Alcuni appunti per il corso di METODI PROBABILISTICI PER LE EQUAZIONI ALLE DERIVATE PARZIALI Giovanna Nappo A.A. 2008/2009

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Alcuni appunti per il corso di METODI PROBABILISTICI PER LE EQUAZIONI ALLE DERIVATE PARZIALI Giovanna Nappo A.A. 2008/2009"

Transcript

1 Univerità degli Studi di Roma La Sapienza Anno Accademico Facoltà di Scienze Matematiche Fiiche e Naturali Dottorato in Matematica Alcuni appunti per il coro di METODI PROBABILISTICI PER LE EQUAZIONI ALLE DERIVATE PARZIALI Giovanna Nappo A.A. 28/29 verione del

2 Indice Introduzione iii 1 Richiami u pazi di probabilità Eempi di pazi di probabilità Variabili aleatorie Ditribuzioni di variabili aleatorie Valori attei Variabili aleatorie in pazi miurabili ** Miura indotta e Cambio di variabile ** Appendice: variabili Gauiane Appendice: Teorema di rappreentazione di Skorohod Appendice: Spazi di variabili aleatorie Sottopazi dello pazio delle v.a.di quadrato integrabile Regreione lineare Appendice: Approccio oggettivita alla probabilità Valori attei e probabilità condizionali Definizioni Eempi Proprietà del valore atteo condizionale Equivalenza tra le definizioni di valore atteo condizionale per variabili aleatorie di quadrato ommabile Dimotrazioni delle proprietà del valore atteo condizionale Probabilità condizionali regolari Eempi Martingale Eempi di martingale e di ubmartingale Decompoizione di Doob Applicazioni: variazione quadratica e integrale tocatico a tempo dicreto Applicazioni: vero l integrale tocatico a tempo continuo Martingale, ubmartingale e tempi d arreto Tempo dicreto Tempo continuo Alcune proprietà dei tempi d arreto Cao a tempo dicreto Applicazione: la rovina del giocatore con le martingale Diuguaglianza di Kolmogorov per ubmartingale non negative Convergenza di martingale Diuguaglianza di Doob Etenioni alle martingale a tempo continuo (cenni) Procei miurabili e tempi d arreto Procei aleatori a tempo continuo Procei aleatori, definizioni ed eempi Oervazione ulla definizione di un proceo olo attravero le ue ditribuzioni finito dimenionali Eitenza di una verione continua: criterio di Chenov-Kolmogorov Le traiettorie del proceo di Wiener non ono a variazione limitata Cotruzione del proceo di Wiener e della miura di Wiener u C[, 1]. ** Cotruzione come erie di funzioni

3 ii MPEDP-dott-5-giugno Cotruzione come legge limite, ullo pazio delle funzioni continue ** Procei ad incrementi indipendenti ed omogenei Eempi di martingale a tempo continuo Procei di Markov regolari Proceo di Ortein-Ulhenbeck Moto browniano geometrico e modello di Black-Schole Appendice: dimotrazione del Teorema di eitenza di Kolmogorov Cao a tempo dicreto: metodo diretto Oervazione u R I Problemi con lo pazio canonico Appendice: dimotrazione del criterio di Chenov-Kolmogorov Proprietà del moto browniano Traformazioni del moto browniano Proprietà di Markov forte per il proceo di Wiener Principio di rifleione Traformata di Laplace Tempi di ucita da una tricia Proprietà delle traiettorie di un proceo di Wiener **** Calcolo del riolvente del nucleo del calore **** Integrale tocatico: cenni Integrale tocatico per procei integrabili, a partire dai procei elementari Eempi di calcolo di integrali tocatici Integrale tocatico per procei localmente di quadrato integrabile Oervazioni u alcune proprietà degli integrali tocatici Calcolo tocatico e formula di Itô Moto browniano geometrico e il uo differenziale tocatico Funzioni armoniche e tempi di ucita per il proceo di Wiener Applicazione ai tempi di ucita da una tricia per il proceo di Wiener con drift Applicazione: ricorrenza e tranienza per il proceo di Wiener Equazioni differenziali tocatiche Unicità per EDS: il cao Lipchitz globale Eempi di oluzioni di equazioni differenziali tocatiche: il proceo di Ortein-Ulhenbeck Eitenza per EDS: il cao Lipchitz globale Dipendenza continua dal dato iniziale e proprietà di Markov per oluzioni di EDS Tempi di ucita da una tricia per una oluzione di una EDS Soluzioni deboli di equazioni differenziali tocatiche Traformazione di Giranov e oluzioni deboli Rappreentazione di oluzioni di equazioni alle derivate parziali Rappreentazione di Feynman-Kac per il proceo di Wiener Applicazione: Formula dell arcoeno (di Lévy) Generalizzazioni Conneioni con il problema di Dirichlet Il proceo di Beel Bibliografia 182

4 MPEDP-dott-5-giugno-29 iii Introduzione **(DA RIVEDERE e arricchire) ** **Lo copo del coro è quello di introdurre i concetti bailari della teoria dei procei tocatici e del calcolo tocatico per capire il legame tra queti e alcune equazioni alle derivate parziali.** Queti appunti i baano u una raccolta di vari appunti, critti durante vari anni di inegnamento di cori univeritari ui procei aleatori. E queto piega la non completa coerenza della preentazione degli argomenti. Inoltre il teto contiene alcune note che negli ultimi anni non ono tate utilizzate e quindi non ono tate riguardate: il coro di dottorato mi dà l opportunità di riparare a queta mancanza. Nella preparazione delle lezioni ho utilizzato diveri teti e i principali ono il teto di P. Baldi [1] e quello di A. N. Shiryaev [14]. Ma andrebbero citati anche altri teti, come ad eempio il teto di L. Breiman [5], quello di I. Karatza e S. E. Shreve [7], quello di D. Revuz e M. Yor [11], i teti di S. Ro [12] e [13], il teto di P. Billingley [3], quello di J. M. Steele [15], e altri ancora. Infine va conigliato agli tudenti la lettura delle note del Prof. Lorenzo Bertini [2], preparate per queto teo coro negli anni accademici precedenti (le note ono reperibile al uo ito Web). Infine gli tudenti potranno cegliere tra alcuni argomenti,non completamente volti a lezione, e che potranno eporre in forma di eminario: Teorema di rappreentazione di Kolmogorov, (quete note, Billingley [3]) Teorema di Chenov-Kolmogorov (Baldi [1] o quete note e/o per una dimotrazione differente le note del Prof. Bertini [2], che a loro volta ono baate ul libro di Stroock e Varadhan [16] ) Approimazione del moto browniano (Billingley [4]) Problema di Dirichlet (Baldi [1] e/o I. Karatza e S. E. Shreve [7]). Formula di Feynman-Kac per il proceo di Wiener e/o per oluzioni di equazioni differenziali tocatiche (I. Karatza e S. E. Shreve [7]) Formula di Tanaka e tempo locale (Revuz e Yor [11]) Applicazioni a problemi di controllo (Baldi [1]) Approimazione di equazioni differenziali tocatiche (D. Higham SIAM [??])**(da completare) DA FINIRE...

5 Capitolo 1 Richiami u pazi di probabilità 1.1 Eempi di pazi di probabilità Come dovrebbe eere noto uno pazio di probabilità è una terna (Ω, F, P), dove F è una σ-algebra, ovvero F è una famiglia di ottoiniemi di Ω, cioè F è un ottoinieme di P(Ω), tale che Ω F; (1.1) e A F, allora A c F; (1.2) e A n F, n N, allora n N A n F; (1.3) P è una miura di probabilità, ovvero P :F [, 1]; A P(A) con le proprietà che P(Ω) = 1; (1.4) e A n F, n N, con A n A m = per n m, (1.5) allora P ( ) A n = P ( ) A n. n N n N La σ-algebra F rappreenta l informazione diponibile, ovvero gli eventi appartenenti a F ono gli unici eventi di cui abbiamo la poibilità di apere e i ono verificati oppure no. Oltre alla miura di probabilità P, per tutti gli eventi A F con P(A) >, i poono definire le probabilità condizionate 1 all evento A, che rappreentano la valutazione della probabilità nel cao in cui i verificae l evento A: P( A) F : [, 1] (1.6) E P(E A) := P(E A) P(A) (1.7) Vediamo ora alcuni eempi elementari di pazi di probabilità: 1 È facile verificare che la funzione P( A) definita in (1.6) è una probabilità, cioè oddifa gli aiomi delle probabilità. Per mettere in evidenza tale fatto va detto che Kolmogorov aveva adottato la notazione P A ( ), ovvero P A (E) invece di P(E A), anche per mettere meglio in evidenza queta proprietà. 1

