()Probablità, Statistica e Processi Stocastici
|
|
- Cornelia Zanetti
- 4 anni fa
- Visualizzazioni
Transcript
1 Probablità, Statistica e Processi Stocastici
2 Riassunto Abbiamo introdotto le equazioni differenziali stocastiche, equazioni del tipo dx t = b (t, X t ) dt + σdb t (o un po più generali) dove B t è il moto browniano, ovvero db t /dt è il white noise. Abbiamo effettuato alcune simulazioni di singole realizzazioni. Abbiamo sviluppato il calcolo di Itô. Invece, circa valori medi delle soluzioni, abbiamo visto poco (solo l esempio delle energia media).
3 Studio della pdf delle soluzioni Se X t è la soluzione di un equazione differenziale stocastica, tra le cose che ci interessano maggiormente c è la densità di probabilità di X t, a t fissato. Dal punto di vista teorico, non sempre la densità esiste; ci sono casi singolari in cui X t concentra dalla massa in qualche punto. Si pensi ad esempio al caso X t = b (X t ). on occupiamoci però della (non banale) questione dell esistenza della densità, confidando che nei nostri esempi essa ci sia. Poniamoci il problema concreto di conoscerla, esattamente o approssimativamente. Vediamo due metodi: uno simulativo ed uno più analitico.
4 La pdf delle soluzioni tramite Monte Carlo Il metodo simulativo è semplicissimo: si generano simulazioni (usando realizzazioni indipendenti del noise) fino ad un dato tempo t e poi, graficamente, si traccia l istogramma. Oltre all istogramma, possono interessare i valori di certe probabilità e valori medi. Il loro calcolo si basa sulla: Theorem (Legge dei Grandi umeri) Se X 1, X 2,... è una successione di v.a. indipendenti ed identicamente ditribuite, con media finita µ, allora lim 1 X i = µ i=1 (limite quasi ( certo, oppure in probabilità: ) per ogni ɛ > 0, 1 lim P i=1 X i µ > ɛ = 0). ranco Flandoli, Università di Pisa
5 L errore di Monte Carlo Se il momento secondo è finito, si verifica facilmente che E 1 2 X i µ = σ2 i=1 dove σ 2 è la varianza, comune, delle X i. Quindi, un po approssimativamente, 1 X i µ σ. i=1 (Esercizio: verificare nel caso dell energia media)
6 La pdf delle soluzioni tramite Monte Carlo Quindi, immaginiamo di risolvere un equazione differenziale stocastica immettendo volta per volta dei moti browniani indipendenti Bt 1, Bt 2,...: dxt i = b ( t, Xt i ) dt + σdb i t con un dato iniziale fissato X i 0 = x 0. Le soluzioni sono anch esse indipendenti. E sono identicamente ditribuite (è la stessa equazione). Fissato t, le v.a. X 1 t, X 2 t,... sono indipendenti ed identicamente ditribuite. Quindi 1 φ ( X i ) t E [φ (Xt )]. i=1
7 La pdf delle soluzioni tramite Monte Carlo Ad esempio, scegliendo diverse φ: se φ (x) = x troviamo la media 1 Xt i E [X t ]. i=1 se φ (x) = H (x λ) (vedi esercitazione), cioè φ (x) = 1 se x > λ, zero altrimenti, allora card { i = 1,..., : Xt i > λ } P (X t > λ). Quest ultima formula si capisce anche pensando a "frequenza relativa probabilità".
8 Esempio lineare Equazione dx t = X t dt db t, X 0 = 1 Con = (quindi errore 0.01), tempo t = 1 P ( X 1 > e 1)
9 Esempio nonlineare Equazione dx t = ( X t Xt 3 ) dt dbt Con = 1000 (quindi errore 0.03), tempo t = 100 P (X 100 > 0)
10 Sulla pdf di una SDE Abbiamo considerato equazioni differenziali stocastiche della forma dx t = b (t, X t ) dt + σ (t, X t ) db t Per avere informazioni quantitative sulla densità di probabilità (pdf) di X t si può usare il metodo di Monte Carlo. Ad esempio E [X t ] 1 Xt i i=1 dove X i t, i = 1,...,, sono ottenute da diverse simulazioni indipendenti. L istogramma dei valori X i t, i = 1,...,, è un approssimazione della pdf p t (x).
