Utilità attesa. Appunti per il corso di Economia dei mercati monetari e finanziari A.A. 2002/2003. Eduardo Rossi Università di Pavia
|
|
- Veronica Cavaliere
- 5 anni fa
- Visualizzazioni
Transcript
1 Utilità attesa Appunti per il corso di Economia dei mercati monetari e finanziari A.A. 2002/2003 Eduardo Rossi Università di Pavia 1 Elementi di teoria della probabilità Esperimento casuale: L esito non è noto con certezza. L insieme dei possibili esiti definisce lo spazio campionario Θ. Generico esito: θ i. Un evento A è un sottoinsieme dello spazio campionario. Dopo l esperimento, si dice che l evento si è avverato se l esito appartiene a tale insieme. Una funzione p che associa un numero ad ogni evento è una misura di probabilità se rispetta i seguenti vincoli per qualsiasi evento A, 0 p (A) 1 P (Θ) =1 per qualsiasi successione A 1, A 2,... di eventi disgiunti p ( i=1 A i)= X p (A i ). Una variabile casuale X è una funzione che assegna valore X i X (θ i ) all esito θ i X : Θ R 1
2 La funzione di distribuzione F (x) =F (X x) x funzione di densità f (x) =F 0 (x) quando il codomonio di X è numerabile si indica con p i = f (X = x i )=p(x = x i ) la probabilità che la X assuma il valore x i. 2
3 2 Rappresentazione delle preferenze Decisioni degli individui in condizioni di incertezza e loro implicazioni per la valutazione delle attività finanziarie. 2.1 Ipotesi Ogni consumo o investimento individuale è caratterizzato come se l investitore determinasse le probabilità dei possibili payoff, assegnando un indice ad ogni possibile consumo e scegliendo consumo e investimento (risparmio destinato all acquisto di attività finanziarie) in modo da massimizzare il valore atteso dell indice. Le preferenze di un individuo hanno una rappresentazione in termini di utilità attesa se esiste una funzione u ( ) tale che il consumo casuale ex è preferito al consumo casuale ey se e solo se: E [u (ex)] E [u (ey)] Due date 0 e 1, un solo bene di consumo disponibile per il consumo al tempo 1. Incertezza nell economia è modellata dall incertezza negli stati di natura che si realizzeranno al tempo 1. Collezione dei possibili stati di natura: ω Ω. Gli individui sanno che il vero stato di natura è un elemento di Ω ma non conosconolostatochesiverificherà al tempo 1. Piano di consumo: specificazione del numero di unità del singolo bene di consumo nei differenti stati di natura x = {x ω : ω Ω} x ω,èlaspecificazione del numero di unità del bene di consumo nello stato ω specificato da x. Un piano di consumo può essere interpretato come una variabile casuale. Relazioni di preferenza. Comparazione di differenti piani di consumo. Vogliamo che le preferenze di un individuo siano rappresentate da una funzione di utilità. 3
4 E conveniente pensare ad una comparazione tra piani di consumo come certi e ad una probabilità che dia la relativa verosimiglianza degli stati di natura tale che la la relazione di preferenza può essere rappresentata come un utilità attesa nel senso che il piano di consumo ex è preferito ex 0 se e solo se Z Ω E [u (ex)] E [u (ex 0 )] Z u (x ω ) dp (ω) Ω u (x 0 ω) dp (ω) Un piano di consumo è certo se il numero di unità di consumo non varia nei diversi stati di natura, ex ω = z ex 0 ω = z 0 ω Ω con z, z 0 costanti. In questo caso la funzione di utilità attesa si riduce ad una funzione di utilità su elementi certi: E [u (ex)] = u (z) E [u (ex 0 )] = u (z 0 ) Non tutte le relazioni di preferenza hanno una rappresentazione in termini di funzione di utilità attesa. Due approcci possibili perchè una relazione di preferenza abbia una rappresentazione in termini di utilità attesa: Funzione di utilità Von Neumann-Morgestern Approccio soggettivo di Savage. 4
