuali multidimensionali sono k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità.
DettagliUniversità di Roma Tor Vergata Corso di Teoria dei Fenomeni Aleatori, AA 2012/13. Catene di Markov
Catene di Markov SISTEMI CASUALI DINAMICI (PROCESSI) - UN ESEMPIO: I GUASTI Frequenza dei guasti: N GUASTI 0 T N T 0 T! Catene di Markov SISTEMI CASUALI DINAMICI (PROCESSI) - UN ESEMPIO: I GUASTI Campionando
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
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
DettagliNote di Teoria della Probabilità.
Note di Teoria della Probabilità. In queste brevi note, si richiameranno alcuni risultati di Teoria della Probabilità, riguardanti le conseguenze elementari delle definizioni di probabilità e σ-algebra.
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
DettagliNote sulle Catene di Markov
Note sulle Catene di Markov ELAUT Prof. Giuseppe C. Calafiore Sommario Queste note contengono un estratto schematico ridotto di parte del materiale relativo alle Catene di Markov a tempo continuo e a tempo
Dettagli19 Marzo Equazioni differenziali.
19 Marzo 2019 Equazioni differenziali. Definizione 1. Si chiama equazione differenziale una relazione che coinvolge una o più derivate di una funzione incognita y(x), la funzione stessa, funzioni di x
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
DettagliIDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 01 - Variabili aleatorie. Calcolo di densità di probabilità. Operatore di media
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 01 - Variabili aleatorie Motivazioni Densità di probabilità Operatore di media Densità di probabilità congiunta Densità di probabilità condizionata
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2014/2015 www.mat.uniroma2.it/~caramell/did 1415/ps.htm 02/03/2015 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
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
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
Dettagliλ è detto intensità e rappresenta il numero di eventi che si
ESERCITAZIONE N 1 STUDIO DI UN SISTEMA DI CODA M/M/1 1. Introduzione Per poter studiare un sistema di coda occorre necessariamente simulare gli arrivi, le partenze e i tempi di ingresso nel sistema e di
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
DettagliVARIABILI CASUALI. Fino ad ora abbiamo definito:
VARIABILI CASUALI Fino ad ora abbiamo definito: Lo SPAZIO CAMPIONARIO Ω : Come totalità dei possibili risultati di un esperimento Gli EVENTI : Come sottoinsiemi dello spazio campionario La FUNZIONE DI
DettagliVariabili aleatorie parte 2. 1 Definizione di funzione di ripartizione o funzione cumulativa (CDF)
Statistica e analisi dei dati Data: 11 aprile 2016 Variabili aleatorie parte 2 Docente: Prof. Giuseppe Boccignone Scriba: Alessandra Birlini 1 Definizione di funzione di ripartizione o funzione cumulativa
DettagliEventi numerici e variabili aleatorie
Capitolo Eventi numerici e variabili aleatorie. Probabilità di eventi numerici Nel capitolo precedente si sono considerate le nozioni di esperimento, risultato, evento. Un evento è individuato dai risultati
DettagliCorso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino)
Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino Prova di Mercoledì giugno 4 (tempo a disposizione: ore. Scrivere su ogni foglio NOME e COGNOME. Le
DettagliTopologia, continuità, limiti in R n
Topologia, continuità, limiti in R n Ultimo aggiornamento: 18 febbraio 2017 1. Preliminari Prima di iniziare lo studio delle funzioni di più variabili, in generale funzioni di k variabili e a valori in