11 L equazione di Fokker-Planck Sotto opportune ipotesi vale il seguente risultato: Theorem La pdf p t (x) di X t soddisfa l equazione p t = 1 d 2 i j (a ij p) div (bp) i,j=1 dove a ij = σ ik σ jk k i = d, div v = x i i v i. i=1 ranco Flandoli, Università di Pisa
12 Casi particolari di equazione di Fokker-Planck Familiarizziamo coi simboli. Intanto, in dimensione d = 1, a ij = a = σ 2. L equazione è semplicemente p t = 1 ( σ 2 p ) 2 x 2 (bp). x el caso di noise additivo, σ (t, x) = σ costante, p t = σ2 2 p 2 x 2 (bp). x Anche in più dimensioni, noise additivo, σ (t, x) = σi p t = σ2 p div (bp). 2
13 Condizione iniziale Come ogni equazione alle derivate parziali con t, necessita di una condizione iniziale nota, al tempo t = 0: p 0 (x). Essa è la densità della v.a. iniziale della SDE, X 0. Spesso X 0 è un punto deterministico fissato, x 0. In questo caso, non ha una vera densità, nel senso usuale del termine. Il dato iniziale p 0 (x), in tal caso, è la delta di Dirac in x 0 : p 0 (x) = δ (x x 0 ). Sotto ipotesi abbastanza generali, la soluzione p t (x) è però una funzione regolare, per t > 0 (fenomeno di regolarizzazione parabolica).
14 Esempio del moto browniano Vediamo la SDE particolarissima, in dimensione 1, dx t = σdb t, X 0 = 0 L equazione di Fokker-Planck associata è La funzione p t = σ2 2 p 2 x 2, p 0 (x) = δ (x). p t (x) = ( 1 2πσ 2 t exp x 2 ) 2σ 2 t è soluzione (verifica noiosa ma elementare).
15 Esempio dell equazione lineare Esaminiamo dx t = λx t dt + σdb t, X 0 = x 0. L equazione di Fokker-Planck associata è p t = σ2 2 p 2 x 2 + λ (xp), p 0 (x) = δ (x x 0 ). x Infatti, b (x) = λx. Si può cercare una soluzione della forma ( ) p t (x) = C (t) exp 1 (x m (t)) 2 2 σ (t) 2 e, con opportuni calcoli, la si trova (una gaussiana con media e varianza variabili nel tempo).
16 Simulazioni. Discretizzazione spaziale Purtroppo non si va molto oltre questi esempi, se si vogliono soluzioni esplicite. Vediamo invece alcune simulazioni, limitatamente a d = 1. Usiamo un metodo elementare: discretizziamo lo spazio (che è infinito) tramite un insieme finito di valori x i (ad esempio prendiamo un grande intervallo [ L, L] e lo suddividiamo in parti uguali con x punti, detti x i ) discretizziamo la derivata prima f x con f x (x i ) f (x i+1) f (x i ) h x dove h x è il passo spaziale di discretizzazione (per i nostri scopi è indifferente prendere altri incrementi)
17 Simulazioni. Discretizzazione spaziale discretizziamo la derivata seconda 2 f x 2 con 2 f x 2 (x i ) f (x i+1) 2f (x i ) + f (x i 1 ) hx 2 nota: la formula proviene da: [ 1 f (xi+1 ) f (x i ) f (x ] i ) f (x i 1 ) h x h x h x infine dobbiamo fissare delle condizioni al bordo; questo al momento non si capisce, ma risulterà chiaro scrivendo il codice. Prenderemo la condizione di flusso nullo, f x = 0, una delle più neutre, ovvero f (x i+1 ) = f (x i ) (tra punti vicini al bordo). Per i nostri scopi si potrebbe anche prendere f = 0 sul bordo.
