DECISIONI E PROBABILITÀ SOGGETTIVA

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "DECISIONI E PROBABILITÀ SOGGETTIVA"

Transcript

1 Andrea ELLERO DECISIONI E PROBABILITÀ SOGGETTIVA Appunti per il corso di METODI MATEMATICI PER L ECONOMIA DELL ARTE A.A

2 2 Queste pagine raccolgono alcune lezioni del corso di METODI MATEMATICI PER L ECONOMIA DELL ARTE per la laurea specialistica in Economia e Gestione delle Arti e delle Attività Culturali dell Università Ca Foscari di Venezia (a.a ). Ringrazio la Dott. Francesca Cerisano che ha fornito una prima versione dattiloscritta degli appunti delle lezioni.

3 3 Elementi di teoria delle decisioni La teoria delle decisioni è una disciplina che studia il processo logico-formale con cui un individuo si accinge ad assumere un comportamento, a suo avviso ottimale, in presenza di informazioni incomplete o, come si suole dire, in condizioni di incertezza. Un individuo si trova a dover prendere delle decisioni in condizione di incertezza quando deve scegliere una fra più azioni possibili, le cui conseguenze non sono determinabili a priori, nel senso che ogni alternativa contemplata condurrà certamente ad una delle conseguenze previste senza, però, poter stabilire esattamente a quale di esse. Solitamente, si suppone che l incertezza che lascia indeterminata la conseguenza, dipenda dalla non conoscenza di alcuni eventi (o stati di natura) e che le conseguenze di ciascuna scelta possano essere valutate in termini di utilità o di perdita. 1. Criteri decisionali in condizioni di incertezza Supponiamo di dover allestire una mostra temporanea utilizzando sia spazi al coperto che spazi al chiuso. Possiamo scegliere di sfruttare gli spazi al coperto (decisione o alternativa d1), quelli esterni (decisione d2), oppure in eguale misura tali spazi (decisione d3). Gli spazi al coperto comportano costi maggiori ma, ovviamente, comportano un numero di visite più elevato in caso di cattivo tempo. Nel periodo di fruibilità della mostra ci si attende dunque un profitto che dipende dalle condizioni atmosferiche e dalla decisione all utilizzo degli spazi espositivi effettuata inizialmente. Considerati tre possibili scenari (o stati di natura) futuri s1 (tempo prevalentemente piovoso), s2 (tempo variabile), s3 (tempo prevalentemente soleggiato) sono stati valutati i possibili profitti come raccolti nella seguente tabella, detta matrice delle utilità (o dei payoff): s1 s2 s3 d d d

4 4 Indicheremo con M ij il risultato corrispondente alla decisione i nel caso si realizzi lo scenario j. Una rappresentazione diversa, che consente di cogliere quale sia la sequenza di decisioni/esiti all interno del processo decisionale è data dal cosiddetto albero di decisione: Come stabilire quale sia la decisione più conveniente, in termini di profitto/utilità? Osserviamo anzitutto che l alternativa d3 presenta utilità minori o uguali alle utilità di d2, in corrispondenza di ciascuno scenario sj, si dice in questo caso che d3 è dominata da d2 e, ai fini della nostra scelta, d3 è chiaramente una decisione inopportuna, da scartare. Resta da compiere la scelta, non ovvia ed immediata, tra d1 e d2. Vediamo una rassegna dei più noti criteri di scelta proposti dalla letteratura. 1.1 Criterio di Wald (del maximin) Il decisore suppone che si realizzi, in corrispondenza di ciascuna alternativa, lo scenario peggiore. Nel nostro esempio: s1 s2 s3 minimo d d

5 5 Dopo aver rilevato i valori minimi per ogni riga, scegliamo tra questi quello massimo, minimizzando, in tal modo, la perdita: max(min ) Nel nostro esempio la scelta cade sull alternativa d2. i j M ij 1.2 Criterio dell ottimismo Il decisore suppone che si realizzi, in corrispondenza di ciascuna alternativa, lo scenario migliore. Nel nostro esempio: s1 s2 s3 massimo d d Dopo aver rilevato i valori massimi per ogni riga, scegliamo tra questi quello massimo, minimizzando, in tal modo, la perdita: min(maxm Nel nostro esempio la scelta cade sull alternativa d2. Dunque, l alternativa d2 è ancora la migliore. i j ij ) 1.3 Criterio di Laplace o della media aritmetica Si sceglie l alternativa che presenta media aritmetica delle utilità più elevata. Nell esempio le medie aritmetiche sono 2.32 per d1 e 3.69 per d2. La scelta migliore è ancora d Criterio di Savage (minimax dei regret) Questo criterio prevede una scelta fondata sulla valutazione, per ogni fissato stato di natura, il mancato guadagno (regret, rammarico) che, in corrispondenza di ciascuna decisione, si ha rispetto alla decisione migliore per quello stato di natura (la decisione che si adotterebbe in condizioni di informazione perfetta). Costruiamo, a partire dalla matrice dei payoff la matrice dei Regret, definendo il regret corrispondente alla decisione i nel caso si realizzi lo stato j r ij = ( max M ) M k kj ij

6 6 Tra tutte le decisioni opteremo per quella che presenta il più basso valore massimo del regret (minimax): min(max ) Nell esempio: [regret] s1 s2 s3 max regret d d i j r ij La scelta da adottare è ancora d Criterio delle eccedenze (maximin delle eccedenze) Contrariamente al criterio precedente, si calcola, in corrispondenza di ciascuno scenario, la distanza (eccedenza) dalla scelta che presenta il profitto minore per un fissato stato di natura. Per questo motivo costruiamo, a partire dalla matrice delle utilità, la matrice delle eccedenze, definendo l eccedenza corrispondente alla decisione i nel caso si realizzi lo stato j e ij = M ij ( min Mkj) La scelta cadrà sulla decisione che presenta il più alto valore minimo di eccedenza (maxmin): max(mine ) Tornando all esempio: [eccedenze] s1 s2 s3 min eccedenza d d i j ij k Le decisioni sono valutate come equivalenti. Osservazione: non abbiamo considerato la variabilità delle utilità in corrispondenza di una singola decisione; possiamo tuttavia osservare che l alternativa d3 è, da questo punto di vista, desiderabile poiché seppure non fornisca profitti molto elevati evita il rischio di profitti molto bassi; opportuni criteri, che qui non consideriamo, consentono di tener conto di questo importante aspetto.

7 7 1.6 Un altro esempio Data la matrice delle utilità: s1 s2 s3 d d d determiniamo la decisione migliore con l ausilio dei diversi criteri analizzati. s1 s2 s3 Wald ottim. Laplace d1 d d d3 d1 d2 Regret : s1 s2 s3 max Regret d1 d d d1 e d2 Eccedenze: s1 s2 s3 min eccedenza d1 d d d2

8 8 2. Calcolo delle Probabilità Introduzione La logica elementare divide gli enunciati (che qui chiameremo eventi) in veri e falsi, ammettendo, per principio, che non vi siano altre possibilità di qualificarli (secondo il classico principio del Terzo Escluso aristotelico, una proposizione non può che essere vera o falsa tertium non datur). Tuttavia se qualcuno dice: domani pioverà, quest affermazione non è né vera, né falsa in questo momento; soltanto domani, dopo che avremo constatato le condizioni del tempo, potremo attribuirle una delle due qualifiche. In attesa di una verifica, dunque, due persone possono avere valutazioni contraddittorie circa la verità o falsità di un affermazione, senza che si possa decidere quale delle due abbia ragione, possono cioè avere un grado di fiducia diverso riguardo al verificarsi dell evento. Se ci è consentito scommettere sull una o sull altra possibilità (ed è quello che facciamo quando decidiamo o meno di portare con noi l ombrello quando ancora non piove) l entità della nostra scommessa è un indice del nostro grado di fiducia nell enunciato e, perciò, può prendersi come misura del grado di verità che siamo disposti ad attribuirgli. 2.1 La definizione di probabilità soggettiva Diamo ora una definizione precisa di probabilità, rifacendoci alla concezione soggettiva di de Finetti (1937). DEFINIZIONE La probabilità di un evento E, secondo l opinione di un dato individuo, è il prezzo E) che egli giudica equo pagare per riscuotere un importo unitario nel caso in cui E si verifichi. Supponiamo di voler assegnare in modo soggettivo una probabilità all evento E = Il prossimo vincitore delle elezioni USA sarà un repubblicano. Tale probabilità è, per definizione, il prezzo (certo) che siamo disposti a pagare oggi per riscuotere 1 nel caso in cui E si verifichi (in futuro!). Se siamo disposti a scommettere 0.25, 25 centesimi, allora la nostra valutazione di probabilità è E)=0.25=1/4.