5 3 Relazione di preferenza X collezione dei piani di consumo Relazione binaria º su X: collezione di coppie di piani di consumo (x, y). Se (x, y) sono in relazione scriviamo x º y, sex è debolemente preferito a y. 1. Una relazione binaria è transitiva, cioè: x º y, y º v x º v 2. Completa. Se per due piani di consumo x e y si ha che: x º y o y º x Due piani di consumo possono essere sempre comparati. Una relazione di prefenza è una relazione binaria, transitiva e completa. Possiamo inoltre definire tra due piani di consumo: Indifferenza: Strettamente preferito: x º y e y º x x y x  y se x º y e y ² x. Osservazione 1 Quando X ha un numero finito di elementi, una relazione di preferenza º può essere sempre rappresentata da una funzione di utilità. Esempio 2 Tre piani di consumo in X, x 1, x 2 e x 3.Prendiamounqulasiasi piano di consumo, persempio, x 3 edefiniamo: H (x 3 ) b Prendiamo adesso x 1. Poichè la relazione di preferenza è completa, x 1 e x 3 possono essere comparati, con H funzione di utilità: b + 1 se x 1  x 3 H (x 1 ) b 1 se x 3  x 1 b se x 3 x 1 5
6 Compariamo ora x 1, x 2 e x 3 Da ciò che è stato detto H (x 2 ) b 1 se x 3 Â x 2 b se x 3 x 2 b + 1/2 se x 1 Â x 2 Â x 3 b + 1 se x 2 x 1 b +2 se x 2 Â x 1 H (x n ) H (x m ) se e solo se x n º x m Problemi: quando un individuo esprime le sue preferenze su un insieme di piani di consumo in numero infinito non numerabile. In questo caso relazioni di preferenza che non possono essere rappresentate dalla funzione di utilita (ad esempio le preferenze lessicografiche). 6
7 4 La funzione di utilità attesà Denotiamo con P la probabilità definita sullo spazio degli stati Ω che puo essere obiettiva o soggettiva. Un piano di consumo e una variabile casuale, le cui caratteristiche probabilistiche sono specificate da P. Il consumo e casuale perche dipende da quale stato di natura si realizza. La funzione di distribuzione per un piano di consumo x: F x (z) =P {ω Ω : x ω z} Se una relazione di preferenza º ha una rappresentazione in termini di utilità attesa con una funzione di utilità u sugli eventi certi, l utilità attesa derivata da x e E [u (ex)] = Z + u (z) df x (z) Se due piani di consumo x e x 0 hanno la stessa funzione di distribuzione, avranno anche la stessa funzione di utilità e saranno indifferenti. Osservazione 3 L individuo esprime le proprie preferenze sulle distribuzioni di probabiltà del consumo. Per semplificare, assumiamo che l individuo esprima le sue preferenze sulle distribuzioni di probabilità (d.p.) definite su un insieme finito Z. Cioè la collezione dei piani di consumo X sul quale un individuo esprime le proprie preferenze deve avere la proprietà che x ω Z, ω Ω, x X Esempio 4 Z = {1, 2, 3} unità di consumo in ogni stato Possiamo rappresentare un piano di consumo come una variabile casuale discreta, p (z) =p (x = z) è la probabilità che x = z, conp (z) 0, z Z Definizione 5 La variabile casuale X è detta discreta se assume valori in qualche sottoinsieme numerabile {x 1,x 2,...} di R. 7
8 F x (z 0 )= X z z 0 p (z) X p (z) =1 z Z E [u (ex)] = X z Z p (z) u (z) Un piano di consumo puo essere pensato come una lotteria con premi in Z. La probabilità del premio e p (z). Lo spazio delle probabilità su Z è P ed i suoi elementi sono p, q e r. Se p P, la probabilità di z secondo p è p (z). 4.1 Assiomi Gli assiomi sono necessari e sufficienti perchè una relazione definita su P abbia una rappresentazione in termini di utilità attesa. Assioma 6 º è una relazione di preferenza su P. Assioma 7 Assioma di indipendenza o sostituzione. Per tutti i p,q e r P e a (0, 1). p  q ap +(1 a) r  aq +(1 a) r. Supponiamo che la scelta tra le lotterie p e r sia affidata ad un esperimento casuale semplice del tipo lancio della moneta. Se esce testa si ottiene la lotteria p, se croce la lotteria r. Lalotteriacompostaèap +(1 a) r. La differenza tra ap +(1 a) r e aq +(1 a) r ècosasuccedeseescetesta nel lancio della moneta (probabilità a). Cioè la differenza tra le due lotterie dipende dalle preferenze su p e q. In altre parole, la soddisfazione del consumo in un dato evento (testa) non dipende da cosa sarebbe stato il consumo in una altro stato del mondo (croce). Assioma 8 Assioma Archimedeo. Supponiamo che p, q e r siano tre distribuzioni di probabilità tali che: p  q  r. Esistono allora a, b (0, 1) : ap +(1 a) r  q  bp +(1 b) r. 8