6 2 MPEDP-dott-5-giugno-29 Eempio 1.1. Qualunque ia Ω, la σ-algebra banale F = {, Ω} è una σ-algebra, e neceariamente P(Ω) = 1 e P( ) =. Eempio 1.2. Qualunque ia Ω, preo un ottoinieme proprio A di Ω la σ-algebra F = {, A, A c, Ω} è una σ-algebra, e neceariamente P(Ω) = 1, P( ) =, P(A) = p, P(A c ) = 1 p, per un p [, 1]. Eempio 1.3. Qualunque ia Ω, ia {H m, m = 1, 2,..., N} una partizione finita di Ω, cioè e gli eventi ono incompatibili: ed eautivi: H n H m = per n m, n, m {1, 2,..., N} N m=1 H m = Ω, allora la famiglia M = {A = m I H m, al variare di I {1, 2,..., N}}, (con la convenzione che m H m = ) è una σ-algebra. Inoltre e p 1, p 2,..., p N ono numeri non negativi, a omma 1, ovvero allora P : M [, 1]; A P(A), con p m, m = 1, 2,..., N, N p m = 1, m=1 P(A) = m I p m, per A = m I H m, (1.8) definice una probabilità u (Ω, M). Eempio 1.4. Le proprietà dell eempio precedente valgono anche nel cao di una partizione numerabile {H m, m N} con i dovuti cambiamenti: cioè, e allora la famiglia H n H m = per n m, n, m N, H m = Ω, m N F = {A = m I H m, al variare di I N}, (con la convenzione che m H m = ), è una σ-algebra 2. Inoltre e p 1, p 2,..., p m,... ono numeri non negativi, omma 1, ovvero p m, m N, p m = 1, [ m N 2 La verifica è banale: [ Ω = H m [, ovvero I = N m N e A = [ H m, allora A c = [ H m [ m I m I c e A n = H m, n 1, allora A n = H m, per I = n=1i n. m I n n=1 m I

7 MPEDP-dott-5-giugno-29 3 allora P : F [, 1]; A P(A), con P(A) = m I p m, per A = m I H m, (1.9) definice una probabilità u (Ω, F). La verifica di quet ultima proprietà è banale 3. Elenchiamo adeo alcune proprietà e notazioni relative alle σ-algebre: 1 l interezione di σ-algebre è una σ-algebra Sia {G α, α Λ} una famiglia di σ-algebre, allora F := α Λ G α è una σ-algebra 4. 2 l unione di σ-algebre non è (in generale) una σ-algebra Bata motrare con un controeempio che l unione di due σ-algebre non è una σ-algebra: ad eempio e G i = {, A i, A c i, Ω}, con A 1 A 2, A 1, A 2, allora G 1 G 2 = {, A 1, A 2, A c 1, A c 2, Ω} non è una σ-algebra. 3 la σ-algebra generata da una collezione di eventi Sia K un ottoinieme di P(Ω), l inieme delle parti di Ω, allora σ(k) := è la σ-algebra 5 generata da K. G:K G In particolare quindi la σ-algebra M, generata dalla partizione {H m ; m N} come nell Eempio 1.4, coincide con σ({h m ; m N}), in quanto, come già vito M è una σ-algebra, e inoltre ogni σ-algebra che contenga {H m ; m N}, deve neceariamente contenere tutte le unioni del tipo m I H m. 4 la σ-algebra generata da una collezione di σ-algebre Nel cao in cui K = α Λ G α, dove G α ono σ-algebre, allora i pone G α := σ ( ) G α. α Λ α Λ In particolare e M = σ({h m ; m N}) e N = σ ( {K l ; l N} ), allora M N = σ({h m K l ; m N, l N}) = { E = H m K l ; con J N N }. =X (m,l) J 3 La funzione P : M [, 1] definita in (1.9) è una probabilità, infatti [ P(Ω) p m = 1, m N e A n = H m [ [ M, n N, con A n A n =[ = per n n, m I n [ allora A n = H m A =X =X con I I n, X e con I n =X I n = per n n, n N m I n N e quindi P A n =P p l p m P A n, n N l I n N m I n n N 4 La verifica è banale: Ω F, in quanto Ω G α, per ogni α Λ; [ [ e A F, cioè e A G α, per ogni α Λ, allora A c G α, per ogni α Λ, e quindi A c F; e A n F, n N cioè e A n G α, per ogni α Λ, n N allora A n G α, per ogni α Λ, e quindi A n F; 5 Il fatto chetg:k G ia una σ-algebra, deriva dalla proprietà che l interezione di σ-algebre è una σ-algebra. n N n N

8 4 MPEDP-dott-5-giugno-29 5 la σ-algebra dei Boreliani Nel cao in cui K = A, la famiglia degli aperti di R k, allora B(R k ) := σ(a) è detta σ-algebra dei boreliani, o σ-algebra di Borel, ed ogni elemento di I di B(R k ) è detto boreliano. 1.2 Variabili aleatorie Definizione 1.1. Dato uno pazio di probabilità (Ω, F, P) 6, una variabile aleatoria reale X è una funzione F-miurabile, ovvero una funzione X : Ω R; ω X(ω), tale che la controimmagine di ogni aperto O A ia un elemento di F 7, cioè tale che X 1 (O) := {ω tali che X(ω) O} F, per ogni aperto O A. Si dice anche che X è una variabile aleatoria F-miurabile. Una definizione analoga vale nel cao di variabili aleatorie multidimenionali bata infatti otituire R con R k. X : Ω R k ; ω X(ω) = ( X 1 (ω),..., X k (ω) ), Vediamo alcuni eempi di variabili aleatorie F-miurabili, al variare della σ-algebra F. Eempio 1.5. Se F = {, Ω}, allora le uniche variabili aleatorie reali X F-miurabili ono le cotanti: Se X : Ω R; ω X(ω) = c, allora X 1 (O) è l evento impoibile(=inieme vuoto ), e c / O, oppure è l inieme certo(=ω), e c O. Vicevera e X : Ω R; ω X(ω) non è cotante allora X aume almeno due valori c 1 e c 2 ditinti (cioè eitono ω i tale che X(ω i ) = c i, per i = 1, 2, con c 1 c 2 ). Quindi e c 1 O, ma c 2 / O, allora ω 1 X 1 (O), mentre ω 2 / X 1 (O), ovvero X 1 (O) Ω (dove le incluioni ono in eno tretto), e quindi X non è F-miurabile. Si noti che l eempio precedente motra anche che tutte le variabili aleatorie cotanti ono miurabili ripetto a qualunque σ-algebra ({, Ω} F, per ogni σ-algebra F). Eempio 1.6. Sia {H m, m N} una partizione numerabile, e ia M come nell eempio 1.4. Allora X : Ω R; ω X(ω) è M-miurabile, e e olo e eite una ucceione di cotanti {c m, m N} 8, tale che X(ω) = m N c m I Hm (ω). (1.1) Se X è definita come in (1.1) allora X è M-miurabile, infatti per ogni aperto O, X 1 (O) = H m, m:c m O ovvero X 1 (O) = m I H m M, per I = {m : c m O}. Vicevera e X è M-miurabile, cioè, per ogni aperto O, eite un I N tale che X 1 (O) = m I H m, 6 In realtà bata che ci ia uno pazio probabilizzabile, ovvero bata olo la coppia (Ω, F), mentre non è neceario pecificare la miura di probabilità P. 7 Si noti l analogia con la definizione di funzione continua f : R k R d, come una funzione tale che le controimmagini di aperti ono aperti. 8 Si noti che non i aume che i valori di {c m} iano tutti ditinti, ad eempio nel cao della ucceione cotante, cioè c m = c per ogni m N, i trova una variabile aleatoria cotante.

9 MPEDP-dott-5-giugno-29 5 allora qualunque ia c R, preo O n l intervallo aperto (c 1/n, c + 1/n) i ha che X 1 ({c}) = X 1( O n) = X 1 (O n ) = H m = H m M, n n n m I n m Tn In Eempio 1.7. Sia X : Ω R; ω X(ω), una funzione dicreta, ovvero tale che l immagine X(Ω) = {x R, tali che eite un ω con X(ω) = x} di X ia un inieme numerabile (finito o infinito), cioè X(Ω) = {x m, m N}, con x n x m per n m. Allora X(ω) = m N x m I Hm (ω), (1.11) dove H m = X 1 ({x m }) = {ω tali che X(ω) = x m }. Si noti che {H m, m N} forma una partizione numerabile. Inoltre la funzione X è una variabile aleatoria F-miurabile, e e olo e H m = X 1 ({x m }) F, per ogni m N, come è immediato da (1.11), oervando che, come nel cao precedente, X 1 (O) = H m. m:x m O Infine la variabile aleatoria X i dice emplice o elementare, e l inieme X(Ω) è un inieme finito. Si può dimotrare che 1 e X è una variabile aleatoria F-miurabile, allora la controimmagine X 1 (I) F, per ogni boreliano I B(R), 2 la variabile aleatoria X è F-miurabile, e e olo e ciacuna componente X i è F-miurabile 9, per ogni i = 1,..., k. In particolare X 1 ({x}) F, per ogni x R, in quanto {x} = n (x 1/n, x + 1/n). Connea con la precedente Definizione 1.1 è la eguente definizione: Definizione 1.2. Sia data una funzione X : Ω R k ; ω X(ω) = ( X 1 (ω),..., X k (ω) ). Si dice σ-algebra generata da X, la σ-algebra σ(x) = G R X G dove R X è la famiglia delle σ-algebre, per le quali X è G-miurabile 1. Si dimotra che 3 La σ-algebra generata da X, i può caratterizzare come: 4 la funzione X è F-miurabile, e e olo e σ(x) F, σ(x) = {A = X 1 (I), per I B(R k )}, 5 le variabili aleatorie σ(x)-miurabili a valori in R d ono tutte e ole le variabili aleatorie Z per le quali eite una funzione g boreliana 11 tale che Z = g(x). {z } {z } 9 Dimotriamo olo la neceità, che è immediata: bata prendere O = R R O i R R. 1 i 1 volte k i volte La famiglia R X non è vuota, in quanto contiene almeno G = P(Ω), l inieme delle parti di Ω. 11 Una funzione g : R k R d, i dice boreliana e è una funzione tale che le controimmagini di aperti ono boreliani. Ovviamente le funzioni continue ono boreliane. Sono boreliane anche le funzioni continue a tratti, o meglio ancora cotanti a tratti. Per chi non avee familiarità con i concetti di miurabilità può penare a quete funzioni, o a funzioni che iano limite puntuale di funzioni di uno dei due tipi precedenti.