9 9 Uno schema grafico può aiutare ad illustrare lo svolgimento temporale della scommessa: pago certamente E) riscuoto 1 se E si verifica in futuro Oggi futuro Il termine prezzo equo nella definizione di probabilità sta ad indicare che i verbi pagare e riscuotere devono poter essere scambiati senza che la valutazione di probabilità cambi: in altri termini, riguardo alla scommessa sul futuro Presidente degli Stati Uniti dobbiamo essere anche disposti ad accettare (facendo da banco ) la scommessa che stabilisce di pagare 1 in futuro nel caso si realizzi l evento E, riscuotendo 0.25 oggi. La probabilità da assegnarsi ad un evento che si realizzerà sicuramente (evento certo) dovrà di conseguenza essere uguale a 1 [E)=1], perché, in questo caso, riscuoteremo certamente 1, avendo la certezza della realizzazione di E. La probabilità di un evento che senza dubbio non si realizzerà (evento impossibile) dovrà invece essere uguale a 0 [E)=0], perché tale è la somma che siamo disposti a sborsare, avendo la consapevolezza di scommettere sul realizzarsi di un evento che non accadrà mai. La probabilità deve essere allora un numero compreso tra i due valori soglia 0 e 1: E) [0,1]. Osservazione importante. Se E)=0, ciò non implica l impossibilità del realizzarsi dell evento stesso. Vediamo un esempio. Consideriamo un bersaglio quadrato di lato unitario e supponiamo di sparare a caso (ad occhi chiusi) colpendo il punto di coordinate (¾,¾). Si è realizzato l evento H = viene colpito il punto (¾,¾). 1 ¾ 0 ¾ 1

10 10 Supponiamo ora di ripetere l esperimento: qual è la probabilità di riuscire a colpire di nuovo il medesimo punto? Essendo infiniti i punti del piano, infinite saranno le nostre possibilità e 0 è ciò che saremmo disposti a pagare nello scommettere sulla realizzazione di H: l evento è altamente improbabile, ma non impossibile. 2.2 Probabilità, scommesse e quote. Ritorniamo all evento E= Il prossimo vincitore delle elezioni USA sarà un repubblicano. Su tale evento è possibile effettuare delle scommesse (nel web è facile reperire aziende che, più in generale, gestiscono scommesse a quota fissa, in Italia si può vedere ad esempio il sito della SNAI, Tipicamente una società di gestione di scommesse presenta per ogni evento sul quale si può scommettere la quota con la quale viene ricompensata una giocata unitaria nel caso si realizzi l evento. Naturalmente quota e probabilità sono inversamente proporzionali ma vediamo le cose più precisamente. Definiamo quota equa relativa all evento E la quantità q(e) = 1 E) Dire che la quota equa è di 4 a 1, significa che all evento viene assegnata la probabilità ¼. Non abbiamo, però, ancora precisato il motivo per il quale parliamo di quota equa q. Infatti, si utilizza tale aggettivo per distinguerla dalla quota reale Q. Quest ultima risulta comprensiva delle remunerazioni αi, per i gestori delle scommesse. La quota reale, quella effettivamente pubblicata dal gestore (il banco) è: Q(Ei) = (1 αi) q(ei) Pertanto la valutazione di probabilità effettuata dal gestore è Ei) = 1 q( Ei) = 1 α i Q( Ei) < 1 Q( Ei) La probabilità assegnata dal gestore ad Ei è minore di 1 Q( Ei) ( 1 ). ( 1 ) Per legge, il guadagno del banco viene limitato. Si parla, perciò, della cosiddetta percentuale di allibramento: PA = n i= 1. Tale percentuale deve essere inferiore alla percentuale di allibramento massima 100 Qi n 100 = 100 Ei) =100. q( Ei PAmax, fissata per legge. Possiamo notare che se αi = 0 i, allora: PA = i= 1 ) In altre parole, nel caso di tutte quote eque la percentuale di allibramento è 100. Nel caso in cui αi>0 per almeno un indice i, si ha PA >100 ovvero, nel caso delle quote reali PA è superiore a 100.

11 Il requisito della coerenza Consideriamo un insieme di eventi Ω = { E1, E2, E3 En } che siano incompatibili (o esclusivi: si può realizzare soltanto uno di essi) ed esaustivi (si realizza almeno uno di essi). Diremo in tal caso spazio campionario l insieme Ω e chiameremo eventi elementari i suoi elementi. area = E1) Ω Assegnando una probabilità ad ogni evento, si ottiene una funzione: P : Ω [ 0, 1] ; Ei Ei) che ad ogni evento Ei associa la corrispondente valutazione di probabilità Ei). Poiché gli eventi sono esaustivi la probabilità che non si realizzi alcun evento di Ω (Evento impossibile = Ø) è Ø) = 0, mentre la probabilità che si realizzi almeno un evento di Ω ovvero che si realizzi Ω (evento certo) è Ω) = 1. Vediamo ora come valutare le probabilità degli eventi dell insieme delle parti P (Ω) dello spazio campionario Ω (l insieme delle parti è un insieme che ha per elementi tutti i sottoinsiemi di Ω, compresi l insieme vuoto Ø e l insieme Ω stesso). A partire dalle probabilità assegnate agli eventi elementari possiamo estendere la valutazione ad altri sottoinsiemi di Ω. Vogliamo però che tale estensione sia coerente nel senso che andiamo a definire. DEFINIZIONE Una valutazione di probabilità è detta coerente se nessuna combinazione di scommesse consente di realizzare un guadagno certo (assenza di arbitraggi).

12 12 Lavoreremo d ora in poi solo con valutazioni di probabilità coerenti. Teorema La richiesta di coerenza è equivalente a chiedere che, dati due qualsiasi eventi Ei ed Ej elementari (quindi incompatibili) di Ω si abbia Ei v Ej) = Ei) + Ej) (1) (Il simbolo v sta per oppure ) Per la dimostrazione si veda ad esempio Daboni (1967). Un esempio numerico può però convincere di come il mancato rispetto della proprietà (1) porti alla possibilità di effettuare arbitraggi, cioè all incoerenza. Supponiamo di scommettere sul realizzarsi, separatamente, degli eventi E1 ed E2 valutati con probabilità E1)=E2)=0.2. Nel contempo supponiamo di accettare una scommessa (in qualità di banco) sull evento E1 v E2 valutato con probabilità E1 v E2) = 0.5 (ovvero maggiore di E1) + E2)). In questo caso oggi pago ma intasco 0.5 pertanto ho in tasca +0.1; in futuro, se uno dei due eventi si realizza ottengo 1 (per aver scommesso) e pago 1 (per aver accettato la scommessa), se nessun evento si realizza non ricevo nulla e non devo pagare. In conclusione: oggi intasco 0.1 e in futuro sono in ogni caso in pareggio, pertanto complessivamente ottengo un guadagno certo di 0.1 (arbitraggio). 2.4 Conseguenze della coerenza Poiché E1 v E2 v En = Ω si ha: Ω) = n i= 1 Ei) = 1 L evento E C (complementare di E) che si realizza se e solo se non si realizza E, ha probabilità E C ) = 1 E) infatti per mantenere la coerenza deve essere E v E C ) = E) + E C ) ma E v E C ) = 1, perché almeno uno dei due si realizzerà certamente, da cui la proprietà.