DettagliCalcolo delle Probabilità e Statistica Matematica previsioni 2003/04
Calcolo delle Probabilità e Statistica Matematica previsioni 2003/04 LU 1/3 Esempi di vita reale : calcolo delle probabilità, statistica descrittiva e statistica inferenziale. Lancio dado/moneta: definizione
DettagliFoglio di esercizi 4-12 Aprile 2019 Probabilità e statistica Ingegneria Meccanica Alessandro Ciallella
Esercizio. Foglio di esercizi 4 - Aprile 9 Probabilità e statistica Ingegneria Meccanica Alessandro Ciallella Un punto viene scelto a caso uniformemente nel cerchio di raggio 3 centrato nell origine. Dette
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliI Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2012/13 Nome: 30 gennaio
I Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica /3 Nome: 3 gennaio 3 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile usare
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
Dettagli0 se y c 1 (y)) se c < y < d. 1 se y d
Capitolo. Parte IX Exercise.. Sia X una variabile aleatoria reale assolutamente continua e sia (a,b) un intervallo aperto (limitato o illimitato) di R, tale che P(X (a,b)) =. Sia ϕ : (a,b) R una funzione
DettagliNozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3
Indice Nozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3 1 Spazi di probabilità discreti: teoria... 7 1.1 Modelli probabilistici discreti..... 7 1.1.1 Considerazioni
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE CATENE DI MARKOV TEMPO CONTINUE Definizioni Sia dato un processo stocastico x(t) che può assumere valori discreti appartenenti ad un insieme se accade che il processo è una catena
DettagliSistemi lineari 1 / 41
Sistemi lineari 1 / 41 Equazioni lineari Una equazione lineare a n incognite, è una equazione del tipo: a 1 x 1 + a 2 x 2 + + a n x n = b, dove a 1,,a n,b sono delle costanti (numeri) reali. I simboli
DettagliElementi di analisi matematica e complementi di calcolo delle probabilita T
Elementi di analisi matematica e complementi di calcolo delle probabilita T Presentiamo una raccolta di quesiti per la preparazione alla prova orale di Elementi di analisi matematica e complementi di calcolo
Dettagli2. I numeri reali e le funzioni di variabile reale
. I numeri reali e le funzioni di variabile reale Introduzione Il metodo comunemente usato in Matematica consiste nel precisare senza ambiguità i presupposti, da non cambiare durante l elaborazione dei
DettagliLe derivate parziali
Sia f(x, y) una funzione definita in un insieme aperto A R 2 e sia P 0 = x 0, y 0 un punto di A. Essendo A un aperto, esiste un intorno I(P 0, δ) A. Preso un punto P(x, y) I(P 0, δ), P P 0, possiamo definire
DettagliStazionarietà. IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 3: Processi Stocastici 3-1
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 3: Processi Stocastici Motivazioni Esempi Definizione Dualitá Stazionarietà 3-1 Motivazioni In molti settori scientifici sia tecnologici che economico-sociali
DettagliSoluzione dei problemi assegnati
ANALISI MATEMATICA 3 Soluzione dei problemi assegnati anno accademico 2018/19 prof. Antonio Greco http://people.unica.it/antoniogreco Dipartimento di Matematica e Informatica Università di Cagliari 23-5-2019
DettagliAlcune nozioni di calcolo differenziale
Alcune nozioni di calcolo differenziale G. Mastroeni, M. Pappalardo 1 Limiti per funzioni di piu variabili Supporremo noti i principali concetti algebrici e topologici relativi alla struttura dello spazio
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
DettagliAM2: Tracce delle lezioni- IX Settimana INSIEMI DI LIVELLO, MINIMI VINCOLATI PRINCIPIO DEI MOLTIPLICATORI DI LAGRANGE