10 6 MPEDP-dott-5-giugno-29 Eempio 1.8. Sia X una funzione emplice, come in Eempio 1.7, allora σ(x) = σ({h m, m N}) = {A = m I H m ; I N}, dove H m = X 1 ({x m }). Inoltre tutte e ole le variabili aleatorie σ(x)-miurabili ono le funzioni Z : Ω R; ω Z(ω) := m c m I Hm, come dicende immediatamente dall Eempio 1.6. Di coneguenza e g : R R tale che g(x m ) = c m, per ogni m N, allora Z(ω) := c m I Hm = Z(ω) = g(x m )I X 1 ({x m})(ω) = ) g(x m )I {xm }( X(ω) = g(x(ω)). m m m Terminiamo queta ezione, ricordando che le operazioni di maimo, minimo, omma, prodotto, di due funzioni miurabili, danno luogo a funzioni miurabili: quindi e X ed Y ono variabili aleatorie F-miurabili, lo ono anche X Y = max(x, Y ), X Y = min(x, Y ), X + Y, XY. In particolare ono variabili aleatorie X + := X e X := ( X). 1.3 Ditribuzioni di variabili aleatorie Sia (Ω, F, P) uno pazio di probabilità e ia X : Ω R k ; ω X(ω) una variabile aleatoria a valori in R k. Tramite X è poibile definire una miura di probabilità P X ullo pazio miurabile (R k, B(R k )) nel eguente modo: P X : B(R k ) [, 1] I P X (I) := P ( X I ). È facile verificare che effettivamente P X definice una probabilità ui boreliani B(R k ). La miura di probabilità coì definita è detta miura di probabilità indotta da X, o ditribuzione di X. A volte, per indicare la miura di probabilità indotta, i ua il imbolo PX 1, che nace dall fatto che P X (I) := P ( X I ) = P ( X 1 (I) ). Nel eguito, a volte ueremo anche il imbolo µ X per indicare la ditribuzione di probabilità di X. Come è noto, aociata alla variabile aleatoria X c è anche la funzione di ditribuzione 12 F X (x) := P(ω Ω : X(ω) x) = P X ( (, x] ), x R k. (1.12) La funzione di ditribuzione gode di alcune proprietà caratterizzanti 13 : Proprietà delle funzioni di ditribuzione F X (x) [, 1] 1 La funzione F X è continua dall alto 14, nel eno che, per ogni x R k i ha dove y x ignifica y i x + i, per ogni i = 1,, k. lim F X(y 1,, y i,, y k ) = F (x 1,, x i,, x k ), y x 12 Si ricordi che, per k 1, l evento e l inieme nella (1.12) ono ripettivamente {ω Ω : X(ω) x} = {ω Ω : X 1 (ω) x 1,, X k (ω) x k } e (, x] = (, x 1 ] (, x k ]. 13 Si veda la ezione Nel cao k = 1 la proprietà 1 corriponde alla continuità da detra.

11 MPEDP-dott-5-giugno La funzione F X (x) è monotona non decrecente. 3 Siano a = (a 1,, a k ) e b = (b 1,, b k ), i definica (a, b) = {x R k : i = 1,, k, i ha x i = a i oppure x i = b i }, e i definica n a (x) il numero di i tali che x i = a i, per x (a, b). Se a i b i, per ogni i = 1,, k, allora 15 x (a,b) ( 1) n a(x) F X (x). 4 Per ogni x R k e per ogni i = 1,, k i ha che lim F X(x 1,, x i 1, y i, x i+1,, x k ) =. y i Inoltre lim F X(x 1,, x i 1, x i, x i+1,, x k ) = 1. x + È importante ottolineare che la funzione di ditribuzione F X individua la miura di probabilità indotta P X ulla famiglia (di boreliani) (, b] := {x R k : x i b i } con b = (b 1,, b k ) R k. Queta famiglia ha la proprietà di eere chiua ripetto all interezione finita: (, b] (, b ] = (, b b ], dove b b := (b 1 b 1,, b k b k). Ciò è ufficiente a individuare la miura di probabilità indotta, grazie a un riultato molto utile di teoria della miura: Lemma 1.1 (Lemma di Dynkin, Billingley 1984 [3]). Sia A una famiglia di eventi che genera la σ-algebra G e che è chiua ripetto alla interezione finita (cioè: A, B A implica A B A). Se due miure di probabilità ν e µ coincidono u A, allora le due miure coincidono u G = σ(a). Definizione 1.3 (variabili aleatorie con denità dicreta). Si dice che una variabile aleatoria elementare X ha denità dicreta ( x1 x 2 x m p 1 p 2 p m ) dove x 1, x 2, x m ono elementi di R k e p 1, p 2, p m ono numeri reali tali che p j per ogni j = 1, 2,, m, m p j = 1, j=1 15 Nel cao k = 1, la proprietà 3 corriponde alla proprietà di monotonia 2: Nel cao k = 2, invece la proprietà 3 diviene: e a b allora F X (a) F X (b). e a 1 b 1 e a 2 b 2 allora F X (b 1, b 2 ) F X (a 1, b 2 ) F X (b 1, a 2 ) + F X (a 1, a 2 ). Per k 2 la proprietà 3 non i riduce alla proprietà di monotonia 2, come motra il eguente controeempio: F (x 1, x 2 ) =]( e x <, oppure e x + y < 1, oppure e y <. 1 e x, y, e x + y 1 Si vede facilmente che F è una funzione monotona. Tuttavia F non oddifa la proprietà, infatti F (1, 1) F (1, ) F (, 1) + F (, ) = = 1.

12 8 MPEDP-dott-5-giugno-29 e, per ogni boreliano I, vale P X (I) := P(X I) = In particolare quindi il ignificato di p j è chiaro, eendo P(X = x j ) = p j. m p j. La definizione è analoga nel cao di variabili aleatorie dicrete, la cui ditribuzione viene caratterizzata attravero una denità dicreta u un inieme numerabile {x k, k 1} ( x1 x 2 x m x m+1 ) p 1 p 2 p m p m+1 Eempio 1.9 (variabili aleatorie con ditribuzione binomiale). Ogni variabile aleatoria X per la quale P X (I) := j=1 x j I n ( ) n p h (1 p) n h h viene detta una variabile aleatoria binomiale di parametri n e p e i crive in breve X Bin(n, p). Definizione 1.4 (variabili con denità). Siupponga di avere una funzione f : R k R con le proprietà: f(x) per ogni x R k, f(x) dx = 1, R k h= h I i dice che X ha ditribuzione con denità (di probabilità) f e accade che, per ogni boreliano I B(R k ), P X (I) := f(x) dx. Eempio 1.1 (ditribuzione gauiana). Come cao particolare i conideri il cao della variabile aleatoria unidimenionale con denità 1 f(x) = e (x µ)2 2σ 2 2 π σ dove µ è un numero reale e σ è un numero (trettamente) poitivo. Una variabile aleatoria con queta ditribuzione è detta gauiana o normale di valore atteo (o valore medio) µ e varianza σ 2. Brevemente i indica X N(µ, σ 2 ). Se µ = e σ 2 = 1 i dice che X è una variabile gauiana (o normale) tandard. Vediamo ora dei emplici eempi di calcolo della ditribuzione indotta. Eempio 1.11 (una variabile aleatoria binomiale). Sia ia Ω = {, 1} N = {ω = (ω 1, ω 2,..., ω N ), con ω i {, 1}, per i = 1, 2,..., N}, I F = P(Ω), l inieme delle parti di Ω, ia la probabilità definita attravero la relazione P({ω}) := p PN i=1 ωi (1 p) N PN i=1 ωi, dove p è un numero fiato con la condizione che p (, 1). Sia infine X la variabile aleatoria definita da Si vede facilmente che N X(ω) := ω i. i=1