9 L assioma archimedeo ci dice che poichè p é strettamente migliore di q, allora nonimporta quanto cattivo sia r, possiamo trovare una combinazione di p e r, ap +(1 a) r, con peso su p vicino a uno tale che la combinazione è migliore di q. Analogamente, non importa quanto sia migliore p rispetto a q, possiamo trovare un b sufficientemente vicino a zero tale che bp +(1 b) r sia peggiore di q. Esempio 9 p paga con certezza 100 Euro, q paga con certezza 10 Euro, r consiste nella propria morte. Uno potrebbe sostenere che r è tanto peggiore di q che nessuna probabilità a sufficientemente vicino a 1 rende preferibile ap +(1 a) r a q. Immaginiamo adesso una situazione nella quale ci venga offerto di guadagnare con certezza 10 Euro subito ed un altra nella quale ci venga data la possibilità di guadagnare 100 Euro, a patto di percorrere un piccolo tratto di strada in auto. E molto probabile che la maggioranza di noi sarebbe disposta a percorrere un piccolo tratto in auto pur di guadagnare 100 Euro, ma cosi facendo aumenteremmo le possibilità di morte. 9
10 4.2 Proprietà Notation 10 Per z Z, siap z la distribuzione di probabilità degenere a z ½ 1 se z P z (z 0 )= 0 = z 0 se z 0 6= z cioè P z rappresenta il piano di consumo sicuro che ha z unità di consumo in ogni stato. Quando valgono i tre assiomi valgono le seguenti proprietà per la relazione di preferenza: 1. p  q, 0 a<b 1 bp +(1 b) q  ap +(1 a) q 2. p º q º r e p  r esiste un unico a [0, 1] :q a p +(1 a ) r 3. p  q e r  s e a [0, 1] ap +(1 a) r  aq +(1 a) s 4. p q e a [0, 1] p ap +(1 a) p 5. p q e a [0, 1] ap +(1 a) r aq +(1 a) r, r P. 6. Esistono z 0, z 0 Z: P z 0 º p º P z0, p P (z 0 massimo, z 0 minimo). La relazione º ha una rappresentazione come utilità attesa se e solo se soddisfa i tre assiomi. Proviamola. Caso 1. P z 0 P z0. Allora p q per tutti p, q P. Quindi ogni u (z) =k per una costante k sarà una funzione di utilità per eventi certi. Caso 2. P z 0  P z0.perp P definiamo tale che H (p) = a a [0, 1] ap z 0 +(1 a) P z0 p cioè H (p) è quel peso che, assegnato in una lotteria ponderata, rende P z 0 indifferente a p. Per la proprietà 2 a è unico, ovvero H (p) èbendefinito per tutti i p P. 10
11 Per definizione di H e per la proprietà 1 si ha: seesolose H (p) H (q) H (p) P z 0 +(1 H (p)) P z0 º H (q) P z 0 +(1 H (q)) P z0 quindi, se e solo se p º q. Quindi H è una funzione di utilità che rappresenta º. Il secondo passo è dimostrare che esiste una funzione u ( ) definita su Z tale che: H (p) = X z Z u (z) p (z). Perlaproprietà5epertuttip, q P e a [0, 1] ap +(1 a) q a [H (p) P z 0 +(1 H (p)) P z0 ]+(1 a)[h (q) P z 0 +(1 H (q)) P z0 ] [ah (p)+(1 a) H (q)] P z 0 +[1 ah (p) (1 a) H (q)] P z0 0 <ah(p)+(1 a) H (q) < 1 H rappresenta º, nesegueche H (ap +(1 a) q) = p z } { H [ah (p)+(1 a) H (q)] P {z } z 0 +[1 ah (p) (1 a) H (q)] P {z } z0 a (1 a) = H (p) Dalla definizione di H (p) =a dove a [0, 1] tale che ap z 0 +(1 a) P z0 p. H deve essere lineare H (p) =a = ah (p)+(1 a) H (q) H [ap +(1 a) q] =ah (p)+(1 a) H (q). 11
12 Definiamo una funzione u ( ) su Z con u (z) H (P z ) z Z dove P z è il piano di consumo sicuro. Questa è una funzione Von Neumann Morgerstern. Infatti u (z) è l utilità, secondo H, perilpianodiconsumo sicuro P z e la funzione di utilità VNM è una funzione su cose sicure. Prova. Siap P. Si puó mostrare che p X p (z) P z z Z Poichè H rappresenta º Ã! X H (p) = H p (z) P z z Z = X p (z) H (P z ) z Z = X p (z) u (z). z Z Ogni relazione binaria su P che soddisfi i tre assiomi ha una rappresentazione di utilità attesa. Viceversa, se una relazione binaria ha una rappresentazione di utilità attesa esiste una u ( ) tale che, per p, q P p º q sse X p (z) u (z) X u (z) q (z) allora º soddisfa i tre assiomi. Si può mostrare che u ( ) è determinata unicamente a meno di una trasformazione lineare strettamente positiva. Se anche bu è una funzione di utilità VNM, allora esistono due costanti c>0 e d tale che bu = d + cu. Quando Z è un insieme infinito, per esempio quando Z contiene tutti i numeri reali positivi, il teorema di rappresentazione non vale più. Si ha bisogno di un quarto assioma chiamato il principio della cosa sicura. 12