AM2: Tracce delle lezioni- IX Settimana INSIEMI DI LIVELLO, MINIMI VINCOLATI PRINCIPIO DEI MOLTIPLICATORI DI LAGRANGE Sia g C 1 R 2 ), c R. L insieme γ = γ c := {x, y) R 2 : gx, y) = c} si chiama insieme
DettagliSISTEMI CASUALI DINAMICI (PROCESSI) ESEMPIO: I GUASTI (Ipotesi Markoviana) Frequenza dei guasti: N Guasti = N/T X X X X X X X
CATENE DI MARKOV SISTEMI CASUALI DINAMICI (PROCESSI) ESEMPIO: I GUASTI (Ipotesi Markoviana) Frequenza dei guasti: N Guasti = N/T X X X X X X X X X 0 T 0 T! Δ 0, 1,, 0 Δ 1 Δ Δ 1Δ Δ Δ ESEMPIO: I GUASTI (Ipotesi
DettagliVariabili aleatorie multiple. X = (X 1,..., X n ) vettore aleatorio
Variabili aleatorie multiple X = (X 1,..., X n ) vettore aleatorio F X (x 1,..., x n ) = P(X 1 x 1,..., X n x n ) caso particolare n = 2 (variabile doppia) F X,Y (x, y) = P(X x, Y y) V.a. discreta: (X,
DettagliVariabili aleatorie: parte 1. 1 Definizione di variabile aleatoria e misurabilitá
Statistica e analisi dei dati Data: 11 Aprile 2016 Variabili aleatorie: parte 1 Docente: Prof. Giuseppe Boccignone Scriba: Noemi Tentori 1 Definizione di variabile aleatoria e misurabilitá Informalmente,
DettagliI Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
I Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 3 gennaio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliI Appello di Processi Stocastici Cognome: Laurea Magistrale in Matematica 2014/15 Nome: 23 Giugno
I Appello di Processi Stocastici Cognome: Laurea Magistrale in Matematica 014/15 Nome: 3 Giugno 015 Email: Quando non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliRipasso segnali e processi casuali. Trasmissione dell Informazione
Ripasso segnali e processi casuali 1 Breve ripasso di segnali e trasformate Dato un segnale s(t), la sua densità spettrale si calcola come dove S(f) è la trasformata di Fourier. L energia di un segnale
DettagliANALISI 1 1 SEDICESIMA - DICIASETTESIMA LEZIONE Serie
ANALISI 1 1 SEDICESIMA - DICIASETTESIMA LEZIONE Serie 1 prof. Claudio Saccon, Dipartimento di Matematica Applicata, Via F. Buonarroti 1/C email: saccon@mail.dm.unipi.it web: http://www2.ing.unipi.it/ d6081/index.html
DettagliComputazione per l interazione naturale: fondamenti probabilistici (1)
Computazione per l interazione naturale: fondamenti probabilistici (1) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliCALCOLO DELLE PROBABILITÀ 2 (Laurea Specialistica) 28 giugno Motivare dettagliatamente le risposte su fogli allegati
CALCOLO DELLE PROBABILITÀ 2 (Laurea Specialistica) 28 giugno 2006 Motivare dettagliatamente le risposte su fogli allegati 1.- Sia X un numero aleatorio a valori { α, 0, α}, con α > 0 e P (X = α) = P (X
DettagliElementi di analisi matematica e complementi di calcolo delle probabilita T
Elementi di analisi matematica e complementi di calcolo delle probabilita T Presentiamo una raccolta di quesiti per la preparazione alla prova orale di Elementi di analisi matematica e complementi di calcolo
DettagliTEORIA DELL INFORMAZIONE ED ENTROPIA FEDERICO MARINI
TEORIA DELL INFORMAZIONE ED ENTROPIA DI FEDERICO MARINI 1 OBIETTIVO DELLA TEORIA DELL INFORMAZIONE Dato un messaggio prodotto da una sorgente, l OBIETTIVO è capire come si deve rappresentare tale messaggio
DettagliComputazione per l interazione naturale: fondamenti probabilistici (2)
Computazione per l interazione naturale: fondamenti probabilistici (2) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@di.unimi.it
DettagliEsonero di Analisi Matematica II (A)
Esonero di Analisi Matematica II (A) Ingegneria Edile, 8 aprile 3. Studiare la convergenza del seguente integrale improprio: + x log 3 x (x ) 3 dx.. Studiare la convergenza puntuale ed uniforme della seguente