13 MPEDP-dott-5-giugno la variabile aleatoria X aume olo i valori {, 1,... N}, 2 per h {, 1,... N} i ha 16 P X (h) := P(X = h) = 3 per ogni boreliano I P X (I) := P(X I) = ( ) N p h (1 p) N h, h N ( N h h= h I ) p h (1 p) N h Eempio 1.12 (Variabili eponenziali). Sia Ω = (, 1) F = B(, 1) e P la miura di Lebegue u (, 1). Sia λ > e X(ω) := log(1 ω)/λ. Allora F X (x) = P(X x) = mi{ω (, 1) : log(1 ω) λ x} = mi{ω (, 1) : ω 1 e λ x }, e quindi F X (x) = { per x, 1 e λ x per x >. Per il Lemma di Dynkin (Lemma 1.1) appiamo che la funzione di ditribuzione individua univocamente la ditribuzione di X. È quindi facile convinceri che, tale ditribuzione coincide con la ditribuzione ν λ (dx) = 1 (, ) (x) λ e λ x dx, che è nota come la ditribuzione eponenziale di parametro λ. Sempre nello teo pazio i può definire la variabile aleatoria Y (ω) = log(ω) µ, dove µ è una cotante trettamente poitiva. È facile vedere che Y ha ditribuzione eponenziale, di parametro µ. Eempio Sempre nello teo ambito dell eempio precedente, ci i può chiedere quale ia la ditribuzione congiunta di X e Y, oia la ditribuzione del vettore aleatorio (X, Y ). Chiaramente, i ha X(ω), Y (ω) > e inoltre Y (ω) = log ( 1 e µ λ X(ω)) come i ottiene ubito da ω = 1 e λ X(ω). ( ) Di coneguenza, e G := {(x, y) : x >, y >, ey = log 1 e λ x, µ }, è facile convinceri che P X,Y (I) = ν λ ( πx (G I) )( = ν µ ( πy (G I) )) dove π x e π y ono le proiezione ull ae x e ull ae y, ripettivamente. 16 L evento A h := {X = h} è rappreentato dall inieme, di cardinalità N h, i cui elementi ω = (ω 1, ω 2,..., ω N ) hanno la proprietà che PN i=1 ω i = h. La probabilità di ciacuno di queti ω vale quindi P(ω) = p PN i=1 ω i (1 p) N PN i=1 ω i = p h (1 p) X X N h e la probabilità dell inieme vale P(X = h) = P(A h ) = P(ω) = p h (1 p) N h = A h p h (1 p) N h =N hp h (1 p) N h ω A h ω A h

14 1 MPEDP-dott-5-giugno-29 Eempio 1.14 (traformazione di Box-Müller). Sia Ω = (, 1) (, 1), con la miura di Lebegue ui boreliani. Siano X(ω 1, ω 2 ) := 2 log ω 1 co(2 π ω 2 ); Y (ω 1, ω 2 ) := 2 log ω 1 in(2 π ω 2 ); Si può dimotrare che la ditribuzione congiunta di (X, Y ) ammette denità i probabilità p X,Y (x, y) = 1 x 2 +y 2 2 π e 2 = 1 e x2 2 2 π 1 e x2 2 2 π Tale denità caratterizza le variabili aleatorie gauiane com media nulla e matrice di covarianza l identità (i veda l Appendice 1.6). A volte, invece di definire lo pazio di probabilità e la variabile aleatoria X ed infine trovare la ditribuzione di X, i può dare direttamente la ditribuzione di X. Queto è il cao delle variabili aleatorie che vengono caratterizzate olo attravero la denità dicreta o con denità (di probabilità). Più in generale, le ditribuzioni i poono pecificare olo attravero la funzione di ditribuzione. Quando i pecifica una variabile aleatoria attravero la ua ditribuzione, e ancor di più e invece i pecifica olo una funzione che goda delle proprietà delle funzioni di ditribuzione (i veda pag. 6), rimane il dubbio che una tale variabile aleatoria eita, ovvero che eita uno pazio di probabilità (Ω, F, P) e una variabile aleatoria X. A queto problema riponde il teorema di Skorohod (vedere Appendice 1.7). 1.4 Valori attei In queta ezione ricordiamo come i può definire il valore atteo per variabili aleatorie generali, a partire dalla ua definizione per variabili aleatorie emplici. Per maggiori approfondimenti i rimanda, ad eempio, al libro di Billingley [3] o a quello di William [17]. Definizione 1.5 (Valore atteo per variabili emplici). Sia X una variabile aleatoria in (Ω, F, P), non negativa e emplice, cioè come in Eempio 1.7, X(ω) = m N x m I Hm (ω), con H m F per ogni m N, allora i definice E[X] = m N x m P(H m ). Oervazione 1.1. Ogni variabile aleatoria X in (Ω, F, P), non negativa, ammette una ucceione di variabili aleatorie X n, emplici e non negative, tali che Infatti 17 bata prendere X n (ω) = n2 n 1 m= X n (ω) X n+1 (ω), e tali che lim n X n(ω) = X(ω). m 2 n I H m (n) 17 La monotonia della ucceione delle variabili aleatorie X n è evidente: e X n(ω) = m/2 n, con m < n2 n, allora i oli cai poibili ono oppure n2 n 1 m (ω) + ni (n) H (ω) = n2 n 2 n 1 [ m 2 n, m+1 )(X(ω)) + n1 [n, )(X(ω)), (1.13) 2 n m= X n+1 (ω) = (2m)/2 n+1 = m/2 n = X n (ω), X n+1 (ω) = (2m + 1)/2 n+1 = m/2 n + 1/2 n+1 > X n (ω); e X n (ω) = n allora X n+1 (ω) può aumere un valore compreo tra n ed n + 1. Per la convergenza bata oervare che, qualunque ia ω, pur di prendere n ufficientemente grande e in modo che X(ω) < n, i ha che X(ω) X n (ω) 1/2 n.

15 MPEDP-dott-5-giugno dove i è poto e, per A F, H (n) m = X 1 ([ m 2 n, m+1 2 n )) F per m n2 n 1, H (n) n2 n = X 1( [n, ) ), I A (ω) = 1 e ω A e I A (ω) = e ω / A, ed infine, per a < b numeri reali, 1 [a,b) (x) = 1 e x [a, b) e 1 [a,b) (x) = e x / [a, b). È infine intereante notare che, poto x la parte intera inferiore 18 di x, i può ricrivere nel eguente modo X n (ω) = 2n X(ω) 2 n n. Definizione 1.6 (Valore atteo per variabili nonnegative). Sia X una variabile aleatoria in (Ω, F, P), non negativa, i definice E[X] = lim n E[X n], dove {X n ; n N} è la ucceione monotona definita come in (1.13) dell Oervazione precedente. Il limite eite ed è monotono, per la proprietà di monotonia del valore atteo, ulle variabili aleatorie emplici. Si noti bene che tale limite può valere anche +, nel qual cao i dice che la variabile X ha valore atteo infinito. Oervazione 1.2. **Ovviamente e { X n ; n N} è un altra ucceione di variabili aleatorie emplici che converge monotonamente ad X, anche la ucceione dei valori attei E[ X n ] è una ucceione che converge monotonamente. Si può dimotrare che il limite non dipende dalla ucceione celta 19 ed in particolare coincide con il limite coniderato nella precedente Definizione 1.6. Arriviamo ora alla definizione generale del valore atteo: Definizione 1.7 (Valore atteo per variabili generali). Sia X una variabile aleatoria in (Ω, F, P), Siano X + := X e X := ( X), le variabili aleatorie non negative, definite alla fine della ezione precedente. Si noti che X = X + X e che invece X = X + + X. Si definice allora, e ha eno 2 E[X] = E[X + ] E[X ]. 18 La parte intera inferiore x di x è quel numero intero k tale che k x < k **Per ottenere l unicità del limite bata dimotrare che e {Y n ; n N} e {Z n ; n N} ono due ucceioni di variabili aleatorie emplici che convergono monotonamente ad X, allora per ogni k i ha E[Y k ] lim E[Z n], n da cui i deduce immediatamente che lim k E[Y k ] lim n E[Z n ]e quindi l uguaglianza, cambiando il ruolo delle due ucceioni. Si fii quindi k e i conideri che, per ipotei Y k è emplice e che quindi i può crivere Y k =Pl i=1 y ii Ai, dove A i = {Y k = y i } (ovviamente l ed y i dipendono da k, ma tralaciamo l indice k per comodità di notazione e perché è ineenziale). Sia ora ε > e B (n) i = A i {Z n > y i ε}. Eendo {Z n ; n N} una ucceione monotona i ottiene che B (n) i B (n+1) i. Inoltre Y k (ω) X(ω) e Z n (ω) X(ω) e quindi e ω A i, oia e Y k (ω) = y i, allora per un n ufficientemente grande deve valere Z n (ω) > y i ε e quindisn B(n) i = A i. Per la continuità della probabilità deve valere allora che P(B (n) lx i ) P(A i lx ). Ovviamente i ha E[Z n ] (y i ε)p(b (n) i ) e quindi lim E[Z n] (y i ε)p(a i ). n i=1 i=1 Per l arbitrarietà di ε i ha allora lim n E[Z n] Pl i=1 y ip(a i ) = E[Y k ]. 2 Si conidera che la omma E[X + ] E[X ] ha eno 1 e E[X + ] <, E[X ] <, nel qual cao E[X] R e inoltre i ha anche E[ X ] = E[X + ] + E[X ] < ; 2 e E[X + ] <, E[X ] =, nel qual cao E[X] = ; 3 e E[X + ] =, E[X ] <, nel qual cao E[X] = + ; Il cao che rimane ecluo è quindi il cao in cui E[X + ] =, E[X ] =, del reto i avrebbe la forma indeterminata.