18 Simulazioni. Discretizzazione temporale Il tempo si discretizza analogamente, arrivando, ad es. per l equazione p t = σ2 2 p 2, allo schema esplicito x 2 p tk+1 (x i ) p tk (x i ) h t = σ2 2 p tk (x i+1 ) p tk (x i ) + p tk (x i 1 ) h 2 x che calcola p tk+1 (x i ) a partire da p tk (x i+1 ), p tk (x i ), p tk (x i 1 ) (per questo servono delle condizioni al bordo) Serve la condizione di stabilità σ 2 2 h t hx
19 Esempio del MB Prendiamo il caso p tk+1 (x i ) p tk (x i ) h t dx t = σdb t, X 0 = 0 p t = σ2 2 p 2 x 2 = σ2 2 p tk (x i+1 ) p tk (x i ) + p tk (x i 1 ) h 2 x Approssimiamo il dato iniziale con una funzione molto concentrata di area uno: 1 exp ( x 2 ). 2πɛ 2ɛ
()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Discretizzazione equazione del calore Per l equazione usiamo lo schema esplicito p tk+1 (x i ) p tk (x i ) h t p t = σ2 2 p 2 x 2 = σ2 2 p tk (x i+1 ) p tk
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Energia immessa da un white noise Ricordiamo la motivazione applicativa della volta scorsa: un white noise additivo, messo in un equazione che nel caso deterministico
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Premessa Scopo delle seguenti simulazioni è trovare dei modelli con forti fluttuazioni ma valori compresi in un intervallo specificato. Tali processi vengono
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Generica motivazione di un noise additivo Supponiamo che, in prima approssimazione, il nostro sistema fisico sia descritto da X (t) = f (t, X (t)). Supponiamo
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Dinamiche stocastiche Iniziamo la seconda parte del corso, non più dedicata a metodi statistici ma ad alcuni esempi di dinamiche stocastiche. Esse potrebbero
DettagliEsercizi su formula di Itô
Esercizi su formula di Itô 1. Scrivere il differenziale stocastico dei seguenti processi: (i) X t = B t (ii) X t = t + e B t (iii) X t = B 3 t 3tB t (iv) X t = 1 + t + e B t (v) X t = [B 1 (t)] + [B (t)]
DettagliIstituzioni di Probabilità Laurea magistrale in Matematica prova scritta del 2/12/2013
Istituzioni di Probabilità Laurea magistrale in Matematica prova scritta del /1/13 Exercise 1 punti 1 circa Un foglio browniano è un processo gaussiano a valori reali X s, t, indicizzato da s, t in [,
DettagliIstituzioni di Probabilità Laurea magistrale in Matematica 16 Febbraio 2015
Istituzioni di Probabilità Laurea magistrale in Matematica 16 Febbraio 15 sercizio 1. (punti 1 ) ) Basandosi sul noto concetto di integrale di Itô, ogni studente esponga, preliminarmente, una ragionevole
DettagliProblemi parabolici. u(0, t) = u(l, t) = 0 t (1)
Problemi parabolici L esempio più semplice di equazione differenziale di tipo parabolico è costituito dall equazione del calore, che in una dimensione spaziale è data da u t (x, t) ku xx (x, t) = x [,
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Serie storiche (verso fpca) La tecnica chiamata fpca (functional PCA) esamina serie storiche utilizzando paradigmi propri di PCA. E utile premettere un po di
DettagliIstituzioni di Probabilità - A.A
Istituzioni di Probabilità - A.A. 25-26 Prima prova di verifica intermedia - 29 aprile 25 Esercizio. Sia (X n ) n una successione di v.a. i.i.d. centrate con < X P-q.c., sia λ R ed F una v.a. integrabile
DettagliIstituzioni di Probabilità Laurea magistrale in Matematica a.a. 2013/14 Registro delle lezioni
Istituzioni di Probabilità Laurea magistrale in Matematica a.a. 2013/14 Registro delle lezioni Lezione 1 (25/2). Introduzione al corso. Prime definizioni sui processi stocastici (processo stocastico, distribuzioni
DettagliCorrezione di Esercizi 4 di Calcolo delle Probabilità e Statistica. Mercoledì 4 maggio 2016
Correzione di Esercizi di Calcolo delle Probabilità e Statistica. Mercoledì maggio 6 Chun Tian. Answer of Exercise Figure. Catena di Markov.. (a) Le classi di equivalenza e i loro periodi. Da Figure, si
DettagliCorsi di Laurea Magistrale in Matematica, A.A Calcolo stocastico e applicazioni (Docente: Bertini) Esercizi settimanali
Settimana 1 Esercizio 1. [Unicità della misura di Wiener] Sia C([0, 1]) l insieme delle funzioni continue sull intervallo [0, 1] con la topologia (metrizzabile) indotta dalla convergenza uniforme. Sia