DettagliIl teorema di Ascoli-Arzelà
Il teorema di Ascoli-Arzelà Alcuni risultati sugli spazi metrici Spazi metrici (e topologici) compatti Richiamiamo le definizioni di compattezza negli spazi metrici. Sia (X, d) una spazio metrico e sia
DettagliAppunti di Simulazione
Appunti di Simulazione M. Gianfelice Corso di modelli probabilistici per le applicazioni Master di II livello in Matematica per le Applicazioni a.a. 2004/2005 1 Simulazione di numeri aleatori con distribuzione
DettagliEsercitazione del 19/02/2013 Istituzioni di Calcolo delle Probabilità
Esercitazione del 19/0/013 Istituzioni di Calcolo delle Probabilità David Barbato Variabili aleatorie esponenziali. Minimo di v.a. esponenziali indipendenti. Ricordiamo innanzitutto che due variabili aleatorie
Dettagli1 Successioni di funzioni
Analisi Matematica 2 Successioni di funzioni CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 6 SERIE DI POTENZE Supponiamo di associare ad ogni n N (rispettivamente ad ogni n p, per qualche
DettagliLE VARIABILI CASUALI A 1, A 2.,..., A k., p 2.,..., p k. generati da una specifica prova sono necessari ed incompatibili:
LE VARIABILI CASUALI Introduzione Data prova, ad essa risultano associati i k eventi A, A,..., A k con le relative probabilità p, p,..., p k. I k eventi A i generati da una specifica prova sono necessari
DettagliI appello di CP per Informatica 19/6/2006
I appello di CP per Informatica 9/6/26 Istruzioni: per l esame completo occorre svolgere il primo esercizio e il terzo o (in alternativa al terzo) il quarto; a sostituzione del I esonero occorre svolgere
DettagliSegnali (processi) aleatori (casuali)
Segnali (processi) aleatori (casuali) Definizione di processo aleatorio Descrizione statistica di un processo aleatorio Media, potenza, varianza Autocorrelazione e autocovarianza Filtraggio di un processo
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliDistribuzioni di due variabili aleatorie
Statistica e analisi dei dati Data: 6 Maggio 206 Distribuzioni di due variabili aleatorie Docente: Prof. Giuseppe Boccignone Scriba: Noemi Tentori Distribuzioni congiunte e marginali Consideriamo due variabili
DettagliPolitecnico di Milano Corso di Analisi e Geometria 1. Federico Lastaria Formule di Taylor Ottobre 2012
Politecnico di Milano Corso di Analisi e Geometria 1 Federico Lastaria federico.lastaria@polimi.it Formule di Taylor Ottobre 2012 Indice 1 Formule di Taylor 1 1.1 Il polinomio di Taylor...............................
DettagliProva scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 2015/ Settembre 2016
Prova scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 205/206 20 Settembre 206 Esercizio. Un dado equilibrato viene lanciato ripetutamente. Indichiamo con X n il risultato dell n-esimo
DettagliLEZIONE 12. v = α 1 v α n v n =
LEZIONE 12 12.1. Combinazioni lineari. Definizione 12.1.1. Sia V uno spazio vettoriale su k = R, C e v 1,..., v n V vettori fissati. Un vettore v V si dice combinazione lineare di v 1,..., v n se esistono
DettagliEsercizi 6 - Variabili aleatorie vettoriali, distribuzioni congiunte
Esercizi - Variabili aleatorie vettoriali, distribuzioni congiunte Esercizio. X e Y sono v.a. sullo stesso spazio di probabilità (Ω, E, P). X segue la distribuzione geometrica modificata di parametro p
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliAppunti del Corso Analisi 1
Appunti del Corso Analisi 1 Anno Accademico 2011-2012 Roberto Monti Versione del 5 Ottobre 2011 1 Contents Chapter 1. Cardinalità 5 1. Insiemi e funzioni. Introduzione informale 5 2. Cardinalità 7 3.