13 4.3 Utilità attesa con consumo su più date Quando il consumo si verifica su più date: t =0, 1,...,T. Sia Z la collezione di vettori (T + 1) 1: (z 0,...,z T ) dove z t rappresenta il numero di unità di consumo certo al tempo t. Supponiamo che Z sia un insieme finito. Una probabilità p su Z è una funzione con le seguenti proprietà: 1. p (z) [0, 1] z Z; 2. P z Z p (z) =1. Gli individui esprimono le preferenze sulle probabilità definite su Z o, equivalentemente, sulle lotterie i cui premi sono i consumi ai tempi t = 0, 1,...,T. La relazione binaria º è una relazione di preferenza che soddisfa l assioma di sostituzione e quello Archimedeo se e solo se esiste una funzione di utilità VNM u ( ) sulle cose sicure tale che per tutti p, q P, p º q seesolose X u (z 0,...,z T ) p (z = z 0,...,z T ) X u (z 0,...,z T ) q (z = z 0,...,z T ) z Z z Z dove p (z = z 0,...,z T ) è la probabilità che il consumo dal tempo 0 al tempo T sia (z 0,...,z T ). Assunzione di additività temporale: u (z 0,...,z T )= TX u t (z t ) t=0 13
14 Una conseguenza della teoria dell utilità attesa è che la funzione di utilità di VNM è necessariamente limitata quando le distribuzioni di probabilità del consumo implicano livelli di consumo non limitati. Questa è una conseguenza dell Assioma Archimedeo. Per vedere questo, supponiamo che u sia non limitata. Senza perdita di generalità, supponiamo che u sia non limitata dall alto e che Z contenga tutti i livelli positivi di consumo. Allora esiste una sequenza di livelli di consumo {z n } n=1 tale che z n e u (z n )= 1, 2 n n = 1, 2,... Questo piano di consumo ha livelli di consumo non limitati. L utilità attesa di questo piano di consumo è X u (z n ) p (z n ) n=1 X 2 n 1 2 = n Ora, siano q,r P tali che p  q  r. Sappiamo che le utilità attese con q e r devono essere finite. E quindi evidente che l assioma Archimedeo non può essere soddisfatto. n=1 14
Utilità attesa. Scelta in condizioni di incertezza. Proposizione 1. L assioma di Indipendenza è alla base della teoria dell utilità attesa.
L assioma di Indipendenza è alla base della teoria dell utilità attesa. Scelta in condizioni di incertezza Corso di Microeconomia progredito Parte II La funzione di utilità U : L R ha la forma dell utilità
DettagliIndice. Scelta in condizioni di incertezza. Lotterie monetarie. Lotterie monetarie. Corso di Microeconomia progredito. Parte III
Indice Scelta in condizioni di incertezza Corso di Microeconomia progredito 1 Lotterie monetarie 2 Avversione al rischio Parte III 3 Applicazioni 4 Misura dell avversione al rischio Corso di Microeconomia
DettagliLotterie. Scelta in condizioni di incertezza. Lotterie. Lotterie. Lotteria. Gli individui scelgono tra alternative che hanno esiti incerti.
Scelta in condizioni di incertezza Corso di Microeconomia progredito Parte I Gli individui scelgono tra alternative che hanno esiti incerti Esempi Un modo per rappresentare le alternative rischiose é la
DettagliDefinizione formale di probabilitá
Definizione formale di probabilitá 10 marzo 2017 Si introducono la definizione assiomatica di probabilitá e alcune proprietá elementari che ne derivano 1 Eventi e insiemi Poiché un evento é definito come
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.
DettagliLezione 1: Università Mediterranea di Reggio Calabria Decisions Lab. Insiemi. La Probabilità Probabilità e Teoria degli Insiemi
Lezione 1: Probabilità e Teoria degli Università Mediterranea di Reggio Calabria Decisions Lab Gli insiemi Gli Un insieme S è una collezione di oggetti chiamati elementi dell insieme. - Se x è un elemento
DettagliIntroduzione al Calcolo delle Probabilità
Introduzione al Calcolo delle Probabilità In tutti quei casi in cui le manifestazioni di un fenomeno (EVENTI) non possono essere determinate a priori in modo univoco, e i risultati possono essere oggetto
DettagliCalcolo delle Probabilità
Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosiddette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello
DettagliUna variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico).