13 Alcuni esempi LANCIO DI UNA MONETA Vogliamo calcolare la probabilità di ottenere Testa e quella di ottenere Croce col lancio di una moneta. In questo caso lo spazio degli eventi è Ω = {T,C} (T= si realizza testa; C= si realizza croce). L insieme delle parti è Ω) = {Ø, T, C, Ω }. La coerenza impone T) + C) = 1 Questa relazione non ci consente di calcolare separatamente T) e C). A questo scopo, occorre un osservazione esterna. Se la moneta ci appare del tutto simmetrica, ovvero non è truccata, non vediamo a priori alcun motivo per attribuire a uno dei due esiti una probabilità maggiore o minore di quella dell altro. Perciò ci sentiamo autorizzati ad assumere: T) = C). Le due relazioni, insieme, risolvono ora il problema della determinazione delle due probilità fornendo: T) = C) = ½. LANCIO DI DUE O PIU MONETE Lanciamo due monete (o la stessa moneta due volte) e studiamo la probabilità che si presenti testa sia al primo che al secondo lancio. Vogliamo, in altre parole, calcolare TT). Poiché le realizzazioni possibili del lancio di due monete sono TC, CC, CT, TT, mentre l unico caso favorevole è TT, per motivi di simmetria dell informazione analoghi a quelli del caso del lancio di una singola moneta valutiamo TT) = ¼. La probabilità che si presenti una testa su due lanci effettuati è invece ½ Lanciando tre monete qual è la probabilità che si presenti almeno una croce? Se consideriamo distintamente le tre monete, allora si presentano 8 casi egualmente probabili: TTT, TTC, TCT, CTT, CTC, CCT, CCC. Soltanto nel primo caso non si hanno croci, quindi la valutazione di probabilità richiesta è ⅞. LANCIO DI UN DADO Assegniamo la probabilità a ciascuno dei sei possibili esiti del lancio di un dado: Ω = {f1, f2, f3, f4, f5, f6} Indicando con fi la faccia del dado sulla quale sono incisi i punti. Abbiamo

14 14 6 i= 1 fi) = 1 Inoltre, se il dado non presenta alcuna deformità evidente, non c è motivo di pensare che i diversi esiti abbiano probabilità differenti. Da ciò segue: 1 fi) = per ogni i. 6 Negli esempi affrontati, abbiamo invocato una ragione di simmetria, che può esprimersi come condizione a priori sulla distribuzione di probabilità. In tal caso tutti gli eventi elementari considerati vengono ad avere la stessa valutazione di probabilità, sono ritenuti, cioè, equiprobabili. ALTRI ESEMPI Determiniamo la probabilità P per ciascuno dei seguenti eventi: a) nel lancio di un dado si presenta un numero pari. L evento può verificarsi in tre modi (un 2, un 4, un 6) su 6 casi equiprobabili: pari) = ½ ; b) nel lancio di un dado si presenta 1 oppure 2. Essendo 1 v 2) = 1) + 2) si ha 1 v 2) = ⅓. c) lanciando una moneta e un dado si presentano Testa e un numero pari. Essendo i casi possibili 12 (T1, T2, T3, T4, T5, T6, C1, C2, C3, C4, C5, C6), mentre i casi favorevoli sono 3 (T2, T4, T6), la probabilità è data da T,pari) = ¼.

15 Misura della probabilità nel caso di eventi compatibili Siano dati lo spazio campionario Ω e due suoi sottoinsiemi A e B costituiti da più eventi elementari: Ω A = E1 E2 E3 B = E3 E4 E5 (Il simbolo sta per unione ed è equivalente a v) Qual è la probabilità A B)? In questo caso A e B (eventi compatibili, data la loro possibile contemporanea realizzazione) hanno in comune l evento E3, per cui la probabilità non è più A B) = A) + B), altrimenti verrebbe conteggiato due volte E3, intersezione di A e B. Vale infatti il seguente teorema: Teorema A B) = A) + B) A B) (2) (Il simbolo sta per intersezione ) Dimostrazione. L insieme A B è l unione dei 3 eventi incompatibili A B C, A B e A C B. Si ha A B) = A B C )+A B)+A C B) = = [A B C )+A B)]+[A C B)+ A B)] - A B) = = A) + B) - A B). 2.7 Probabilità condizionate o subordinate Immaginiamo che lo spazio campionario Ω si riduca ad un suo sottoinsieme proprio H Ω. Graficamente:

16 16 Ω Il realizzarsi dell evento H costringe a rivedere la probabilità da assegnare alla realizzazione dell evento E: E dato H (si scrive E H), ha una probabilità E H) che in generale sarà diversa rispetto a E). Nell approccio assiomatico la probabilità condizionata è definita ponendo E H) = E H ) H ) ovvero E H) = E H) H). Utilizzando l approccio soggettivo alla probabilità tale formula può essere dimostrata. In termini di quote eque essa può essere riscritta come 1 q( E H ) = 1 1 q( E H ) q( H ) ovvero q(e H) = q(e H) q(h). Dimostriamo quest ultima versione della formula. Consideriamo un esperimento che si svolge negli intervalli di tempo [0, t1] e [t1,t2]. Supponiamo di giocare una unità monetaria al tempo 0 sulla realizzazione dell evento H al tempo t1, ottenendo in caso di vittoria la quota q(h) e di puntare al tempo t1 tutta l eventuale vincita sulla realizzazione dell evento E al tempo t2. H E H 0 t1 t2 In caso di vittoria, vale a dire se E H si realizza al tempo t2, potremo intascare la quota q(e H) moltiplicata per la quantità giocata q(h). Pensiamo ora di giocare un unità monetaria al tempo 0 sulla realizzazione dell evento H E al tempo t2, ottenendo in caso di vittoria la quota q(h E). Si tratta di una scommessa diversa ma equivalente alla precedente nel senso che comporta una vittoria

17 17 esattamente negli stessi casi. L equità nella valutazione della probabilità soggettiva chiede allora che sia q(e H) = q(e H) q(h), come volevamo dimostrare. 2.8 Alcune osservazioni Evidentemente la formula E H) = E H ) H ) chiede che la probabilità che si realizzi l evento H sia diversa da 0. Se l evento H si realizza certamente, H)=1, allora E H) = E). Più interessante è il caso 0<H)<1, in cui si ha E H) > E H). Osserviamo che E = (E H) (E H C ). Poiché E H ed E H C sono disgiunti risulta E) = E H) + E H C ). Ma essendo E H) = E H) H) possiamo scrivere E) = E H) H) + E H C ) H C ). Confrontiamo le due probabilità E H) e E) in un caso particolare. Consideriamo gli eventi E = la cantante Alexia vince il Festival di Sanremo H = una donna vince il Festival di Sanremo In questo caso evidentemente sarà E H) > E). Se, invece H = un uomo vince il Festival di Sanremo allora E)>E H) = 0. In generale non esiste alcuna relazione particolare che lega le due probabilità considerate: o se E/H) > E) si dice che E è positivamente correlato ad H, o se E/H) < E) si dice che E è negativamente correlato ad H, o se E/H) = E) si dice che E è indipendente da H. Nel caso di eventi indipendenti si può scrivere E) = E/H) = E H ) H )