16 12 MPEDP-dott-5-giugno-29 Se invece di uare la probabilità P i ua la probabilità condizionata ad un evento A, ovvero P( A), allora i parla di valore atteo di X condizionato all evento A e i ua la notazione E[X A]. Ciò ignifica che, nel cao di una variabile aleatoria emplice X(ω) = m N x m I Hm (ω), con H m F per ogni m N, i ha E[X A] = m N x m P(H m A). **Terminiamo queta ezione ricordando che la definizione di valore atteo di una variabile aleatoria X corriponde alla definizione dell integrale della funzione miurabile X ripetto alla miura P e che per il valore atteo valgono i due famoi riultati di paaggio al limite otto il egno di integrale: Teorema della convergenza monotona: e X n ono variabili aletaorie limitate dal bao e che convergono monotonamente ad X (P q.c.) allora la ucceione dei valori attei E[X n ] converge monotonamente a E[X]. Teorema della convergenza dominata: e X n ono variabili aletaorie che convergono ad X P q.c. e e Y è una variabile aleatoria tale che X n Y, con E[Y ] <, allora la ucceione dei valori attei E[X n ] converge a E[X] Variabili aleatorie in pazi miurabili ** Oltre a definire le variabili aleatorie reali o vettoriali i poono definire in modo naturale anche variabili aleatorie a valori in pazi miurabili. Definizione 1.8 (variabile aleatoria (o ente alealorio) a valori in (S, S)). Siano (Ω, F) e (S, S) due pazi miurabili. Una variabile aleatoria a valori in S è una funzione miurabile X : (Ω, F) (S, S); ω X(ω). In altre parole una funzione da Ω in S e tale che per ogni B S, la ua controimmagine tramite X appartiene a F, oia l inieme X 1 (B) F. Se S è uno pazio metrico (o più in generale uno pazio topologico, allora la igma-algebra S coincide con la igma-algebra dei boreliani, oia la igma-algebra generata dagli aperti. Eempi tipici nacono quando i vogliono trattare i procei aleatori come funzioni aleatorie, ed in particolare a funzioni aleatorie continue. In tale cao i può prendere, ad eempio, lo pazio delle funzioni continue u [, T ] a valori reali. Prendendo poi come igma-algebra la igma-algebra dei boreliani, allora i può affermare che funzioni come il maimo o il minimo, ono variabili aleatorie. Come i vede, nella definizione di variabile aleatoria non abbiamo neanche nominato la miura di probabilità u (Ω, F). Tuttavia rimane poi il problema di definire le miure di probabilità u tali pazi. Queto argomento è trattato in maggiore dettaglio nel Capitolo 4 ui procei tocatici. 1.5 Miura indotta e Cambio di variabile ** Da crivere Negli Eempi 1.12, 1.13, 1.14 abbiamo trovato le ditribuzioni di alcune variabili aleatorie a valori reali o vettoriali. In termini atratti quello che abbiamo fatto è caratterizzare la miura indotta. Definizione 1.9 (Miura indotta). Siano (A 1, A 1 ) e (A 2, A 2 ) due pazi con le ripettive igma-algebre, e ia ψ : A 1 A 2, a 1 ψ(a 1 ) una funzione miurabile (cioè per ogni B 2 A 2 i ha che la controimmagine ψ 1 (B 2 ) A 1 ). Supponiamo che u (A 1, A 1 ) ia definita una miura µ 1. Allora i definice miura indotta (da ψ) la miura µ 2 (B 2 ) := µ 1 ( ψ 1 (B 2 ) ), B 2 A 2.

17 MPEDP-dott-5-giugno Ovviamente perché la precedente definizione ia ben pota biogna verificare che effettivamente definica una miura (queto è un emplice eercizio ed è laciato al lettore). ( Tornando ) agli Eempi precedentemente citati ed in particolare agli Eempi 1.12, 1.13, in entrambi (A 1, A ) = (, 1), B(, 1) e µ1 = P, la miura di Lebegue ritretta a (, 1), mentre A 2 = R nel primo eempio e invece A 2 = R 2, nel econdo eempio. Inoltre nel primo eempio ono tate coniderate due funzioni ψ 1 (ω) = X(ω) = log(1 ω) λ e ψ 2 (ω) = Y (ω) = log(ω) λ, mentre nel econdo eempio è tata coniderata la funzione ψ := (ψ 1, ψ 2 ). Nell Eempio 1.14, invece (A 1, A ) = ( (, 1) (, 1), B((, 1) (, 1) ) e A 2 = R 2 e µ 1 è la miura di Lebegue ritretta a (, 1) (, 1). Infine la funzione ψ è definita da ψ(ω 1, ω 2 ) = ( 2 log ω 1 co(2 π ω 2 ), 2 log ω 1 in(2 π ω 2 ) ). Più in generale, nel cao di variabili aleatorie X a valori in (S; S), e nello pazio miurabile (Ω, F) è definita una miura di probabilità P, i definice legge di X o ditribuzione di X, la probabilità P X : S [, 1] definita come la miura indotta da (Ω, F, P) tramite X: P X (B) := P(X B), B S. Quello che più ci interea qui è la formula del cambio di variabile negli integrali, che, nell ambito del calcolo delle probabilità, corriponde alla poibilità di calcolare i valori attei di funzioni di variabili aleatorie X a valori 21 in (S, S) ia come integrali ullo pazio (Ω, F, P) che come integrali ullo pazio (S, S, P X ). In tale cao i ottiene che i valori attei di f(x), per f funzioni miurabili e limitate, i poono calcolare ia come integrali ulo pazio degli eventi Ω E[f(X)] = f(x(ω)) P(dω), ia come integrale ullo pazio degli tati S Ω E[f(X)] = S f(x) P X (dx). Riportiamo qui la dimotrazione nell ambito atratto della Definizione 1.9 di miura indotta. Lemma 1.2 (Cambio di variabile). Sia f M b (A 2 ), oia una funzione miurabile da ( ) ) A 2, A 2 in (R, B(R) e limitata. Allora f(a 2 )µ 2 (da 2 ) = A 2 f(ψ(a 1 ))µ 1 (da 1 ) A 1 (1.14) Dimotrazione. Iniziamo con il motrare che, per definizione di µ 2, (1.14) è valida per f = I B2, per ogni B 2 A 2 : da una parte A 2 I B2 (a 2 )µ 2 (da 2 ) = µ 2 (B 2 ) := µ 1 ( ψ 1 (B 2 ) ), dall altra, tenuto conto che I B2 (ψ(a 1 )) = I ψ 1(B 2)(a 1 ), in quanto ψ(a 1 ) B 2 e e olo e a 1 ψ 1 (B 2 ), ( I B2 (ψ(a 1 ))µ 1 (da 1 ) = I ψ 1 (B 2 )(a 1 )µ 1 (da 1 ) = µ 1 ψ 1 (B 2 ) ). A 1 A 1 La dimotrazione egue poi con una tecnica che è tandard nell ambito della teoria della miura. Sia H l inieme delle funzioni f per cui è valida l uguaglianza (1.14). L inieme H verifica le eguenti proprietà: (i) linearità, ovvero e f, g H, allora, per ogni a,b R la funzione a f + b g H 21 Nel cao di variabili aleatorie vettoriali lo pazio (S, S) coincide con R d, B(R d ). Ma la formula vale anche per variabil aleatorie a valori in pazi più generali, come ad eempio gli pazi metrici, prendendo come igma-algebra la igma-algebra dei boreliani, oia la igma-algebra generata dagli aperti (in altre parole la più piccola igma algebra contente gli aperti). Come già detto eempi di tale genere i incontrano quando ci i interea di procei aleatori, penati come variabili aletorie a valori in uno pazio di funzioni, ad eempio lo pazio delle funzioni continue u un intervallo [, T ], con la metrica della norma uniforme.

18 14 MPEDP-dott-5-giugno-29 (come egue dalla proprietà di linearità per gli integrali ripetto a µ 1 ) (ii) la funzione 1, cioè la funzione cotante uguale ad 1, appartiene a H (come egue dall oervazione iniziale e notando che 1 = I A2, ) (iii) monotonia, ovvero e f n H e f n f, f M 2 (A 2 ) allora f H (come egue dalla proprietà della convergenza monotona degli integrali ripetto a µ 1 ) (iv) per ogni B 2 A 2, la funzione I B2 H (come egue immediatamente dalla oervazione iniziale; i noti inoltre che in realtà la (ii) egue da queta proprietà) Le precedenti proprietà aicurano che H è una clae monotona. Bata allora applicare il teorema delle clai monotone, che per comodità del lettore riportiamo di eguito. Teorema 1.3 (Teorema delle clai monotone). Sia (Ω, F) uno pazio miurabile e ia H un inieme di funzioni reali miurabili e limitate, con le eguenti proprietà: (i) H è uno pazio vettoriale, (ii) H contiene la funzione cotante 1, (iii) f n H, f n f, f limitata implicano f H cioè H è una clae monotona. Se inoltre H oddifa anche la eguente proprietà (iv) H contiene le funzioni del tipo I A per ogni A A, dove A F è un π-itema, cioè è chiuo per interezione finita, allora H contiene tutte le funzioni limitate e σ(a)-miurabili. Il precedente Teorema 1.2 i applica anche quando vogliamo calcolare la ditribuzione di una traformazione di una variabile ( aleatoria: ad eempio, e Z è una variabile aleatoria con ditribuzione P Y ed Z = ϕ(y ), allora P Z (B) = P Y ϕ 1 (B) ), come è immediato verificare. Nel cao di variabili aleatorie multivariate, e per funzioni ϕ ufficientemente regolari, i poono ottenere formule eplicite, utilizzando noti riultati di analii: ad eempio, e Y ammette denità f Y e ϕ è invertibile 22 e con derivate continue, allora anche Z ammette denità e i ha ( ) f Z (z) = f Y (ϕ 1 (z)) ϕ 1 det (z) = f Y (ϕ 1 1 (z)) ( ) z ϕ(y) det y y=ϕ 1(z). Particolarmente emplice è il cao di traformazioni lineari (o affini) in cui lo Jacobiano è il determinante della matrice. Ad eempio e Z = AY, con A invertibile, allora ϕ 1 (z) = A 1 z e la formula precedente diviene f Z (z) = f Y (A 1 1 (z)) det(a). Eempio Un eempio di traformazione che incontreremo peo nel eguito è il cao in cui Y = (Y 1, Y 2,, Y m ) e Z 1 = Y 1, Z 2 = Y 1 + Y 2, Z m = Y 1 + Y Y m, Allora la matrice A è la matrice triangolare A = oia z = ϕ(y) = A y, con z 1 = y 1, z 2 = y 1 + y 2, z m = y 1 + y y m. con determinante uguale ad In realtà bata che eita un aperto O, tale che la denità f Y (y) = per y / A e tale che ϕ ia invertibile da O a ϕ(o,