VARIABILI CASUALI 1 definizione Una variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico). Esempi l esito di una estrazione del Lotto; il risultato di una
Dettagli6.2 La probabilità e gli assiomi della probabilità
6.2 La probabilità e gli assiomi della probabilità L introduzione alla teoria della probabilità può essere vista come un applicazione della teoria degli insiemi. Essa si occupa degli esperimenti il cui
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
DettagliAppunti di Analisi Economica (V)
Appunti di Analisi Economica 2013-2014 (V) Scelta in condizioni di incertezza Alessandro Vaglio Università degli Studi di Bergamo Marzo 2014 Alessandro Vaglio (Institute) Appunti di Analisi Economica 2013-2014
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
Dettagli2. Introduzione alla probabilità
. Introduzione alla probabilità Carla Seatzu, 8 Marzo 008 Definizioni preliminari: Prova: è un esperimento il cui esito è aleatorio Spazio degli eventi elementari: è l insieme Ω di tutti i possibili esiti
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
DettagliStatistica e analisi dei dati Data: 29 Febbraio Lezione 3
Statistica e analisi dei dati Data: 29 Febbraio 2016 Lezione 3 Docente: Prof. Giuseppe Boccignone Scriba: Sara Fasano 1 Definizione formale di Probabilitá Sia dato lo spazio probabilizzabile (S, F). Definizione
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
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Teoria della probabilità Cernusco S.N., mercoledì 8 marzo 2017 1 / 23 Teoria
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,
DettagliNote introduttive alla probabilitá e alla statistica
Note introduttive alla probabilitá e alla statistica 1 marzo 2017 Presentiamo sinteticamente alcuni concetti introduttivi alla probabilitá e statistica 1 Probabilità e statistica Probabilità: Un modello
DettagliELEMENTI DI LOGICA MATEMATICA LEZIONE VII
ELEMENTI DI LOGICA MATEMATICA LEZIONE VII MAURO DI NASSO In questa lezione introdurremo i numeri naturali, che sono forse gli oggetti matematici più importanti della matematica. Poiché stiamo lavorando
DettagliPremio al rischio e equivalente di certezza
Premio al rischio e equivalente di certezza In accordo con la teoria tradizionale assumiamo che gli individui siano avversi al rischio, quindi un rischio a media zero riduce il livello di appagamento di
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 3
Sperimentazioni di Fisica I mod. A Statistica - Lezione 3 A Garfagnini, M Mazzocco, C Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Teoria della Probabilità L ineliminabile
DettagliMATEMATICA PER LO STUDIO DELLE INTERAZIONI STRATEGICHE: TEORIA DEI GIOCHI. Anna TORRE
MATEMATICA PER LO STUDIO DELLE INTERAZIONI STRATEGICHE: TEORIA DEI GIOCHI Anna TORRE Dipartimento di Matematica, Università di Pavia, Via Ferrata 1, 27100, Pavia, Italy. E-mail: anna.torre@unipv.it 1 SOLUZIONI:
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
DettagliDISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19 Variabili casuali (o aleatorie) 2 / 19 Disponendo di metodi corretti per raccogliere i dati e costruire i campioni data una popolazione, i valori numerici
DettagliStatistica. Lezione : 17. Variabili casuali
Corsi di Laurea: a.a. 2018-19 Diritto per le Imprese e le istituzioni Scienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili casuali Lezione : 17 Docente: Alessandra Durio 1 Contenuti
DettagliCalcolo delle Probabilità
Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello
DettagliCosa dobbiamo già conoscere?
Cosa dobbiamo già conoscere? Come opera la matematica: dagli ai teoremi. Che cosa è una funzione, il suo dominio e il suo codominio. Che cosa significa n j=1 A j dove A j sono insiemi. Che cosa significa
DettagliMATEMATICA. a.a. 2014/15
MATEMATICA a.a. 2014/15 5. Introduzione alla probabilità: Definizioni di probabilità. Evento, prova, esperimento. Eventi indipendenti e incompatibili. Probabilità condizionata. Teorema di Bayes CONCETTI
DettagliTeoria delle decisioni
A. A. 2017-2018 Teoria delle decisioni introduzione expected utility prof. ing. Antonio Comi Department of Enterprise Engineering Tor Vergata University of Rome Teoria delle decisioni razionali Teoria
DettagliNotazione: nel seguito, dato un insieme A, P(A) indicherà l insieme delle parti di A.
Notazione: nel seguito, dato un insieme A, P(A) indicherà l insieme delle parti di A. 1. Spazio di probabilità prodotto di una famiglia finita di spazi di probabilità Iniziamo la nostra discussione con
DettagliI modelli probabilistici
e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2004-05 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento suscettibile di più
DettagliLaurea triennale in INFORMATICA, Corso di CALCOLO DELLE PROBABILITÀ COMPITO - 2 luglio FOGLIO RISPOSTE
Laurea triennale in INFORMATICA, Corso di CALCOLO DELLE PROBABILITÀ COMPITO - 2 luglio 202 - FOGLIO RISPOSTE NOME e COGNOME SOLUZIONI CANALE: G. Nappo VOTO: N.B. Scrivere le risposte dei vari punti degli
DettagliEquidistribuzione su un insieme finito
su un insieme finito È la distribuzione che abbiamo già visto per il lancio del dado. Se {x 1, x 2,..., x n } sono gli n diversi valori che una variabile aleatoria X può assumere e tali valori sono equiprobabili,
DettagliVETTORI DI VARIABILI ALEATORIE
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
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.