18 18 da cui: E H) = E) H) ovvero, la probabilità che i due eventi, E ed H, si verifichino contemporaneamente corrisponde al prodotto delle loro probabilità di realizzazione. 2.9 Esempi Lanciando due monete di seguito, consideriamo la probabilità di ottenere testa al secondo lancio, dato che si è ottenuto testa anche al primo. Essendo i due lanci indipendenti, l informazione a nostra disposizione non influenza la valutazione finale: T 2 T 1 ) = T 2 ) = ½. Determiniamo la probabilità che, lanciando due volte un dado, si verifichi l evento E= la somma dei punti ottenuti nei lanci è 3 Avendo in tutto 36 possibili esiti, dei quali solo due [(1,2); (2,1)] ci permettono di avere somma 3 si ha E)=2/36. Consideriamo ora l evento H= al primo lancio è uscito il numero 1. Se H si realizza allora lo spazio campionario si riduce e si ottiene: E H) = somma= 3 lancio1= 1) lancio1= 1) = 1/ 36 1 = 1/ 6 6 Determiniamo, lanciando sempre due dadi, le probabilità degli eventi A = almeno un dado presenta il numero 3 B = la somma è 4. Utilizziamo la formula (2): A) = lancio1=3 v lancio2=3) = =lancio1=3)+lancio2=3) lancio1=3 lancio2=3) = + - = Inoltre B) = (1,3);(3,1);(2,2))= 36 3 A B) = (1,3);(3,1))= Da cui otteniamo A B) = + - =

19 Teorema di Bayes Se nelle formule precedenti scambiamo i ruoli degli eventi E ed H otteniamo H E) = H E) E) che può essere scritta anche: H E) = H E) E) Ovviamente H E) = E H), pertanto possiamo scrivere: E H) H) = H E) E) Risulta allora dimostrato il seguente teorema. Teorema di Bayes H E) = E H ) H ) E) 2.11 Alcuni esempi di utilizzo del teorema di Bayes Esempio 1 Supponiamo di dover decidere quale delle due imprese (Artsystem e Buonarroti S.r.l.) di trasporto di opere d arte contattare per l allestimento della nostra mostra temporanea. Sappiamo che la probabilità di rottura o danneggiamento delle opere è del 5% per l impresa A su un totale di 800 pezzi trasportati e del 10% su un totale di 1000 opere trasportate per l impresa B, alla fine del loro viaggio. Qual è la probabilità che un opera sia stata trasportata da A se l opera ha effettivamente subito dei danni? Ovvero, quanto vale A Danni)? E utile alla risoluzione del problema, ricorrere al cosiddetto albero di probabilità. Il diagramma ad albero è un mezzo usato, in generale, per enumerare tutti i possibili esiti di una serie di esperimenti, dove ciascun esperimento può avere un numero finito di esiti. Esso viene costruito da sinistra a destra e, ad ogni nodo, il numero dei rami verso destra corrisponde ai possibili esiti dell esperimento successivo. Nel nostro caso: a) la probabilità che un opera venga trasportata da A è b) la probabilità che un opera venga trasportata da B è 800 = =

20 20 A questo punto, per conoscere A D), dobbiamo ricorrere alla formula di Bayes: A D) = D A) A) D) Conosciamo D A) = 0.05 e A) =4/9, ci resta da valutare D) sommando tutti i rami che portano all esito D: D) = D A) + D B) = D/A) A) + D/B) B) Pertanto A D) = Esempio 2 Al museo di Oslo, nonostante le efficienti misure di sicurezza, sono stati sottratti, nel mese di agosto 2004, alcuni dipinti del pittore norvegese Edward Munch. Vengono arrestati due uomini (Arsenio Lupin e BonBon) sospettati di aver commesso il reato. Soggettivamente, giudichiamo maggiormente probabile che il furto sia stato compiuto da A: A) = 0.6, B) = 0.4. Disponiamo però di una macchina della verità che fornisce indicazione di innocenza con probabilità del 90% per chi è realmente innocente e con probabilità del 20% per un colpevole 2. Desideriamo conoscere la probabilità che, qualora A superi il test e B non ce la faccia, A sia il ladro. Costruiamo l albero di probabilità: 2 Il fatto che A superi il test dipende esclusivamente dal suo essere o meno il colpevole, non dai risultati ottenuti, al medesimo test, da B. Ciò consente, qualora avessimo stabilito, ad esempio, l innocenza di A, di calcolare la probabilità che A e B superino entrambi il test come prodotto (0.2)(0.9), che A superi il test e B no [(0.2)(0.1)], e così via.

21 21 La probabilità che A sia il ladro, dato che A ha superato il test e B no, in base alla formula di Bayes è: A A supera B, non supera) = A supera B, non supera A) A) A supera B, non supera) ( ) = = = ( ) 0.6+ ( ) La nuova informazione costringe pertanto a spostare la valutazione della probabilità di colpevolezza di A al 4% contro il 60% della probabilità stabilita inizialmente. Analogamente, volendo valutare la probabilità che A sia il ladro nel caso in cui A non abbia superato il test, mentre B vi sia riuscito si ottiene ( ) A A non supera, B supera) = = ( ) 0.6+ ( ) =.

22 22 3. Criteri decisionali in condizioni di rischio Introduzione Torniamo a considerare una matrice dei payoff, contenente i risultati economici Mij, espressi in termini di utilità (o, più semplicemente, profitto) corrispondenti al realizzarsi dello stato di natura sj avendo in precedenza optato per la decisione di. Supponiamo ora di essere in grado di attribuire delle probabilità riguardo alla realizzazione dei diversi scenari (Pj = probabilità di realizzazione di sj): s1... sj... sn d1... di Mij dm P1... Pj... Pn Si parla in tal caso di decisioni in condizioni di rischio: esaminiamo ora alcuni tra i più noti criteri di scelta in tali ipotesi. Considereremo come esempio la tabella seguente: s1 s2 s3 d d d P Criterio della massima verosimiglianza Si opta per l alternativa che fornisce il payoff massimo in corrispondenza dello scenario con più elevata probabilità di realizzazione.

23 23 Nell esempio, lo scenario con più alta probabilità di realizzazione è s2 (probabilità 0.6): optiamo per d1 che fornisce utilità 9. Più in generale: a) calcoliamo per quale scenario j* si ha P j* = max P j j b) si opta per la decisione d i* tale che M i*j* = max M ij* i 3.2 Criterio del valore atteso (o dell utilità attesa) Si opta per l alternativa che fornisce il massimo valore atteso delle utilità (massima utilità attesa). L utilità attesa della decisione di è definita da: n E(di) = j= 1 Mij Pj La scelta cade dunque sulla decisione d i* tale che Nell esempio si ottiene: E(d1) = = 6.3 E(d2) = = 7.3 E(d3) = = 7.7 E(di*) = max E(di). i La scelta cade allora su d3, mentre d1 è la decisione peggiore (mentre con il criterio della massima verosimiglianza era la scelta migliore). Si può notare che nel caso in cui gli scenari fossero equiprobabili il criterio del valore atteso fornisce esattamente le stesse indicazioni del criterio della media aritmetica (criterio di Laplace) visto in precedenza. 3.3 Criterio della probabilità di rovina È data una soglia di utilità K al di sotto della quale il decisore è da ritenersi in rovina. La probabilità di rovina relativa alla decisione di è data dalla somma delle probabilità relative a tutte gli scenari sj per i quali si ha Mij K: P di rovina(di) = Pj Mij α Il criterio della probabilità di rovina indica come scelta per cui optare quella cui corrisponde probabilità di rovina minore P di rovina(di*) = Nell esempio, fissata la soglia K=7, si ottiene: min P di rovina(di) i