19 MPEDP-dott-5-giugno La traformazione invera è y 1 = z 1, y 2 = z 2 z 1, y m = z m z m 1, per cui, e Y ammette denità di probabilità, oia y = ϕ 1 (z) = A 1 y dove A 1 = f Z (z 1, z 2,, z m ) = f Y (z 1, z 2 z 1,, z m z m 1 ). Il cao m = 2 è particolarmente intereante in quanto permette di ricavare la denità della omma di due variabili aleatorie, emplicemente calcolando la denità marginale di Z 2 = Y 1 + Y 2 : per z R ( ) f Y1 +Y 2 (x) = f Z2 (x) = f Z1,Z 2 (x, x ) dx = f Y1,Y 2 (x, x x) dx. R R

20 16 MPEDP-dott-5-giugno Appendice: variabili Gauiane Cominciamo con il definire una variabile aleatoria gauiana tandard unidimenionale: Definizione 1.1. Si dice che una variabile aleatoria reale Z è gauiana di valore atteo µ e varianza σ 2, e ammette denità { f Z (z) = 1 exp 1 2π 2 ( ) } 2 x µ. σ In queto cao i ua la notazione Z N(µ, σ 2 ). Se µ = e σ 2 = 1 allora i dice che Z egue una legge normale o gauiana tandard. Cao n dimenionale: iniziamo con il cao di un vettore (colonna) aleatorio Y 1 Y 2 Y = Y k Y n a componenti indipendenti e tutte gauiane tandard, ovvero il cao in cui f Y (y) = = n f Yi (y i ) = i=1 n i=1 { 1 ( 2π) exp 1 n 2 { 1 exp 1 } 2π 2 y2 i n i=1 y 2 i } = { 1 exp 1 } (2π) n/2 2 y y. dove l apice indica l operazione di trapoizione, ovvero y è il vettore riga (y 1, y 2,, y n ). È immediato verificare che E(Y i ) =, V ar(y i ) = 1 e che Cov(Y i, Y j ) =, per i j. Sia ora A una matrice non ingolare e ia m un vettore (colonna). Definiamo ora Z = AY + m e cerchiamo la ua denità. Sappiamo dai riultati generali che e Y ammette denità e Z = ϕ(y ) con ϕ invertibile e con derivate continue, allora anche Z ammette denità: ( ) f Z (z) = f Y (ϕ 1 (z)) ϕ 1 det (z) = f Y (ϕ 1 (z)) z det 1 ( ϕ(y) y di coneguenza, poiché nel notro cao ϕ(y) = Ay + m e ϕ 1 (z) = A 1 (z m) Eendo i ottiene ) y=ϕ 1(z) f Z (z) = 1 { n exp 1 ( A 1 (z m) ) } A 1 1 (z m) 2π 2 det(a). (A 1 (z m)) A 1 (z m) = (z m) (A 1 ) A 1 (z m) = (z m) (A ) 1 A 1 (z m) = (z m) (AA ) 1 (z m) f Z (z) = La precedente epreione i baa ulle eguenti proprietà: { 1 1 (2π) n/2 det(a) exp 1 } 2 (z m) (AA ) 1 (z m).

Note su alcuni principi fondamentali di macroeconomia Versione parziale e provvisoria. Claudio Sardoni Sapienza Università di Roma

Note su alcuni principi fondamentali di macroeconomia Versione parziale e provvisoria. Claudio Sardoni Sapienza Università di Roma Note u alcuni principi fondamentali di macroeconomia Verione parziale e provvioria Claudio Sardoni Sapienza Univerità di Roma Anno accademico 2010-2011 ii Indice Premea v I Il breve periodo 1 1 Il fluo

Dettagli

Ing. Mariagrazia Dotoli Controlli Automatici NO (9 CFU) Antitrasformata di Laplace PROCEDIMENTI DI ANTITRASFORMAZIONE

Ing. Mariagrazia Dotoli Controlli Automatici NO (9 CFU) Antitrasformata di Laplace PROCEDIMENTI DI ANTITRASFORMAZIONE PROCEDIMENTI DI ANTITRASFORMAZIONE L'operazione di paaggio invero dal dominio della frequenza complea al dominio del tempo F() f(t) è detta antitraformata o traformazione invera di Laplace. Data una funzione

Dettagli

Teorema del Limite Centrale

Teorema del Limite Centrale Teorema del Limite Centrale Una combinazione lineare W = a 1 X + a Y + a 3 Z +., di variabili aleatorie indipendenti X,Y,Z, ciacuna avente una legge di ditribuzione qualiai ma con valori attei comparabili

Dettagli

Circuito Simbolico. Trasformazione dei componenti

Circuito Simbolico. Trasformazione dei componenti Circuito Simbolico Principio di bae E poibile applicare a tutte le leggi matematiche che regolano un circuito la traformata di Laplace, in modo da ottenere un nuovo circuito con delle proprietà differenti.

Dettagli

Controllore Processo. Le principali componenti del sistema sono: il rivelatore di errore, il controllore che ha il compito di trasformare il segnale

Controllore Processo. Le principali componenti del sistema sono: il rivelatore di errore, il controllore che ha il compito di trasformare il segnale CONTROLLORI DI TIO ID rincipi di funzionamento Il termine controllo definice l azione volta per portare e mantenere ad un valore prefiato un parametro fiico di un impianto o di un proceo (ad eempio, la

Dettagli

Capitolo IV L n-polo

Capitolo IV L n-polo Capitolo IV L n-polo Abbiamo oervato che una qualiai rete, vita da due nodi, diventa, a tutti gli effetti eterni, un bipolo unico e queto è in qualche miura ovvio e abbiamo anche motrato come cotruire

Dettagli

3. Catene di Misura e Funzioni di Trasferimento

3. Catene di Misura e Funzioni di Trasferimento 3.. Generalità 3. Catene di Miura e Funzioni di Traferimento 3.. Generalità Il egnale che rappreenta la grandezza da miurare viene trattato in modo da poter eprimere quet ultima con uno o più valori numerici

Dettagli

Le ipotesi di base che si utilizzano sono le stesse quattro già viste con riferimento al caso della flessione semplice e cioè:

Le ipotesi di base che si utilizzano sono le stesse quattro già viste con riferimento al caso della flessione semplice e cioè: LEZIONI N 44 E 45 CALCOLO A ROTTURA DELLA SEZIONE PRESSOINFLESSA PROBLEMI DI VERIFICA La procedura di verifica dei pilatri di c.a., ottopoti a forzo normale e momento flettente, è baata ulla cotruzione

Dettagli

Lezione 12. Regolatori PID

Lezione 12. Regolatori PID Lezione 1 Regolatori PD Legge di controllo PD Conideriamo un regolatore che eercita un azione di controllo dipendente dall errore attravero la eguente legge: t ut = K et K e d K de t P + τ τ+ D. dt La

Dettagli

Poiché la retta è definita dall equazione: y = a + bx. Capitolo 4. Regressione e Correlazione.

Poiché la retta è definita dall equazione: y = a + bx. Capitolo 4. Regressione e Correlazione. Diaz - Appunti di tatitica - AA 1/ - edizione 9/11/1 Cap. 4 - Pag. 1 Capitolo 4. Regreione e Correlazione. Regreione Il termine regreione ha un'origine antica ed un ignificato molto particolare. L inventore

Dettagli

Lezione 2. Campionamento e Aliasing. F. Previdi - Controlli Automatici - Lez. 2 1

Lezione 2. Campionamento e Aliasing. F. Previdi - Controlli Automatici - Lez. 2 1 Lezione 2. Campionamento e Aliaing F. Previdi - Controlli Automatici - Lez. 2 1 Schema della lezione 1. Introduzione 2. Il campionatore ideale 3. Traformata di un egnale campionato 4. Teorema del campionamento

Dettagli

Diagramma circolare di un motore asincrono trifase

Diagramma circolare di un motore asincrono trifase Diagramma circolare di un motore aincrono trifae l diagramma circolare è un diagramma che permette di leggere tutte le grandezze del motore aincrono trifae (potenza rea, perdite nel ferro, coppia motrice,

Dettagli

Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 11: 13-14 Maggio 2010. Meccanismi per la Condivisione dei Costi

Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 11: 13-14 Maggio 2010. Meccanismi per la Condivisione dei Costi Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/0 Lecture : 3-4 Maggio 200 Meccanimi per la Condiviione dei Coti Docente Paolo Penna Note redatte da: Paolo Penna Primo Eempio Vogliamo vendere

Dettagli

Laboratorio di Algoritmi e Strutture Dati

Laboratorio di Algoritmi e Strutture Dati Il problema Laboratorio di Algoritmi e Strutture Dati Docenti: M. Goldwurm, S. Aguzzoli Appello del 5 Aprile 005 Progetto Recinti Conegna entro il Aprile 005 Si tudia la reitenza di alcune pecie di piante