DettagliElementi di teoria degli insiemi
ppendice Elementi di teoria degli insiemi.1 Introduzione Comincia qui l esposizione di alcuni concetti primitivi, molto semplici da un punto di vista intuitivo, ma a volte difficili da definire con grande
DettagliIntroduzione al calcolo delle probabilità
Introduzione al calcolo delle probabilità L. Boni Approccio empirico OSSERVAZIONE IPOTESI TEORIA DOMINANTE ESPERIMENTO L esperimento Un esperimento (dal latino ex, da, e perire, tentare, passare attraverso
DettagliCenni di probabilità
Corso di Laurea in Ingegneria per l Ambiente ed il Territorio Corso di Costruzioni Idrauliche A.A. 2004-05 www.dica.unict.it/users/costruzioni Cenni di probabilità Ing. Antonino Cancelliere Dipartimento
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 1 Abbiamo visto: Definizioni di statistica, statistica inferenziale, probabilità (interpretazione
DettagliTommaso Cortopassi- Settimana 6-8 (da 4 Aprile a 21 Aprile) Esercizio 1 Mostrare che A (B C) = (A B) (A C) come insiemi ordinati.
Tommaso Cortopassi- Settimana 6-8 (da 4 Aprile a 2 Aprile) Esercizio Mostrare che A (B C) = (A B) (A C) come insiemi ordinati. Intanto fissiamo i termini. Definiamo somma e prodotto nel seguente modo:
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.
DettagliLe scelte di consumo, il vincolo di bilancio
Le scelte di consumo, il vincolo di bilancio 1 Le scelte di consumo Due assunzioni fondamentali: i consumatori ricevono soddisfazione dall acquisto di beni e servizi i consumatori si presentano sul mercato
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.
Dettagli01 - Elementi di Teoria degli Insiemi
Università degli Studi di Palermo Facoltà di Economia CdS Sviluppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 01 - Elementi di Teoria degli Insiemi Anno Accademico 2013/2014
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
DettagliPROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI
PROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI Settimana 5-9 marzo. Elementi di analisi combinatoria (vedasi capitolo I del Ross). Integrazioni: triangolo di Tartaglia, dimostrazione diretta della
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliBrevi richiami su variabili aleatorie e processi stocastici
Appendice Parte 9, 1 Brevi richiami su variabili aleatorie e processi stocastici Richiami di teoria della probabilita` Appendice Parte 9, 2 Esperimento casuale: analisi degli elementi caratteristici dei
DettagliEsercizi di Matematica per la prova di ammissione alla Scuola Galileiana /16
Esercizi di Matematica per la prova di ammissione alla Scuola Galileiana - 015/16 Esercizio 1 Per quali valori n Z \ {0} l espressione è un numero intero positivo? (n + 5)(n + 6) 6n Soluzione. Il problema
DettagliNOTE SULLE FUNZIONI CONVESSE DI UNA VARIABILE REALE
NOTE SULLE FUNZIONI CONVESSE DI UNA VARIABILE REALE ROBERTO GIAMBÒ 1. DEFINIZIONI E PRIME PROPRIETÀ In queste note saranno presentate alcune proprietà principali delle funzioni convesse di una variabile
DettagliRelazioni e Rappresentazioni. 1 Una relazione (binaria) R su
S Modica 19.III.1999 Relazioni e Rappresentazioni. 1 Una relazione (binaria) R su un insieme X è un sottoinsieme di X 2 (X 2 = X X, prodotto cartesiano): R X 2. Per l appartenenza (x, y) R useremo il sinonimo
DettagliConcetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018. Giovanni Lafratta
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018 Giovanni Lafratta ii Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale
DettagliMicroeconomia Finanziaria
Sara Savastano Università di Roma Tor Vergata DEF a.a. 2014-2015 1 Teoria Microeconomica: Analisi del comportamento degli individui, degli agenti, e l aggregazione delle loro azioni in un contesto istituzionale
DettagliEconomia, Corso di Laurea Magistrale in Ing. Elettrotecnica, A.A Prof. R. Sestini
Economia, Corso di Laurea Magistrale in Ing. Elettrotecnica, A.A. 2013-2014. Prof. R. Sestini SCHEMA DELLE LEZIONI DELLA SECONDA SETTIMANA Si consideri che: gli individui non possono consumare un infinito
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2006-07 Alberto Perotti Esperimento casuale Esperimento suscettibile di più risultati
DettagliRichiami di TEORIA DELLE PROBABILITÀ
corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A. 015-016 Richiami di TEORIA DELLE PROBABILITÀ Prof. Ing. Umberto Crisalli Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma.it
DettagliIl Calcolo delle Probabilità è lo strumento matematico per trattare fenomeni aleatori cioè non deterministici.