24 24 P di rovina (d1) = = 0.4 P di rovina (d2) = = 0.9 P di rovina (d3) = 0.1 La decisione da prendersi è ancora d Criterio della probabilità di fare fortuna Fissata una soglia di utilità H al di sopra o in corrispondenza della quale facciamo fortuna. Definita la probabilità di fare fortuna relativa alla decisione di: P di fortuna(di) = Pj Mij H viene scelta la decisione d i * per la quale è massima la probabilità di far fortuna: P di fortuna(di*) = Nell esempio, fissata la soglia H=10, si ottiene: P di fortuna (d1) = 0 P di fortuna (d2) = 0.1 P di fortuna (d3) = 0 max P di fortuna(di) i La scelta cade allora su d2, che, con gli altri criteri, non era mai apparsa opportuna. 3.5 Alcune osservazioni sul valore atteso. Consideriamo la tabella seguente s1 s2 d d P I valori attesi delle due decisioni sono E(d1) = 45 E(d2) = 50

25 25 La differenza tra le due utilità attese non è grande; la variabilità delle utilità è invece molto più marcata, bassa con d1, con variazione 50 40=10, alta con d2, con variazione 90 10=80. Altro esempio: s1 s2 d d P Ora si ha E(d1) = E(d2) = 45: nel caso fossimo avversi al rischio, sarebbe opportuno scegliere d1. Consideriamo ora: s1 s2 d d P p 1-p Si ottiene: E(d1) = 1000, E(d2) = 1001 p + 0 (1 p). Utilizzando il criterio del valore atteso, la scelta cade su d2 quando 1001 p > 1000, ovvero con p > 1000/ Il criterio di massima verosimiglianza, al contrario, suggerisce di optare per d2, quando p>1 p. Dunque, è sufficiente p = 0.501(vs p del primo criterio), perché si scelga d2!

Calcolo delle Probabilità

Calcolo 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

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

TEORIA DELL UTILITÀ E DECISION PROCESS

TEORIA DELL UTILITÀ E DECISION PROCESS TEORIA DELL UTILITÀ E DECISION PROCESS 1 UTILITÀ Classicamente sinonimo di Desiderabilità Fisher (1930):... uno degli elementi che contribuiscono ad identificare la natura economica di un bene e sorge

Dettagli

Se si insiste non si vince

Se si insiste non si vince Se si insiste non si vince Livello scolare: 2 biennio Abilità interessate Valutare la probabilità in diversi contesti problematici. Distinguere tra eventi indipendenti e non. Valutare criticamente le informazioni

Dettagli

Corso di Matematica e Statistica 4 Calcolo combinatorio e probabilità. Le disposizioni semplici di n elementi di classe k

Corso di Matematica e Statistica 4 Calcolo combinatorio e probabilità. Le disposizioni semplici di n elementi di classe k Pordenone Corso di Matematica e Statistica 4 Calcolo combinatorio e probabilità UNIVERSITAS STUDIORUM UTINENSIS Giorgio T. Bagni Facoltà di Scienze della Formazione Dipartimento di Matematica e Informatica

Dettagli

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1 FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE ED IL TERRITORIO CORSO DI STATISTICA E CALCOLO DELLE PROBABILITA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N ARGOMENTO: CALCOLO DELLE PROBABILITA

Dettagli

ALGEBRA I: CARDINALITÀ DI INSIEMI

ALGEBRA I: CARDINALITÀ DI INSIEMI ALGEBRA I: CARDINALITÀ DI INSIEMI 1. CONFRONTO DI CARDINALITÀ E chiaro a tutti che esistono insiemi finiti cioè con un numero finito di elementi) ed insiemi infiniti. E anche chiaro che ogni insieme infinito

Dettagli

Logica fuzzy e calcolo delle probabilità: due facce della stessa medaglia?

Logica fuzzy e calcolo delle probabilità: due facce della stessa medaglia? Logica fuzzy e calcolo delle probabilità: due facce della stessa medaglia? Danilo Pelusi 1 Gianpiero Centorame 2 Sunto: Il seguente articolo illustra le possibili analogie e differenze tra il calcolo delle

Dettagli

Matematica B - a.a 2006/07 p. 1

Matematica B - a.a 2006/07 p. 1 Matematica B - a.a 2006/07 p. 1 Definizione 1. Un sistema lineare di m equazioni in n incognite, in forma normale, è del tipo a 11 x 1 + + a 1n x n = b 1 a 21 x 1 + + a 2n x n = b 2 (1) = a m1 x 1 + +

Dettagli

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni.

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni. MATEMATICA. Sistemi lineari in due equazioni due incognite. Date due equazioni lineari nelle due incognite x, y come ad esempio { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un

Dettagli

Modelli Binomiali per la valutazione di opzioni

Modelli Binomiali per la valutazione di opzioni Modelli Binomiali per la valutazione di opzioni Rosa Maria Mininni a.a. 2014-2015 1 Introduzione ai modelli binomiali La valutazione degli strumenti finanziari derivati e, in particolare, la valutazione

Dettagli

Sommario. Corso di Statistica Facoltà di Economia. L'Algebra degli Eventi

Sommario. Corso di Statistica Facoltà di Economia. L'Algebra degli Eventi ommario Corso di tatistica Facoltà di Economia a.a. 2006-2007 2007 francesco mola L algebra degli eventi Diagrammi di Venn Teoremi fondamentali Probabilità Condizionata ed Indipendenza tocastica Lezione

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

Lezione 10. La Statistica Inferenziale

Lezione 10. La Statistica Inferenziale Lezione 10 La Statistica Inferenziale Filosofia della scienza Secondo Aristotele, vi sono due vie attraverso le quali riusciamo a formare le nostre conoscenze: (1) la deduzione (2) l induzione. Lezione

Dettagli

10. Insiemi non misurabili secondo Lebesgue.

10. Insiemi non misurabili secondo Lebesgue. 10. Insiemi non misurabili secondo Lebesgue. Lo scopo principale di questo capitolo è quello di far vedere che esistono sottoinsiemi di R h che non sono misurabili secondo Lebesgue. La costruzione di insiemi

Dettagli

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA 1. RICHIAMI SULLE PROPRIETÀ DEI NUMERI NATURALI Ho mostrato in un altra dispensa come ricavare a partire dagli assiomi di

Dettagli

DI D AGRA R MM M I M A BLOCC C H C I TEORI R A E D D E SERC R I C ZI 1 1

DI D AGRA R MM M I M A BLOCC C H C I TEORI R A E D D E SERC R I C ZI 1 1 DIAGRAMMI A BLOCCHI TEORIA ED ESERCIZI 1 1 Il linguaggio dei diagrammi a blocchi è un possibile formalismo per la descrizione di algoritmi Il diagramma a blocchi, o flowchart, è una rappresentazione grafica

Dettagli

Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera

Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi

Dettagli

2 Formulazione dello shortest path come problema di flusso

2 Formulazione dello shortest path come problema di flusso Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10 Lecture 20: 28 Maggio 2010 Cycle Monotonicity Docente: Vincenzo Auletta Note redatte da: Annibale Panichella Abstract In questa lezione

Dettagli

Proof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme

Proof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme G Pareschi Principio di induzione Il Principio di Induzione (che dovreste anche avere incontrato nel Corso di Analisi I) consente di dimostrare Proposizioni il cui enunciato è in funzione di un numero

Dettagli

4. Operazioni elementari per righe e colonne

4. Operazioni elementari per righe e colonne 4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Se a e b sono numeri interi, si dice che a divide b, in simboli: a b, se e solo se esiste c Z tale che b = ac. Si può subito notare che:

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y =

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y = ESERCIZI Testi (1) Un urna contiene 20 palline di cui 8 rosse 3 bianche e 9 nere; calcolare la probabilità che: (a) tutte e tre siano rosse; (b) tutte e tre bianche; (c) 2 rosse e una nera; (d) almeno

Dettagli

METODO DELLE FORZE 1. METODO DELLE FORZE PER LA SOLUZIONE DI STRUTTURE IPERSTATICHE. 1.1 Introduzione

METODO DELLE FORZE 1. METODO DELLE FORZE PER LA SOLUZIONE DI STRUTTURE IPERSTATICHE. 1.1 Introduzione METODO DELLE FORZE CORSO DI PROGETTZIONE STRUTTURLE a.a. 010/011 Prof. G. Salerno ppunti elaborati da rch. C. Provenzano 1. METODO DELLE FORZE PER L SOLUZIONE DI STRUTTURE IPERSTTICHE 1.1 Introduzione

Dettagli

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE 1 DIPENDENZA E INDIPENDENZA LINEARE Se ho alcuni vettori v 1, v 2,, v n in uno spazio vettoriale V, il sottospazio 1 W = v 1,, v n di V da loro generato è

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

Dettagli

Scelta sotto incertezza

Scelta sotto incertezza Scelta sotto incertezza 1. Introduzione Nei capitoli 1 e 2 della microeconomia standard si studia la scelta dei consumatori e dei produttori, che hanno un informazione perfetta sulle circostanze che caratterizzano

Dettagli

METODI ITERATIVI PER SISTEMI LINEARI

METODI ITERATIVI PER SISTEMI LINEARI METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione

Dettagli

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme 1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R

Dettagli

Esistenza di funzioni continue non differenziabili in alcun punto

Esistenza di funzioni continue non differenziabili in alcun punto UNIVERSITÀ DEGLI STUDI DI CAGLIARI FACOLTÀ DI SCIENZE MATEMATICHE, FISICHE E NATURALI CORSO DI LAUREA IN MATEMATICA Esistenza di funzioni continue non differenziabili in alcun punto Relatore Prof. Andrea

Dettagli

PRESENTARE UN IDEA PROGETTUALE

PRESENTARE UN IDEA PROGETTUALE PRESENTARE UN IDEA PROGETTUALE LINEE GUIDA PER UNA EFFICACE PRESENTAZIONE DI UN BUSINESS PLAN INTRODUZIONE ALLA GUIDA Questa breve guida vuole indicare in maniera chiara ed efficiente gli elementi salienti

Dettagli

Flusso a costo minimo e simplesso su reti

Flusso a costo minimo e simplesso su reti Flusso a costo minimo e simplesso su reti La particolare struttura di alcuni problemi di PL può essere talvolta utilizzata per la progettazione di tecniche risolutive molto più efficienti dell algoritmo

Dettagli

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione

Dettagli

Teoria dei giochi Gioco Interdipendenza strategica

Teoria dei giochi Gioco Interdipendenza strategica Teoria dei giochi Gioco Interdipendenza strategica soggetti decisionali autonomi con obiettivi (almeno parzialmente) contrapposti guadagno di ognuno dipende dalle scelte sue e degli altri Giocatori razionali

Dettagli

Indice generale. Modulo 1 Algebra 2

Indice generale. Modulo 1 Algebra 2 Indice generale Modulo 1 Algebra 2 Capitolo 1 Scomposizione in fattori. Equazioni di grado superiore al primo 1.1 La scomposizione in fattori 2 1.2 Raccoglimento a fattor comune 3 1.3 Raccoglimenti successivi

Dettagli

MATRICI E DETERMINANTI

MATRICI E DETERMINANTI MATRICI E DETERMINANTI 1. MATRICI Si ha la seguente Definizione 1: Un insieme di numeri, reali o complessi, ordinati secondo righe e colonne è detto matrice di ordine m x n, ove m è il numero delle righe

Dettagli

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1 LEZIONE 14 141 Dimensione di uno spazio vettoriale Abbiamo visto come l esistenza di una base in uno spazio vettoriale V su k = R, C, permetta di sostituire a V, che può essere complicato da trattare,

Dettagli

Appunti di Logica Matematica

Appunti di Logica Matematica Appunti di Logica Matematica Francesco Bottacin 1 Logica Proposizionale Una proposizione è un affermazione che esprime un valore di verità, cioè una affermazione che è VERA oppure FALSA. Ad esempio: 5

Dettagli

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE 1. EQUAZIONI Definizione: un equazione è un uguaglianza tra due espressioni letterali (cioè in cui compaiono numeri, lettere

Dettagli

IFRS 2 Pagamenti basati su azioni

IFRS 2 Pagamenti basati su azioni Pagamenti basati su azioni International Financial Reporting Standard 2 Pagamenti basati su azioni FINALITÀ 1 Il presente IRFS ha lo scopo di definire la rappresentazione in bilancio di una entità che

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

Convessità e derivabilità

Convessità e derivabilità Convessità e derivabilità Definizione 1 (convessità per funzioni derivabili) Sia f : (a, b) R derivabile su (a, b). Diremo che f è convessa o concava su (a, b) se per ogni 0 (a,b) il grafico di f sta tutto

Dettagli

Gli uni e gli altri. Strategie in contesti di massa

Gli uni e gli altri. Strategie in contesti di massa Gli uni e gli altri. Strategie in contesti di massa Alessio Porretta Universita di Roma Tor Vergata Gli elementi tipici di un gioco: -un numero di agenti (o giocatori): 1,..., N -Un insieme di strategie

Dettagli

TELECOMUNICAZIONI (TLC) Generico sistema di telecomunicazione (TLC) Trasduttore. Attuatore CENNI DI TEORIA (MATEMATICA) DELL INFORMAZIONE

TELECOMUNICAZIONI (TLC) Generico sistema di telecomunicazione (TLC) Trasduttore. Attuatore CENNI DI TEORIA (MATEMATICA) DELL INFORMAZIONE TELECOMUNICAZIONI (TLC) Tele (lontano) Comunicare (inviare informazioni) Comunicare a distanza Generico sistema di telecomunicazione (TLC) Segnale non elettrico Segnale elettrico TRASMESSO s x (t) Sorgente

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

Funzioni in più variabili

Funzioni in più variabili Funzioni in più variabili Corso di Analisi 1 di Andrea Centomo 27 gennaio 2011 Indichiamo con R n, n 1, l insieme delle n-uple ordinate di numeri reali R n4{(x 1, x 2,,x n ), x i R, i =1,,n}. Dato X R

Dettagli

1 LA CORRENTE ELETTRICA CONTINUA

1 LA CORRENTE ELETTRICA CONTINUA 1 LA CORRENTE ELETTRICA CONTINUA Un conduttore ideale all equilibrio elettrostatico ha un campo elettrico nullo al suo interno. Cosa succede se viene generato un campo elettrico diverso da zero al suo

Dettagli

Quando A e B coincidono una coppia ordinata é determinata anche dalla loro posizione.