DettagliStatistica I. Ingegneria Gestionale. Scritto del 17/07/2012
Statistica I. Ingegneria Gestionale. Scritto del 17/07/01 Cerchiare, su questo foglio, le risposte corrette e risolvere per esteso gli esercizi sui fogli assegnati. Esercizio 1. Un operatore finanziario
DettagliProbabilità, Statistica e Processi Stocastici Scuola di Dottorato in Ingegneria Leonardo da Vinci a.a. 2011/12 Registro delle lezioni
Probabilità, Statistica e Processi Stocastici Scuola di Dottorato in Ingegneria Leonardo da Vinci a.a. 2011/12 Registro delle lezioni Lezione 1 (2/3). Introduzione al corso; materiale e comunicazioni alla
DettagliProbablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Franco Flandoli, Università di Pisa Programma del corso vettori gaussiani, PCA ed fpca altri metodi di analisi e previsione di serie storiche catene di Markov
DettagliIstituzioni di Probabilità Laurea magistrale in Matematica prova scritta del 22/7/2013
Istituzioni di Probabilità Laurea magistrale in Matematica prova scritta del 22/7/213 Exercise 1 (punti 1 circa Diremo che un processo X = (X t t [,1] a valori reali è un ponte browniano se è un processo
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
DettagliScheda n.3: densità gaussiana e Beta
Scheda n.3: densità gaussiana e Beta October 10, 2008 1 Definizioni generali Chiamiamo densità di probabilità (pdf ) ogni funzione integrabile f (x) definita per x R tale che i) f (x) 0 per ogni x R ii)
DettagliESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE
ESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114 7 Maggio 2013 Esercizio
DettagliAnalisi Stocastica Programma del corso 2009/10
Analisi Stocastica Programma del corso 2009/10 [13/01a] Introduzione. 0. Preludio (1 ora) [1] Descrizione del corso: obiettivi, prerequisiti, propedeuticità. Un esempio euristico: lavoro di una forza,
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 29 maggio, 2012 CP110 Probabilità: Esonero 2 Testo e soluzione 1. (8 punti) La freccia lanciata da un arco è distribuita uniformemente
DettagliVerso l integrale stocastico
Verso l integrale stocastico Una versione più corretta di è la sua forma integrale ds(t) = σs(t)dx(t) + µs(t)dt S(t) = S() + σs(u)db(u) + µs(u)du Ricordando che S è un processo che descrive la dinamica
DettagliAnalisi Stocastica Programma del corso 2008/09
Analisi Stocastica Programma del corso 2008/09 [13/01] Introduzione. 0. Preludio (1 ora) [1] Descrizione del corso: obiettivi, prerequisiti, propedeuticità. Un esempio euristico: lavoro di una forza, valore
DettagliIstituzioni di Probabilità Laurea magistrale in Matematica prova scritta del 14/2/2013
Istituzioni di Probabilità Laurea magistrale in Matematica prova scritta del 14/2/213 Exercise 1. punti 9+) Sia X = X t, x)) t,x un processo stocastico a valori reali, avente come parametro la coppia t,
DettagliMassimi e minimi vincolati
Massimi e minimi vincolati Vedremo tra breve un metodo per studiare il problema di trovare il minimo e il massimo di una funzione su di un sottoinsieme dello spazio ambiente che non sia un aperto. Abbiamo
DettagliProgramma della parte introduttiva: Lezione 5
Programma della parte introduttiva: Lezione 5 Cap. 3 Presentazione e confronto tra misure Cap. 4 Propagazione delle incertezze Cap 5 Misure ripetute e stimatori Cap.6 Organizzazione e presentazione dei
DettagliZero-coupon bond e tassi di interesse a breve termine
Zero-coupon bond e tassi di interesse a breve termine Definizione. Uno zero-coupon bond con data di maturità T > 0, detto anche T -bond, è un contratto che prevede il pagamento alla scadenza T del suo
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
DettagliCorso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino)
Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino Prova di mercoledì 22 Settembre 24 (tempo a disposizione: 2 ore e 4 minuti. consegna compiti e inizio
DettagliProbablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Franco Flandoli, Università di Pisa Matrice di covarianza Dato un vettore aleatorio (anche non gaussiano) X = (X 1,..., X n ), chiamiamo sua media il vettore
DettagliTeoria dei Segnali Un esempio di processo stocastico: il rumore termico