INTRODUZIONE L CLCOLO DELLE ROILIT Il Calcolo delle robabilità è lo strumento matematico per trattare fenomeni aleatori cioè non deterministici. Un fenomeno aleatorio o stocastico è un fenomeno i cui esiti
DettagliLezione 11 Ugo Vaccaro
Teoria dell Informazione II Anno Accademico 207 208 Lezione Ugo Vaccaro Abbiamo visto finora che in vari problemi collegati alla codifica di emissioni di una sorgente di informazione la entropia H(P )
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
Dettagli28 giugno 2018, es.1) Programmazione lineare
8 giugno 018, es.1) Programmazione lineare Discutere il seguente problema di Programmazione lineare: trovare il massimo di p(x 1, x, x, x 4 ) = x 1 + 15 x + 8 x + x 4 con i vincoli x k 0 (1 k ) e x + x
DettagliCONSUMO. 3. Il Saggio Marginale di Sostituzione (SMS)
CONSUMO 1. Le Preferenze del Consumatore 2. Curve di Indifferenza 3. Il Saggio Marginale di Sostituzione (SMS) 4. La Funzione di Utilità Utilità Marginale e Utilità Marginale Decrescente Utilità Marginale
DettagliCALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica. Leggere attentamente le seguenti note
CALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica Leggere attentamente le seguenti note Modalità d esame. L esame consta di uno scritto con esercizi (bisogna prenotarsi su infostud). Chi passa questo
DettagliModelli di probabilità
Modelli di probabilità Corso di STATISTICA Ordinario di, Università di Napoli Federico II Professore supplente, Università della Basilicata a.a. 0/0 Obiettivo dell unità didattica Definire i concetti di
DettagliSOLUZIONI DELLA PRIMA PROVA IN ITINERE DEL CORSO GE220
SOLUZIONI DELLA PRIMA PROVA IN ITINERE DEL CORSO GE220 ESERCIZIO 1 (6 punti) Sia X uno spazio topologico. Dimostrare che: (i) (3 punti) X è uno spazio T 1 se e solo se per ogni x X l intersezione di tutti
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare p. 1/39 Geometria della programmazione lineare Mariantonia Cotronei Facoltà di Ingegneria Università degli Studi Mediterranea di Reggio Calabria Geometria della programmazione
Dettagli( A) ( ) 3. Concezioni e valutazioni di probabilità
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 0/03 lezione di statistica del maggio 03 - di Massimo Cristallo - 3. Concezioni e valutazioni di probabilità
DettagliRichiami di Matematica. 1. Insiemi, relazioni, funzioni. 2. Cardinalitá degli insiemi infiniti e numerabilitá. 3. Notazione asintotica.
Richiami di Matematica 1. Insiemi, relazioni, funzioni. 2. Cardinalitá degli insiemi infiniti e numerabilitá. 3. Notazione asintotica. Insiemi Definizioni di base Dato un insieme A: x A: elemento x appartenente
Dettagli3.3 - Il principio del buon ordine. Sia A un insieme, e sia una relazione di ordine in A. Si dice che è un buon
Marco Barlotti appunti di Teoria degli insiemi supplemento numero 1 Pag. 1 3.3 - Il principio del buon ordine. Sia A un insieme, e sia una relazione di ordine in A. Si dice che è un buon ordine per A,
DettagliNOTE DI ALGEBRA LINEARE v = a 1 v a n v n, w = b 1 v b n v n
NOTE DI ALGEBRA LINEARE 2- MM 9 NOVEMBRE 2 Combinazioni lineari e generatori Sia K un campo e V uno spazio vettoriale su K Siano v,, v n vettori in V Definizione Un vettore v V si dice combinazione lineare
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliEsercizi di Probabilità
Esercizi di Probabilità Grazia Corvaia, Patrizio Lattanzio, Alessandra Nardi February 0, 09 L urna colorata In un urna si trovano 0 palline, 5 viola e 5 arancioni. Calcolare la probabilità che, in due
DettagliSpazi Vettoriali ed Applicazioni Lineari
Spazi Vettoriali ed Applicazioni Lineari 1. Sottospazi Definizione. Sia V uno spazio vettoriale sul corpo C. Un sottoinsieme non vuoto W di V è un sottospazio vettoriale di V se è chiuso rispetto alla
DettagliForme bilineari simmetriche
Forme bilineari simmetriche Qui il campo dei coefficienti è sempre R Definizione 1 Sia V uno spazio vettoriale Una forma bilineare su V è una funzione b: V V R tale che v 1, v 2, v 3 V b(v 1 + v 2, v 3
DettagliPer capire qual è l altezza media degli italiani è stato intervistato un campione di 1523 cittadini. La media campionaria dell altezza risulta essere:
PROBABILITÀ E STATISTICA Per capire qual è l altezza media degli italiani è stato intervistato un campione di 1523 cittadini. La media campionaria dell altezza risulta essere: x = 172, 3 cm Possiamo affermare
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliSOLUZIONI DI ESERCIZI SCELTI ELEMENTI DI MATEMATICA E INFORMATICA TEORICA VERSIONE DEL 14 MAGGIO Esercizio 18