Quando A e B coincidono una coppia ordinata é determinata anche dalla loro posizione. Grafi ed Alberi Pag. /26 Grafi ed Alberi In questo capitolo richiameremo i principali concetti di due ADT che ricorreranno puntualmente nel corso della nostra trattazione: i grafi e gli alberi. Naturale

Dettagli

i tassi di interesse per i prestiti sono gli stessi che per i depositi;

i tassi di interesse per i prestiti sono gli stessi che per i depositi; Capitolo 3 Prodotti derivati: forward, futures ed opzioni Per poter affrontare lo studio dei prodotti derivati occorre fare delle ipotesi sul mercato finanziario che permettono di semplificare dal punto

Dettagli

FORWARD RATE AGREEMENT

FORWARD RATE AGREEMENT FORWARD RATE AGREEMENT FLAVIO ANGELINI. Definizioni In generale, un contratto a termine o forward permette una compravendita di una certa quantità di un bene differita a una data futura a un prezzo fissato

Dettagli

Teoria degli insiemi

Teoria degli insiemi Teoria degli insiemi pag 1 Easy Matematica di dolfo Scimone Teoria degli insiemi Il concetto di insieme si assume come primitivo, cioè non riconducibile a concetti precedentemente definiti. Sinonimi di

Dettagli

Guido Candela, Paolo Figini - Economia del turismo, 2ª edizione

Guido Candela, Paolo Figini - Economia del turismo, 2ª edizione 8.2.4 La gestione finanziaria La gestione finanziaria non dev essere confusa con la contabilità: quest ultima, infatti, ha come contenuto proprio le rilevazioni contabili e il reperimento dei dati finanziari,

Dettagli

APPLICAZIONI LINEARI

APPLICAZIONI LINEARI APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)

Dettagli

Lezioni di STATISTICA MATEMATICA A

Lezioni di STATISTICA MATEMATICA A Università di Modena e Reggio Emilia Facoltà di Ingegneria Lezioni di STATISTICA MATEMATICA A Corso di Laurea in Ingegneria Meccanica Corso di Laurea in Ingegneria dei Materiali - Anno Accademico 010/11

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

Esercizi su lineare indipendenza e generatori

Esercizi su lineare indipendenza e generatori Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v

Dettagli

Lo schema di Bernoulli (o delle prove indipendenti): un esempio di modello probabilistico applicabile a diversi contesti

Lo schema di Bernoulli (o delle prove indipendenti): un esempio di modello probabilistico applicabile a diversi contesti Lo schema di Bernoulli (o delle prove indipendenti): un esempio di modello probabilistico applicabile a diversi contesti Rita Giuliano (Pisa) 0. Introduzione. È ormai acquisizione comune il fatto che uno

Dettagli

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

Esempi introduttivi Variabili casuali Eventi casuali e probabilità

Esempi introduttivi Variabili casuali Eventi casuali e probabilità Esempi introduttivi Esempio tipico di problema della meccanica razionale: traiettoria di un proiettile. Esempio tipico di problema idraulico: altezza d'acqua corrispondente a una portata assegnata. Come

Dettagli

Analisi statistica di dati biomedici Analysis of biologicalsignals

Analisi statistica di dati biomedici Analysis of biologicalsignals Analisi statistica di dati biomedici Analysis of biologicalsignals II Parte Verifica delle ipotesi (a) Agostino Accardo (accardo@units.it) Master in Ingegneria Clinica LM in Neuroscienze 2013-2014 e segg.

Dettagli

Introduzione alla probabilità

Introduzione alla probabilità Introduzione alla probabilità CAPITOLO TEORIA Il dilemma di Monty Hall In un popolare show televisivo americano il presentatore mostra al concorrente tre porte chiuse. Dietro a una di esse si cela il premio

Dettagli

Esercizi di consolidamento di probabilità e calcolo combinatorio parte 1

Esercizi di consolidamento di probabilità e calcolo combinatorio parte 1 Esercizi di consolidamento di probabilità e calcolo combinatorio parte 1 1. Si lancia una moneta 2 volte: qual è la probabilità che esca TESTA 0 volte? 1 volta? 2 volte? 2. Si lancia una moneta 3 volte:

Dettagli

A i è un aperto in E. i=1

A i è un aperto in E. i=1 Proposizione 1. A è aperto se e solo se A c è chiuso. Dimostrazione. = : se x o A c, allora x o A = A o e quindi esiste r > 0 tale che B(x o, r) A; allora x o non può essere di accumulazione per A c. Dunque

Dettagli

Percorsi di matematica per il ripasso e il recupero

Percorsi di matematica per il ripasso e il recupero Giacomo Pagina Giovanna Patri Percorsi di matematica per il ripasso e il recupero 1 per la Scuola secondaria di secondo grado UNITÀ CMPIONE Edizioni del Quadrifoglio à t i n U 1 Insiemi La teoria degli

Dettagli

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

Dall italiano alla logica proposizionale

Dall italiano alla logica proposizionale Rappresentare l italiano in LP Dall italiano alla logica proposizionale Sandro Zucchi 2009-10 In questa lezione, vediamo come fare uso del linguaggio LP per rappresentare frasi dell italiano. Questo ci

Dettagli

OIC 23 - Lavori in corso su ordinazione

OIC 23 - Lavori in corso su ordinazione Luca Bilancini (Commercialista, Pubblicista, coordinatore scientifico MAP) OIC 23 - Lavori in corso su ordinazione 1 OIC 23 - Principali novità Non ci sono più i paragrafi relativi alle commesse in valuta

Dettagli

Materiale di approfondimento: numeri interi relativi in complemento a uno

Materiale di approfondimento: numeri interi relativi in complemento a uno Materiale di approfondimento: numeri interi relativi in complemento a uno Federico Cerutti AA. 2011/2012 Modulo di Elementi di Informatica e Programmazione http://apollo.ing.unibs.it/fip/ 2011 Federico

Dettagli

ANALISI DEGLI SCOSTAMENTI DI COSTO E DI RICAVO

ANALISI DEGLI SCOSTAMENTI DI COSTO E DI RICAVO ATTIVITÀ DIDATTICHE 1 Prova di verifica ANALISI DEGLI SCOSTAMENTI DI COSTO E DI RICAVO di Rossana MANELLI MATERIA: ECONOMIA AZIENDALE (Classe 5 a IT IGEA, 5 a IP Economico - gestionale) La prova, indirizzata

Dettagli

DISTRIBUZIONE di PROBABILITA. Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che può assumere i

DISTRIBUZIONE di PROBABILITA. Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che può assumere i DISTRIBUZIONE di PROBABILITA Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che uò assumere i valori: ; ;, n al verificarsi degli eventi incomatibili e comlementari: E ; E ;..;

Dettagli

1. Intorni di un punto. Punti di accumulazione.

1. Intorni di un punto. Punti di accumulazione. 1. Intorni di un punto. Punti di accumulazione. 1.1. Intorni circolari. Assumiamo come distanza di due numeri reali x e y il numero non negativo x y (che, come sappiamo, esprime la distanza tra i punti

Dettagli

Rappresentazione dei numeri in un calcolatore

Rappresentazione dei numeri in un calcolatore Corso di Calcolatori Elettronici I A.A. 2010-2011 Rappresentazione dei numeri in un calcolatore Lezione 2 Università degli Studi di Napoli Federico II Facoltà di Ingegneria Rappresentazione dei numeri

Dettagli

Capitolo 8 - Introduzione alla probabilità

Capitolo 8 - Introduzione alla probabilità Appunti di Teoria dei Segnali Capitolo 8 - Introduzione alla probabilità Concetti preliminari di probabilità... Introduzione alla probabilità... Deinizione di spazio degli eventi... Deinizione di evento...

Dettagli

Seconda Prova di Ricerca Operativa. Cognome Nome Numero Matricola A 1/12 A 2/12

Seconda Prova di Ricerca Operativa. Cognome Nome Numero Matricola A 1/12 A 2/12 A / A / Seconda Prova di Ricerca Operativa Cognome Nome Numero Matricola Nota: LA RISOLUZIONE CORRETTA DEGLI ESERCIZI CONTRADDISTINTI DA UN ASTERISCO È CONDIZIONE NECESSARIA PER IL RAGGIUNGIMENTO DELLA

Dettagli

1 n. Intero frazionato. Frazione

1 n. Intero frazionato. Frazione Consideriamo un intero, prendiamo un rettangolo e dividiamolo in sei parti uguali, ciascuna di queste parti rappresenta un sesto del rettangolo, cioè una sola delle sei parti uguali in cui è stato diviso.