Teoria dei Segnali Un esempio di processo stocastico: il rumore termico Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it Teoria dei Segnali Il rumore
DettagliMetodi Stocastici per la Finanza
Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2012-2013 Lezione 2 Indice 1 Dal modello alla formula di Black-Scholes 2 Calibrazione
Dettagli1 Punti di equilibrio e stabilità: definizioni
ASPETTI QUALITATIVI DELLA TEORIA DELLE EQUAZIONI DIFFERENZIALI (Schema del contenuto delle lezioni e riferimenti bibliografici) Testi [HS] M. Hirsch and S. Smale Differential Equations, Dynamical Systems
DettagliEsercizi su equazioni differenziali stocastiche e teorema di Girsanov (con soluzioni)
Esercizi su equazioni differenziali stocastiche e teorema di Girsanov con soluzioni). Moto Browniano geometrico Per r, σ >, si consideri l EDS lineare con coeff. costanti: dx t rx t dt + σx t db t, X x
Dettagliesiste. Esempio 3. La successione e x2 /n 2 è regolare. In questo caso il limite è
9.2. Funzioni generalizzate e integrali regolarizzati. 9.2.. Funzioni generalizzate. Lasciamo per un momento da parte l analisi complessa e occupiamoci di un argomento che prima o poi spunta fuori in un
DettagliX n = αx n 1 + Y n. Si dimostri che. Usando la precedente relazione si dimostri che. e che. e si determini il limite di media e varianza quando n +.
Problema 1. Siano X, Y 1, Y,... variabili aleatorie indipendenti. Si supponga che X abbia media m e varianza σ e che le Y i abbiano distribuzione gaussiana con media µ e varianza σ. Dato α in (, 1, si
DettagliDerivazione Numerica
Derivazione Numerica I metodi alle differenze finite sono basati sull approssimazione numerica di derivate parziali. Per questo consideriamo come problema iniziale quello di approssimare le derivate di
DettagliCapitolo 6. Variabili casuali continue. 6.1 La densità di probabilità
Capitolo 6 Variabili casuali continue Le definizioni di probabilità che abbiamo finora usato sono adatte solo per una variabile casuale che possa assumere solo valori discreti; vediamo innanzi tutto come
DettagliESAME SCRITTO DI FISICA MODERNA. 22 giugno Traccia di soluzione
ESAME SCRITTO DI FISICA MODERNA giugno 08 Traccia di soluzione ) Ponendo α = /σ ), il valore medio della posizione è + ψ ˆx ψ = dx ψ ˆx x x ψ = dx ψ x)xψx) = α + dx x e αx x 0), ) e con un semplice cambio
DettagliStima puntuale di parametri
Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Stima puntuale di parametri Ines Campa Probabilità e Statistica -
DettagliIII Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2013/14 Nome: 16 luglio
III Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 013/14 Nome: 16 luglio 014 Email: Quando non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliElementi di Probabilità e Statistica, A.A
Elementi di Probabilità e Statistica, A.A. 5-6 Prova scritta - febbraio 6 Problema. 3+3+3 punti) In un sistema di lettura automatica - da parte di un computer - di testi scritti a mano scannerizzati, le
DettagliElementi di Probabilità e Statistica - 052AA - A.A
Elementi di Probabilità e Statistica - 5AA - A.A. 4-5 Prova scritta - 4 settembre 5 Problema. Tornato a casa dal supermercato con la spesa, Alberto racconta ai suoi co-inquilini Bruno e Carlo che si potrebbe
DettagliValutazione incertezza di categoria B
Valutazione incertezza di categoria B La valutazione consiste nell assegnare alla grandezza x uno scarto tipo σ in base alle informazioni disponibili Le informazioni riguardano: ) Gli estremi dell intervallo
DettagliSimulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
DettagliMODELLI STATISTICI, RICHIAMI
MODELLI STATISTICI, RICHIAMI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 11 Aprile 2006 Francesca Mazzia (Univ. Bari) MODELLI STATISTICI,
DettagliEsercitazione del 28/10/2011 Calcolo delle probabilità
Esercitazione del 28/0/20 Calcolo delle probabilità Distribuzione di una funzione di una variabile aleatoria discreta. Sia X una variabile aletoria discreta, sia f una funzione da in, se Y := f(x) allora
DettagliTEST DI AUTOVALUTAZIONE APPROSSIMAZIONE NORMALE
TEST DI AUTOVALUTAZIONE APPROSSIMAZIONE NORMALE I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Metodi statistici per la biologia Parte A. Sia X, X,...