DettagliCP110 Probabilità: esame del 4 febbraio Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 20-2, II semestre 4 febbraio, 203 CP0 Probabilità: esame del 4 febbraio 203 Testo e soluzione . (6 pts) In un triangolo rettangolo i cateti X e Y sono
Dettagli04 - Numeri Complessi
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 04 - Numeri Complessi Anno Accademico 2013/2014 M. Tumminello, V. Lacagnina e
DettagliProgrammazione Non Lineare
Capitolo 1 Programmazione Non Lineare 1.1 Introduzione Un problema di ottimizzazione viene definito come la minimizzazione o la massimizzazione di una funzione a valori reali su un insieme specificato.
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 212-13, II semestre 23 maggio, 213 CP11 Probabilità: Esonero 2 Testo e soluzione 1. (7 punti) Una scatola contiene 1 palline, 5 bianche e 5 nere. Ne vengono
DettagliSecondo scritto. 8 luglio 2010
Secondo scritto 8 luglio 010 1 Parte 1 Esercizio 1.1. Facciamo riferimento alle pagine e 3 del libro di testo. Quando si ha a che fare con la moltiplicazione o la divisione di misure bisogna fare attenzione,
DettagliMatematica Applicata L-A Definizioni e teoremi
Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni
DettagliCP410: Esame 2, 3 febbraio 2015
Dipartimento di Matematica, Roma Tre Pietro Caputo 2014-15, I semestre 3 febbraio, 2015 CP410: Esame 2, 3 febbraio 2015 Cognome Nome Matricola Firma 1. Sia (Ω, F, P) lo spazio di probabilità definito da
DettagliUn introduzione alla statistica asintotica attraverso una generalizzazione del Teorema Limite Centrale. Università di Pisa 18 Settembre 2015
Un introduzione alla statistica asintotica attraverso una generalizzazione Candidato: Relatore: Maurizio Pratelli Università di Pisa 18 Settembre 2015 Sezioni 1. Prime definizioni riguardo la statistica
Dettagli25 - Funzioni di più Variabili Introduzione
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 25 - Funzioni di più Variabili Introduzione Anno Accademico 2013/2014 M. Tumminello
DettagliVariabili casuali multidimensionali
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
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA La distribuzione di probabilità e un modello matematico, uno schema di riferimento, che ha caratteristiche note e che può essere utilizzato per rispondere a delle domande derivate
Dettagli! X (92) X n. P ( X n X ) =0 (94)
Convergenza in robabilità Definizione 2 Data una successione X 1,X 2,...,X n,... di numeri aleatori e un numero aleatorio X diremo che X n tende in probabilità a X escriveremo X n! X (92) se fissati comunque
DettagliPROCESSI STOCASTICI 1: ESERCIZI
PROCESSI STOCASTICI 1: ESERCIZI (1) ESERCIZIO: Date P e Q matrici stocastiche, dimostrare che la matrice prodotto P Q è una matrice stocastica. Dedurre che la potenza P n e il prodotto P 1 P 2 P n sono
DettagliMatematica. Corso integrato di. per le scienze naturali ed applicate. Materiale integrativo.
Corso integrato di Matematica per le scienze naturali ed applicate Materiale integrativo http://www.dimi.uniud.it/biomat/ Paolo Baiti 1 Lorenzo Freddi 1 1 Dipartimento di Matematica e Informatica, Università
DettagliScrivere su ogni foglio NOME e COGNOME. Le risposte devono essere giustificate sui fogli protocollo e riportate nel foglio RISPOSTE.