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2003

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2003 ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 003 Il candidato riolva uno dei due problemi e 5 dei 0 queiti in cui i articola il quetionario. PROLEMA Si conideri un tetraedro regolare T di vertici

Dettagli

Corso di Microonde II

Corso di Microonde II POITECNICO DI MIANO Coro di Microonde II ezi n. 3: Generalità ugli amplificatori ineari Coro di aurea pecialitica in Ingegneria delle Telecomunicazi Circuiti attivi a microonde (Amplificatori) V in Z g

Dettagli

Cinematica: soluzioni. Scheda 4. Ripetizioni Cagliari di Manuele Atzeni - 3497702002 - info@ripetizionicagliari.it

Cinematica: soluzioni. Scheda 4. Ripetizioni Cagliari di Manuele Atzeni - 3497702002 - info@ripetizionicagliari.it Cinematica: oluzioni Problema di: Cinematica - C0015ban Teto [C0015ban] Eercizi banali di Cinematica: 1. Moto rettilineo uniforme (a) Quanto pazio percorre in un tempo t = 70 un oggetto che i muove con

Dettagli

Sintesi tramite il luogo delle radici

Sintesi tramite il luogo delle radici Sintei tramite il luogo delle radici Può eere utilizzata anche per progettare itemi di controllo per itemi intabili Le pecifiche devono eere ricondotte a opportuni limiti u %, ta, t di W(), oltre quelle

Dettagli

Teoria delle decisioni in condizione di certezza e rischio

Teoria delle decisioni in condizione di certezza e rischio Teoria delle deciioni in condizione di certezza e richio Appunti di Fioravante PATRONE http://www.fioravante.patrone.name/default.htm Deciori (razionali) interagenti verione del 16 giugno 2010 Indice 1

Dettagli

Esercizi sul moto del proiettile

Esercizi sul moto del proiettile Eercizi ul moto del proiettile Riolvi li eercizi ul quaderno utilizzando la oluzione olo per controllare il tuo riultato. 1 Un fucile è puntato orizzontalmente contro un beralio alla ditanza di 30 m. Il

Dettagli

Le Misure. 2 ottobre 2007

Le Misure. 2 ottobre 2007 Le Miure ottobre 007 In tutte le oluzioni i farà ricoro alla notazione cientifica dei numeri, baata ul ignificato del itema decimale e poizionale. (piegare il ignificato) 1 Lunghezza 1.0.1 Una navetta

Dettagli

1 Generalità sui sistemi di controllo

1 Generalità sui sistemi di controllo 1 Generalità ui itemi di controllo Col termine proceo nell impiantitica chimica i intende un inieme di operazioni eeguite u una certa quantità di materia allo copo di modificarne in tutto o in parte alcune

Dettagli

Slide del corso di. Controllo digitale

Slide del corso di. Controllo digitale Slide del coro di Controllo digitale Coro di Laurea in Ingegneria Informatica e dell Informazione Univerità di Siena, Dip. Ing. dell Informazione e Sc. Matematiche Parte III Sitemi a dati campionati Gianni

Dettagli

Sezioni in c.a. La flessione composta. Catania, 16 marzo 2004 Marco Muratore

Sezioni in c.a. La flessione composta. Catania, 16 marzo 2004 Marco Muratore Sezioni in c.a. La fleione compota Catania, 16 marzo 004 arco uratore Per chi non c era 1. Compreione: verifica Tenioni ammiibili α cd Ac f 1.5 f yd A 0.7 σ ( A max c c n A ) Riultati comparabili per il

Dettagli

Stato limite ultimo di sezioni in c.a. soggette. SLU per sezioni rettangolari in c.a. con. determinazione del campo di rottura

Stato limite ultimo di sezioni in c.a. soggette. SLU per sezioni rettangolari in c.a. con. determinazione del campo di rottura Univerità degli Studi di Roma Tre Coro di Progetto di trutture - A/A 2008-0909 Stato limite ultimo di ezioni in c.a. oggette a preoleione SLU per ezioni rettangolari in c.a. con doppia armatura determinazione

Dettagli

Capitolo. Il comportamento dei sistemi di controllo in regime permanente. 6.1 Classificazione dei sistemi di controllo. 6.2 Errore statico: generalità

Capitolo. Il comportamento dei sistemi di controllo in regime permanente. 6.1 Classificazione dei sistemi di controllo. 6.2 Errore statico: generalità Capitolo 6 Il comportamento dei itemi di controllo in regime permanente 6. Claificazione dei itemi di controllo 6. Errore tatico: generalità 6. Calcolo dell errore a regime 6.4 Eercizi - Errori a regime

Dettagli

6) Stati di cedimento 6.1) Introduzione all analisi delle costruzioni in muratura nel loro stato attuale

6) Stati di cedimento 6.1) Introduzione all analisi delle costruzioni in muratura nel loro stato attuale 6) tati di cedimento 6.1) Introduzione all analii delle cotruzioni in muratura nel loro tato attuale Nel conteto del modello di materiale rigido non reitente a trazione, la valutazione delle capacità portanti

Dettagli

22 - Il principio dei lavori virtuali

22 - Il principio dei lavori virtuali - Il principio dei lavori virtuali ü [.a. 0-0 : ultima reviione 5 aprile 0] Eempio n. Si conideri il portale di Figura, emplicemente ipertatico. Si vuole applicare il principio dei lavori virtuali per

Dettagli

ELETTRONICA ANALOGICA INDUSTRIALE PARTE 4. Retroazione

ELETTRONICA ANALOGICA INDUSTRIALE PARTE 4. Retroazione Retroazione Eetto della retroazione ul guadagno Riduzione della ditorione Impedenze di ingreo e di ucita Reti di retroazione Ripota in requenza Eetto della retroazione ui poli Margini di guadagno e di

Dettagli

La manutenzione. Definizioni. Evoluzione storica. Manutenzione: Manutenibilità: Dott.ssa Brunella Caroleo

La manutenzione. Definizioni. Evoluzione storica. Manutenzione: Manutenibilità: Dott.ssa Brunella Caroleo La Dott.a Brunella Caroleo Definizioni Manutenzione: È il controllo cotante degli impianti e l inieme dei lavori di riparazione e otituzione neceari ad aicurare il funzionamento regolare e a mantenere

Dettagli

2. LA DIFFUSIONE - CONCETTI BASE

2. LA DIFFUSIONE - CONCETTI BASE LA DIFFUSIONE . LA DIFFUSIONE - CONCETTI BASE Molte reazioni e molti procei di rilevante importanza nel trattamento dei materiali i baano ul traporto di maa. Queto traporto può avvenire o all interno di

Dettagli

La popolazione di gatti urbani sul territorio del Comune di Firenze

La popolazione di gatti urbani sul territorio del Comune di Firenze Relazione di Teoria dei Sitemi La popolazione di gatti urbani ul territorio del Comune di Firenze Modelli per lo tudio ed il controllo Docente: Aleandro Caavola Studenti: Leonardo Profeti, Manfredi Toraldo,

Dettagli

Definizione delle specifiche per un sistema di controllo a retroazione unitaria

Definizione delle specifiche per un sistema di controllo a retroazione unitaria Definizione delle pecifiche per un itema di controllo a retroazione unitaria Obiettivi del controllo Il itema di controllo deve eere progettato in modo da garantire un buon ineguimento dei egnali di riferimento

Dettagli

1 I prodotti finanziari di riferimento

1 I prodotti finanziari di riferimento UN MODELLO PER L ANALISI DELLO STILE DI GESTIONE DEI FONDI COMUNI DI INVESTIMENTO Domenico Vitocco 1+, Claudio Converano 1 1 Dipartimento di Economia e Territorio, Univerità di Caino, Via Mazzaroppi, I-03043

Dettagli

2. In un mercato concorrenziale senza intervento pubblico non si ha perdita di benessere sociale netto.

2. In un mercato concorrenziale senza intervento pubblico non si ha perdita di benessere sociale netto. Beanko & Breautigam Microeconomia Manuale elle oluzioni Capitolo 10 Mercati concorrenziali: applicazioni Soluzioni elle Domane i ripao 1. In corriponenza ell equilibrio i lungo perioo, un mercato concorrenziale

Dettagli

Esempio 1 Si consideri la sezione di un solaio latero-cementizio (1 m) di caratteristiche geometriche:

Esempio 1 Si consideri la sezione di un solaio latero-cementizio (1 m) di caratteristiche geometriche: Si riporta di eguito la rioluzione di alni eercizi riguardanti il calcolo del momento reitente e del dominio di preoleione di ezioni in cemento armato. In tutte le applicazioni ucceive i è utilizzato per

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO 2006 Indirizzo Scientifico-Tecnologico Progetto Brocca

ESAME DI STATO DI LICEO SCIENTIFICO 2006 Indirizzo Scientifico-Tecnologico Progetto Brocca Eame di tato 00 ESAME D STATO D LCEO SCENTFCO 00 ndirizzo Scientifico-Tecnologico rogetto Brocca Tema di: FSCA tracrizione del teto e redazione oluzione di Quintino d Annibale Secondo tema L'etto oule

Dettagli

Errori di misura. è ragionevole assumere che una buona stima del valore vero sia la media