Dettaglixn+1 distribuzione qualsiasi;
Numeri pseudocasuali Il periodo deve essere il più lungo possibile; la distribuzione deve essere uniforme in [0, 1] p(x)=costante in [0, 1]; le correlazioni devono essere trascurabili xn+1 x n xn+1 xn
DettagliElementi di Probabilità e Statistica, A.A
Elementi di Probabilità e Statistica, A.A. 5-6 Prova scritta - gennaio 6 Problema. +++4 punti Un gioco elettronico per bambini sceglie a caso una schermata con n immagini diverse n fissato; serve da parametro
DettagliIII Appello di Processi Stocastici Cognome: Laurea Magistrale in Matematica 2014/15 Nome: 15 Settembre
III Appello di Processi Stocastici Cognome: Laurea Magistrale in Matematica 2014/15 Nome: 15 Settembre 2015 Email: Quando non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
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
DettagliLa media campionaria. MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a.
La media MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a. X n = 1 n è detta media. n X i, i=1 In altre parole, se le X 1,...,X n sono il risultato
DettagliPROBABILITA Laurea in Matematica a.a. 2017/18 Registro delle lezioni
PROBABILITA Laurea in Matematica a.a. 2017/18 Registro delle lezioni 25/09/2017. Teorema delle classi monotone, con dimostrazione. Corollario di unicità di misure coincidenti su classi chiuse per intersezione
DettagliVariabili aleatorie. continue. Discreto continuo
Variabili aleatorie continue Discreto continuo.18 Uniforme discreta, n=11 n=21 n=11 n=6 n=51 n=51 Uniforme.16.14.12.1.8.6?.4.2 1 1 2 2 3 3 4 4 5 5 6 6 7 7 Per passare dal modello discreto al modello continuo
DettagliMetodi e Modelli dei Mercati Finanziari
Diario delle lezioni di Metodi e Modelli dei Mercati Finanziari a.a. 2018/2019 www.mat.uniroma2.it/~caramell/did 1819/mmmf.htm Parte I: Opzioni Europee e Metodi Monte Carlo Lezioni 1, 2-02/10/2018 Breve
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
Dettagliarrivi in un tempo t è pari a λ*t, come si può ricavare dalla media su k della distribuzione di Poisson :
Sistema di coda ad un canale con arrivi poissoniani e tempi di servizio esponenziali. Si può dimostrare che assumere il tasso degli arrivi costante e pari a equivale ad assumere per gli intervalli fra
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE MODELLI STATISTICI, RICHIAMI Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione Nel
DettagliRICHIAMI DI ELETTROMAGNETISMO
RICHIAMI DI ELETTROMAGNETISMO Equazioni di Maxwell I fenomeni elettrici e magnetici a livello del mondo macroscopico sono descritti da due campi vettoriali, in generale dipendenti dal tempo, E(x, t), H(x,
DettagliStima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.
Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione
DettagliInterpolazione e Approssimazione
Interpolazione e Approssimazione Dato un insieme di punti di ascisse e ordinate (x j, f j ) mi serve qualche volta di avere a disposizione una funzione, di solito con proprietà particolari, che passi per
DettagliAnalisi Matematica III modulo Soluzioni della prova scritta preliminare n. 2
Analisi Matematica III modulo Soluzioni della prova scritta preliminare n. Corso di laurea in Matematica, a.a. 003-004 17 dicembre 003 1. Si consideri la funzione f : R R definita da f(x, y) = x 4 y arctan
DettagliEsercitazione del 21/02/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del /0/0 Istituzioni di Calcolo delle Probabilità David Barbato Funzione di ripartizione Sia F X una funzione da in. consideriamo le seguenti condizioni: F X è non decrescente lim ( ) x F
DettagliCalcolo delle Probabilità e Statistica, Ing. Informatica e dell Automazione, a.a. 2009/10 30/6/2010
Calcolo delle Probabilità e Statistica, Ing. Informatica e dell Automazione, a.a. 29/ /6/2 Nota. E obbligatorio sia scegliere le risposte numeriche, o le formule nali a seconda del caso) negli appositi
DettagliSvolgimenti esami del corso di Teoria di Segnali
Svolgimenti esami del corso di Teoria di Segnali versione.4 - ultimo aggionamento 0/03/209 Autore: Gabriel Emile Hine mail: gabriel.hine@uniroma3.it (per segnalazione di eventuali errori/refusi) Esame
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliMetodi di Monte Carlo: un'applicazione
Metodi di Monte Carlo: un'applicazione Metodi di Monte Carlo: definizione Brevi richiami sui concetti base utilizzati Variabile casuale Valore di aspettazione Varianza Densità di probabilità Funzione cumulativa
DettagliCP110 Probabilità: Esame 13 settembre Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 13 settembre, 2012 CP110 Probabilità: Esame 13 settembre 2012 Testo e soluzione 1. (6 pts) Una scatola contiene 10 palline, 8 bianche
DettagliModelli e Metodi Matematici della Fisica. S2/AC
Modelli e Metodi Matematici della Fisica. S/AC Filippo Cesi 010 11 Nome Cognome Devo verbalizzare questo esame come (fare una croce): 1 CFU (AA 010-11) 6 CFU (solo anal. funzionale) 6 CFU (solo anal. complessa)
DettagliMetodi Stocastici per la Finanza
Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2014-2015 Lezione 5 Indice 1 Errori nella simulazione Monte Carlo di processi
DettagliProcessi Stocastici, anno 2013/14
Processi Stocastici, anno 213/14 Esercitazione 1 Esercizio 1 Siano X e Y due v.a. indipendenti in L 2, con E(X) = µ, V (X) = σ 2, E(Y ) = ν. Si determini il valor medio condizionato E(X + Y X), il valor
Dettagli01CXGBN Trasmissione numerica. parte 6: calcolo delle probabilità I
01CXGBN Trasmissione numerica parte 6: calcolo delle probabilità I 1 Probabilità di errore BER e SER Per rappresentare la bontà di un sistema di trasmissione numerica in termini di probabilità di errore
DettagliProbabilità e Statistica Esercizi
Corso di PIANIFICAZIONE DEI TRASPORTI 1 ing. Antonio Comi Marzo 2006 Probabilità e Statistica Esercizi 1 Variabile aleatoria X(E): funzione che associa ad un evento E dello spazio delle prove un numero
DettagliValutazione in tempo continuo (formula di Black e Scholes)
Valutazione in tempo continuo (formula di Black e Scholes) Federico Marchetti (Politecnico di Milano) Dipartimento di Economia e Produzione 5/6/000 1 Calcolo stocastico Ci limitiamo al caso unidimensionale,
DettagliPolitecnico di Milano Facoltà di Ingegneria Industriale. I Prova in Itinere di Statistica Matematica A per Ingegneria ENG 03 Maggio 2004
Politecnico di Milano Facoltà di Ingegneria Industriale I Prova in Itinere di Statistica Matematica A per Ingegneria ENG 03 Maggio 004 c I diritti d autore sono riservati. Ogni sfruttamento commerciale
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
Dettagli1 Serie temporali. 1.1 Processi MA
1 Serie temporali Un processo stocastico 1 {X t, t T }, dove T = N o T = Z, si dice stazionario se (X 1,..., X n ) e (X k+1,...,x k+n ) hanno la stessa distribuzione per ogni n 1 e per ogni k T. Un processo
DettagliLaboratorio di Calcolo B 68
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliLa funzione di distribuzione Gaussiana normale
La funzione di distribuzione Gaussiana normale Nicola Morganti 25 aprile 2004 Indice Proprietà fondamentali 2 Standard Normal Density Function 3 3 Esempio applicativo 5 Proprietà fondamentali L utilizzo
DettagliModelli e Metodi Matematici della Fisica. S1/AC
Modelli e Metodi Matematici della Fisica. S/AC Filippo Cesi 2 Nome Cognome Devo verbalizzare questo esame come (fare una croce): 2 CFU (AA 2-) 6 CFU (solo anal. funzionale) 6 CFU (solo anal. complessa)
DettagliMetodi Stocastici per la Finanza
Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2012-2013 Lezione 8 Indice 1 Modello di Vasicek 2 Calibrazione e ottimizzazione
DettagliIndice. Notazioni generali... 1
Notazioni generali............................................. 1 1 Derivati e arbitraggi....................................... 5 1.1 Opzioni................................................ 5 1.1.1 Finalità..........................................