SOLUZIONI DI ESERCIZI SCELTI ELEMENTI DI MATEMATICA E INFORMATICA TEORICA 2017-8 VERSIONE DEL 14 MAGGIO 2018 HYKEL HOSNI Esercizio 18 Scrivere le tabelle booleane per i seguenti enunciati: (1) p q (2)
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliTerza lezione - 15/03/2018
Università degli Studi di Trento CORSO DI ANALISI MATEMATICA II DIPARTIMENTO DI FISICA ANNO ACCADEMICO 2017/2018 ALBERTO MAIONE Terza lezione - 15/03/2018 1. Richiami teorici 1.1. Spazi Topologici. Definizione
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 5 Abbiamo visto: Modelli probabilistici nel continuo Distribuzione uniforme continua Distribuzione
DettagliDATI DELLO STUDENTE: NomeeCognome:... NumerodiMatricola:... PROCESSI STOCASTICI 09/09/2015, ESAME SCRITTO
DATI DELLO STUDENTE: NomeeCognome:... NumerodiMatricola:... PROCESSI STOCASTICI 09/09/20, ESAME SCRITTO L uso di testi, appunti, formulari e gadget elettronici non è autorizzato. Avete 2 ore di tempo a
DettagliTrasformazione di Problemi Non Lineari
Capitolo 2 Trasformazione di Problemi Non Lineari 2.1 Trasformazione in problema di PL In questa sezione, verranno presentati tre classi di problemi di programmazione non lineare che, attraverso l uso
DettagliMetodi Decisionali Multicriterio
Metodi Decisionali Multicriterio Decisore Si hanno individuano due proprietà di un decisore: -intelligenza possiede capacità logiche per individuare senza errori la scelta che gli assicura il miglior risultato
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
Dettagliassuma valori in un determinato intervallo è data dall integrale della sua densità ( = )=
VARIABILI ALEATORIE CONTINUE Esistono parecchi fenomeni reali per la cui descrizione le variabili aleatorie discrete non sono adatte. Per esempio è necessaria una variabile aleatoria continua ovvero una
DettagliPropagazione delle varianze, conosciuta come propagazione degli errori.
Propagazione delle varianze, conosciuta come propagazione degli errori. Siano x 1, x 2, x n n variabili casuali e poniamo,, ) = y ( ) Supponiamo inoltre nota la matrice delle covarianze delle x e vogliamo
DettagliElementi di Teoria degli Insiemi
Elementi di Teoria degli Insiemi 2016/17 Esercizi di Giacomo Bertolucci (matr. 519430) Lezioni 7-10 Lezione 7 Esercizio 1. Dimostrare che, se A R con A ℵ 0, allora R A è denso in R. Se così non fosse,
Dettagli9. Test del χ 2 e test di Smirnov-Kolmogorov. 9.1 Stimatori di massima verosimiglianza per distribuzioni con densità finita
9. Test del χ 2 e test di Smirnov-Kolmogorov 9. Stimatori di massima verosimiglianza per distribuzioni con densità finita Supponiamo di avere un campione statistico X,..., X n e di sapere che esso è relativo
Dettagli11. Misure con segno.
11. Misure con segno. 11.1. Misure con segno. Sia Ω un insieme non vuoto e sia A una σ-algebra in Ω. Definizione 11.1.1. (Misura con segno). Si chiama misura con segno su A ogni funzione ϕ : A R verificante
Dettagli8 Derivati dell entropia
(F1X) Teoria dell Informazione e della Trasmissione 8 Derivati dell entropia Docente: Nicolò Cesa-Bianchi versione 23 marzo 2016 Siano X e Y due variabili casuali con valori in insiemi finiti X e Y. Detta
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 3: Variabili aleatorie discrete notevoli
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 3: Variabili aleatorie discrete notevoli Esperimenti binari ripetuti o esperimenti bernoulliani (Bernoulli
DettagliProprietà asintotiche dello stimatore OLS
Università di Pavia Proprietà asintotiche dello stimatore OLS Eduardo Rossi Sequenze Consideriamo un infinita sequenza di variabili indicizzate con i numeri naturali: X 1, X 2, X 3,...,X N,... = {X N }
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
DettagliIntroduzione alla probabilità
Introduzione alla probabilità Osservazione e studio dei fenomeni naturali: a. Caso deterministico: l osservazione fornisce sempre lo stesso risultato. b. Caso stocastico o aleatorio: l osservazione fornisce
DettagliALGEBRE DI BOOLE. (d) x, y X x y oppure y x.
ALGEBRE DI BOOLE Un insieme parzialmente ordinato è una coppia ordinata (X, ) dove X è un insieme non vuoto e " " è una relazione binaria definita su X tale che (a) x X x x (riflessività) (b) x, y, X se
DettagliConcetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2016/2017. Giovanni Lafratta
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2016/2017 Giovanni Lafratta ii Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale
Dettagli