Dettagli

Dall italiano al linguaggio della logica proposizionale

Dall italiano al linguaggio della logica proposizionale Dall italiano al linguaggio della logica proposizionale Dall italiano al linguaggio della logica proposizionale Enunciati atomici e congiunzione In questa lezione e nelle successive, vedremo come fare

Dettagli

Introduzione alla Teoria dei Giochi

Introduzione alla Teoria dei Giochi Introduzione alla Teoria dei Giochi A. Agnetis Questi appunti presentano alcuni concetti introduttivi fondamentali di Teoria dei Giochi. Si tratta di appunti pensati per studenti di Ingegneria Gestionale

Dettagli

Logica Numerica Approfondimento 1. Minimo Comune Multiplo e Massimo Comun Divisore. Il concetto di multiplo e di divisore. Il Minimo Comune Multiplo

Logica Numerica Approfondimento 1. Minimo Comune Multiplo e Massimo Comun Divisore. Il concetto di multiplo e di divisore. Il Minimo Comune Multiplo Logica Numerica Approfondimento E. Barbuto Minimo Comune Multiplo e Massimo Comun Divisore Il concetto di multiplo e di divisore Considerato un numero intero n, se esso viene moltiplicato per un numero

Dettagli

8. Qual è la probabilità di estrarre da un mazzo di 40 carte napoletane una figura?

8. Qual è la probabilità di estrarre da un mazzo di 40 carte napoletane una figura? www.matematicamente.it Probabilità 1 Calcolo delle probabilità Cognome e nome: Classe Data 1. Quali affermazioni sono vere? A. Un evento impossibile ha probabilità 1 B. Un vento certo ha probabilità 0

Dettagli

DICHIARAZIONE UNIVERSALE DEI DIRITTI DELL'UOMO DEL 1948

DICHIARAZIONE UNIVERSALE DEI DIRITTI DELL'UOMO DEL 1948 DICHIARAZIONE UNIVERSALE DEI DIRITTI DELL'UOMO DEL 1948 PREAMBOLO Considerato che il riconoscimento della dignità inerente a tutti i membri della famiglia umana, e dei loro diritti, uguali ed inalienabili,

Dettagli

Nel triangolo disegnato a lato, qual è la misura, in gradi e primi sessagesimali, di α?

Nel triangolo disegnato a lato, qual è la misura, in gradi e primi sessagesimali, di α? QUESITO 1 Nel triangolo disegnato a lato, qual è la misura, in gradi e primi sessagesimali, di α? Applicando il Teorema dei seni si può determinare il valore di senza indeterminazione, in quanto dalla

Dettagli

ELASTICITÀ. Sarebbe conveniente per il produttore aumentare ulteriormente il prezzo nella stessa misura del caso

ELASTICITÀ. Sarebbe conveniente per il produttore aumentare ulteriormente il prezzo nella stessa misura del caso Esercizio 1 Data la funzione di domanda: ELASTICITÀ Dire se partendo da un livello di prezzo p 1 = 1.5, al produttore converrà aumentare il prezzo fino al livello p 2 = 2. Sarebbe conveniente per il produttore

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

Esercizi per il corso di Algoritmi e Strutture Dati

Esercizi per il corso di Algoritmi e Strutture Dati 1 Esercizi per il corso di Algoritmi e Strutture Dati Esercizi sulla Tecnica Divide et Impera N.B. Tutti gli algoritmi vanno scritti in pseudocodice (non in Java, né in C++, etc. ). Di tutti gli algoritmi

Dettagli

La funzione è continua nel suo dominio perchè y = f(x) è composizione di funzioni continue. Il punto x = 0 è un punto isolato per D f.

La funzione è continua nel suo dominio perchè y = f(x) è composizione di funzioni continue. Il punto x = 0 è un punto isolato per D f. FUNZIONI CONTINUE - ALCUNI ESERCIZI SVOLTI SIMONE ALGHISI 1. Continuità di una funzione Dati un insieme D R, una funzione f : D R e x 0 R, si è detto che f è continua in x 0 se sono soddisfatte le seguenti

Dettagli

Funzione reale di variabile reale

Funzione reale di variabile reale Funzione reale di variabile reale Siano A e B due sottoinsiemi non vuoti di. Si chiama funzione reale di variabile reale, di A in B, una qualsiasi legge che faccia corrispondere, a ogni elemento A x A

Dettagli

Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali.

Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali. CAPITOLO 7 Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali. Esercizio 7.1. Determinare il rango delle seguenti matrici al variare del parametro t R. 1 4 2 1 4 2 A 1 = 0 t+1 1 A 2 = 0 t+1 1

Dettagli

4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale

4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale 4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale Spazi Metrici Ricordiamo che uno spazio metrico è una coppia (X, d) dove X è un insieme e d : X X [0, + [ è una funzione, detta metrica,

Dettagli

su web che riportano documentazione e software dedicati agli argomenti trattati nel libro, riportandone, alla fine dei rispettivi capitoli, gli

su web che riportano documentazione e software dedicati agli argomenti trattati nel libro, riportandone, alla fine dei rispettivi capitoli, gli Prefazione Non è facile definire che cosa è un problema inverso anche se, ogni giorno, facciamo delle operazioni mentali che sono dei metodi inversi: riconoscere i luoghi che attraversiamo quando andiamo

Dettagli

Può la descrizione quantomeccanica della realtà fisica considerarsi completa?

Può la descrizione quantomeccanica della realtà fisica considerarsi completa? Può la descrizione quantomeccanica della realtà fisica considerarsi completa? A. Einstein, B. Podolsky, N. Rosen 25/03/1935 Abstract In una teoria completa c è un elemento corrispondente ad ogni elemento

Dettagli

Statistica. Lezione 6

Statistica. Lezione 6 Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante

Dettagli

Esercizio 1. Svolgimento

Esercizio 1. Svolgimento Esercizio 1 Vengono lanciate contemporaneamente 6 monete. Si calcoli: a) la probabilità che si presentino esattamente 2 testa ; b) la probabilità di ottenere almeno 4 testa ; c) la probabilità che l evento

Dettagli

Anello commutativo. Un anello è commutativo se il prodotto è commutativo.

Anello commutativo. Un anello è commutativo se il prodotto è commutativo. Anello. Un anello (A, +, ) è un insieme A con due operazioni + e, dette somma e prodotto, tali che (A, +) è un gruppo abeliano, (A, ) è un monoide, e valgono le proprietà di distributività (a destra e

Dettagli

Compito di SISTEMI E MODELLI. 19 Febbraio 2015

Compito di SISTEMI E MODELLI. 19 Febbraio 2015 Compito di SISTEMI E MODELLI 9 Febbraio 5 Non é ammessa la consultazione di libri o quaderni. Le risposte vanno giustificate. Saranno rilevanti per la valutazione anche l ordine e la chiarezza di esposizione.

Dettagli

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA Esercizi su eventi, previsioni e probabilità condizionate Nota: Alcuni esercizi sono tradotti, più o meno fedelmente, dal libro A first course in probability

Dettagli

Corso di Matematica finanziaria

Corso di Matematica finanziaria Corso di Matematica finanziaria modulo "Fondamenti della valutazione finanziaria" Eserciziario di Matematica finanziaria Università degli studi Roma Tre 2 Esercizi dal corso di Matematica finanziaria,

Dettagli