Corso di Laurea Triennale in Matematica Corso di Calcolo delle Probabilità A. A. /5 prova scritta (//5(docenti G. Nappo, F. Spizzichino La prova scritta consiste nello svolgimento dei punti non facoltativi
DettagliCP110 Probabilità: Esonero 2
Dipartimento di Matematica, Roma Tre Pietro Caputo 22-3, II semestre 23 maggio, 23 CP Probabilità: Esonero 2 Cognome Nome Matricola Firma Nota:. L unica cosa che si puo usare durante l esame è una penna
DettagliEsame di AM2 & EAP (270/04) a.a. 2009/10
Quarto appello del 16 Luglio 2010 1. Un urna contiene delle palline numerate e distribuite in seguente maniera: Vengono estratte due palline senza rimpiazzo e siano X e Y rispettivamente il numero della
DettagliVettori Aleatori discreti
Vettori Aleatori discreti Un vettore aleatorio X =(X,X 2,...,X n ) si dice discreto se esiste un insieme finito o numerabile C R n tale che P (X = x) >, 8x 2 C, P (X = x) =, 8x /2 C, dove, ponendo x =(x,...,x
DettagliCampionamento. Una grandezza fisica e' distribuita secondo una certa PDF
Campionamento Una grandezza fisica e' distribuita secondo una certa PDF La pdf e' caratterizzata da determinati parametri Non abbiamo una conoscenza diretta della pdf Possiamo determinare una distribuzione
DettagliPrima prova in Itinere Ist. Mat. 1, Prima parte, Tema ALFA COGNOME: NOME: MATR.:
Prima prova in Itinere Ist. Mat. 1, Prima parte, Tema ALFA 1) L applicazione lineare f : R 3 R 2 data da f(x, y, z) = (3x + 2y + z, kx + 2y + kz) è suriettiva A: sempre; B: mai; C: per k 1 D: per k 2;
DettagliEsame di Calcolo delle Probabilità del 11 dicembre 2007 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova).
Esame di Calcolo delle Probabilità del dicembre 27 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova). Cognome Nome Matricola Es. Es. 2 Es. Es. 4 Somma Voto finale Attenzione:
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,
DettagliLezione 1. 1 Probabilità e statistica. 2 Definizioni di probabilità. Statistica e analisi dei dati Data: 22 Febbraio 2016
Statistica e analisi dei dati Data: 22 Febbraio 2016 Lezione 1 Docente: Prof. Giuseppe Boccignone Scriba: Nicolò Pisaroni 1 Probabilità e statistica Probabilità: Un modello probabilistico é una descrizione
Dettagliφ X (t) = mentre nel caso continuo, indicando con f(x) la densità di X, si ha e itx f(x) dx + e itx e itx f(x)dx. f(x)dx = e itx +
10.1 Funzione caratteristica 11 10.1. Funzione caratteristica La funzione caratteristica è uno strumento teorico utile sotto diversi aspetti per studiare la distribuzione di probabilità di numeri aleatori
DettagliCalcolo delle Probabilità 2017/18 Foglio di esercizi 8
Calcolo delle Probabilità 07/8 Foglio di esercizi 8 Catene di Markov e convergenze Si consiglia di svolgere gli esercizi n 9,,,, 5 Catene di Markov Esercizio (Baldi, Esempio 5) Si consideri il grafo costituito
DettagliCalcolo della probabilità
Calcolo della probabilità GLI EVENTI Un evento è un fatto che può accadere o non accadere. Se esso avviene con certezza si dice evento certo, mentre se non può mai accadere si dice evento impossibile.
DettagliPagine di Algebra lineare. di premessa al testo Pagine di Geometria di Sara Dragotti. Parte terza: SISTEMI LINEARI
Pagine di Algebra lineare di premessa al testo Pagine di Geometria di Sara Dragotti Parte terza: SISTEMI LINEARI 1. Definizioni Dato un campo K ed m 1 polinomi su K in n indeterminate di grado non superiore
Dettagli0.1 Spazi Euclidei in generale
0.1. SPAZI EUCLIDEI IN GENERALE 1 0.1 Spazi Euclidei in generale Sia V uno spazio vettoriale definito su R. Diremo, estendendo una definizione data in precedenza, che V è uno spazio vettoriale euclideo
DettagliSERIE NUMERICHE FAUSTO FERRARI
SERIE NUMERICHE FAUSTO FERRARI Materiale propedeutico alle lezioni di Complementi di Analisi Matematica ed Elementi di Calcolo delle probabilità per il corso di Laurea in Ingegneria per la parte di Elementi
Dettagli