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
Dettagli( ) = t. 8 Teoria della dispersione. Teoria di Taylor della dispersione turbolenta
8 Teoria della dispersione Teoria di Taylor della dispersione turbolenta Si consideri una sorgente che emette particelle in un flusso turbolento stazionario ed omogeneo con velocità media nulla, utilizzando
DettagliConvergenza di martingale - La convergenza in L p, p > 1 equivale alla limitatezza in L p : disuguaglianza per submg non negative; disuguaglianza di
1. martedì 10 marzo Convergenza di martingale - La convergenza in L p, p > 1 equivale alla limitatezza in L p : disuguaglianza per submg non negative; disuguaglianza di Doob; una mg è L p limitata se e
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata ( )
Il Concetto di Distribuzione Condizionata Se B è un evento, la probabilità di un evento A condizionata a B vale: ponendo: P A B = ( ) P A B P B A = { x} si giunge al concetto di distribuzione condizionata
DettagliAnalisi Numerica: Introduzione
Analisi Numerica: Introduzione S. Maset Dipartimento di Matematica e Geoscienze, Università di Trieste Analisi numerica e calcolo numerico Analisi numerica e calcolo numerico La matematica del continuo
DettagliEsercitazione del 16/04/2019 Istituzioni di Calcolo delle Probabilità
Esercitazione del 6/04/09 Istituzioni di Calcolo delle Probabilità David Barbato Nozioni di riepilogo con esercizi Distribuzione di una funzione di una variabile aleatoria discreta. Sia X una variabile
DettagliMatematica per l Economia, a.a Integrazione al libro di testo
Matematica per l Economia, a.a. 2016 2017 Integrazione al libro di testo Gianluca Amato 20 dicembre 2016 1 Note ed errata corrige Sezione 2.3, definizione di dominio. La definizione di dominio data dal
DettagliStatistica I. Ingegneria Gestionale. Scritto del 20/07/2010
Statistica I. Ingegneria Gestionale. Scritto del 20/07/2010 Esercizio 1. i) Il rischio di un evento è calcolato come prodotto tra la sua probabilità ed il suo costo. Un impianto produttivo può essere costruito
DettagliEquazioni differenziali Problema di Cauchy
Equazioni differenziali Problema di Cauch Primo esempio - Risolvere l equazione '( ) = g( ) con g( ) :[ a, b] R continua Teor. fondamentale del calcolo integrale ( ) = + g ( t )dt Primo esempio - Osserviamo
DettagliIstituzioni di geometria superiore - prova scritta del 4 febbraio y 2 ) 4xe (x. e γ(t) = t2 + 1 log (t 4 + 2) div g (X) ω g.
Istituzioni di geometria superiore - prova scritta del 4 febbraio 6 Prima parte Su R dotato delle coordinate cartesiane {x, y} si considerino la metrica g data da e il campo vettoriale g = dx dx + e x
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 9 - EQUAZIONI DIFFERENZIALI ORDINARIE valori iniziali Valori iniziali Ci occuperemo della soluzione numerica di equazioni del prim ordine
DettagliCorso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 2018/19 - Prova in itinere
Corso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 208/9 - Prova in itinere 208--2 La durata della prova è di due ore e mezzo. Le risposte devono essere
DettagliMatematica Applicata L-A Definizioni e teoremi
Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni
Dettagli