Errori di misura. è ragionevole assumere che una buona stima del valore vero sia la media Errori di miura Se lo trumento di miura è abbatanza enibile, la miura rietuta della tea grandezza fiica darà riultati diveri fra loro e fluttuanti in modo caratteritico. E l effetto di errori cauali, o

Dettagli

Indice. 1 Le misure, 4. 3 Le forze e il moto, 118 2 Le forze e l equilibrio, 40 III. Unità 5 Equilibrio del corpo rigido, 80

Indice. 1 Le misure, 4. 3 Le forze e il moto, 118 2 Le forze e l equilibrio, 40 III. Unità 5 Equilibrio del corpo rigido, 80 III Indice Premea, V Introduzione, Un po di curioità..., Il metodo perimentale, 3 Le miure, Unità Miure ed errori, 6. Le miure, 6. L incertezza della miura, 0.3 L errore relativo,. Il Sitema Internazionale

Dettagli

L interpolazione areale: una soluzione al problema del confronto fra dati riferiti a sistemi spaziali differenti

L interpolazione areale: una soluzione al problema del confronto fra dati riferiti a sistemi spaziali differenti L interpolazione areale: una oluzione al problema del confronto fra dati riferiti a itemi paziali differenti Maria Michela Dickon, Giueppe Epa, Diego Giuliani e Emanuele Taufer 1. Introduzione Accade di

Dettagli

corso di formazione ed aggiornamento

corso di formazione ed aggiornamento coro di ormazione ed aggiornamento NUOVE NORME TECNICHE IN ZONA SISMICA di cui all ordinanza n. 374 del P.C.M. del 0.03.003 pubblicata ulla Gazzetta Uiciale in data 08.05.003 ARGOMENTO DELLA LEZIONE: LA

Dettagli

Università di Firenze Corso di Laurea in Ingegneria per l'ambiente e il Territorio. Corso di TECNICA DELLE COSTRUZIONI

Università di Firenze Corso di Laurea in Ingegneria per l'ambiente e il Territorio. Corso di TECNICA DELLE COSTRUZIONI Univerità di Firenze Coro di Laurea in Ingegneria per l'ambiente e il Territorio Coro di TECNICA DELLE COSTRUZIONI APPUNTI DI TECNICA DELLE COSTRUZIONI ( prof. Gianno Bartoli e prof. Maurizio Orlando)

Dettagli

Paolo Rocco. Automatica

Paolo Rocco. Automatica Paolo Rocco Dipene ad uo degli tudenti del Politecnico di Milano per i cori da cinque crediti didattici Automatica Ingegneria Aeropaziale E vietato l uo commerciale di queto materiale Avvertenza Queta

Dettagli

LA GESTIONE DELLO STRESS

LA GESTIONE DELLO STRESS LA GESTIONE DELLO STRESS Stre è enza alcun dubbio una delle parole più uate (o abuate) nel mondo, almeno in quello occidentale. Vi ono molti ignificati dati a queto termine, alcuni ne ottolineano primariamente

Dettagli

IL TEOREMA DI UNICITA PER 1 FLUIDI INCOMPRESSIBILI, PERFETTI,ETEROGENEI

IL TEOREMA DI UNICITA PER 1 FLUIDI INCOMPRESSIBILI, PERFETTI,ETEROGENEI IL TEOREMA DI UNICITA PER 1 FLUIDI INCOMPRESSIBILI, PERFETTI,ETEROGENEI di DARIO GRAFFI, Bologna (Italia) 1. In una Nota pubblicata due anni fa (1) ho tabilito il teorema di unicitil per le'equazioni dei

Dettagli

Parrucchiera / parrucchiere con attestato federale di capacità (AFC)

Parrucchiera / parrucchiere con attestato federale di capacità (AFC) Piano di formazione per l ordinanza ulla formazione profeionale di bae Parrucchiera / parrucchiere con attetato federale di capacità (AFC) Numero della profeione 8014 del 1 novembre 01 Indice Indice...

Dettagli

2 I METODI DI ANALISI DEI SISTEMI DI CONTROLLO AD ANELLO CHIUSO LINEARI 12

2 I METODI DI ANALISI DEI SISTEMI DI CONTROLLO AD ANELLO CHIUSO LINEARI 12 COSO DI SISTEMI Sommario 1 I SISTEMI DI CONTOLLO...4 1.1 Introduzione...4 1.1.1 Sitemi di controllo ad anello aperto...5 1.1.2 Sitemi di controllo a previione...7 1.1.3 Sitemi di controllo ad anello chiuo

Dettagli

Fig. 9.72 - Prisma di Saint Venant soggetto a torsione

Fig. 9.72 - Prisma di Saint Venant soggetto a torsione 9.6 orione del prima di Saint Venant La trattazione del problema di de Saint Venant volta inora ha ecluo la preenza della torione, coa per la quale era neceario che la retta di azione del taglio paae per

Dettagli

La macchina sincrona (3 parte): raffreddamento, eccitatrici, impedenza sincrona, curve di prestazione limite, motore sincrono

La macchina sincrona (3 parte): raffreddamento, eccitatrici, impedenza sincrona, curve di prestazione limite, motore sincrono La macchina incrona (3 parte): raffreddamento, eccitatrici, impedenza incrona, curve di pretazione limite, motore incrono Lucia FROSINI Dipartimento di Ingegneria Indutriale e dell Informazione Univerità

Dettagli

Lamiere grecate semplici in acciaio e alluminio

Lamiere grecate semplici in acciaio e alluminio Capitolo 1 Lamiere grecate emplici in acciaio e alluminio Sommario: 1.1 Generalità 1.1.1 Norme di riferimento 1.1. Tipologie, materiali e campi di applicazione 1.1.3 Definizione della ezione efficace 1.

Dettagli

CHAPTER 1 CINEMATICA. 1.1. Moto Rettilineo

CHAPTER 1 CINEMATICA. 1.1. Moto Rettilineo ESERCIZI DI FISICA CHAPTER 1 CINEMATICA 1.1. Moto Rettilineo Velocità media: vettoriale e calare. Exercie 1. Carl Lewi ha coro i 100m piani in circa 10, e Bill Rodger ha vinto la maratona (circa 4km)

Dettagli

APPLICAZIONI DELLA TRASFORMATA DI LAPLACE

APPLICAZIONI DELLA TRASFORMATA DI LAPLACE C A P I T O L O 7 APPLICAZIONI DELLA TRASFORMATA DI LAPLACE 7. INTRODUZIONE Ora che è tata introdotta la traformata di Laplace, è poibile paare a eaminare che coa i può fare con ea. La traformata di Laplace

Dettagli

Trasformata di Laplace ESEMPI DI MODELLIZZAZIONE

Trasformata di Laplace ESEMPI DI MODELLIZZAZIONE Traformata di Laplace ESEMPI DI MODELLIZZAZIONE Introduzione La traformata di Laplace i utilizza nel momento in cui è tata individuata la funzione di traferimento La F.d.T è una equazione differenziale

Dettagli

E opportuno fare precedere questa lezione e quelle che seguiranno da tre considerazioni.

E opportuno fare precedere questa lezione e quelle che seguiranno da tre considerazioni. Capitolo 6 Teorie e modelli di crecita economica E opportuno fare precedere queta lezione e quelle che eguiranno da tre coniderazioni. 1. Qui affronteremo dei modelli teorici che i rifericono oprattutto

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

Cap. 4 Mercati finanziari

Cap. 4 Mercati finanziari Cap. 4 ercati finanziari Tao interee (i): importante per invetimenti e celte i conumo intertemporali. Noi iamo intereati principalmente ai primi. Come i etermina i? Attori: Banca Centrale (BC), banche,

Dettagli

IL CONTROLLO DEI GNSS SYSTEMS IN REAL TIME KINEMATIC CON LE NUOVE NORME ISO 17123-8:2007

IL CONTROLLO DEI GNSS SYSTEMS IN REAL TIME KINEMATIC CON LE NUOVE NORME ISO 17123-8:2007 IL CONTROLLO DEI GNSS SYSTEMS IN REAL TIME KINEMATIC CON LE NUOVE NORME ISO 17123-8:2007 Lorenzo LEONE (*), Daniela LAUDANI FICHERA (**) Marco LEONE (***), Giueppe PULVIRENTI (****) (*) Dipartimento di

Dettagli

Lezioni di Algebra Lineare III. Applicazioni lineari e matrici Struttura algebrica delle soluzioni dei sistemi lineari

Lezioni di Algebra Lineare III. Applicazioni lineari e matrici Struttura algebrica delle soluzioni dei sistemi lineari Versione ottobre novembre 2008 Lezioni di Algebra Lineare III. Applicazioni lineari e matrici Struttura algebrica delle soluzioni dei sistemi lineari Contenuto 1. Applicazioni lineari 2. L insieme delle

Dettagli

Il Processo Stocastico Martingala e sue Applicazioni in Finanza

Il Processo Stocastico Martingala e sue Applicazioni in Finanza Il Processo Stocastico Martingala e sue Applicazioni in Finanza Rosa Maria Mininni a.a. 2014-2015 1 Introduzione Scopo principale della presente dispensa é quello di illustrare i concetti matematici fondamentali

Dettagli

Ottica. LEYBOLD Schede di fisica P5.6.2.1

Ottica. LEYBOLD Schede di fisica P5.6.2.1 Ottica LEYBOLD Schede di fiica Velocità della luce Miura eeguita ediante ipuli luinoi di breve durata LEYBOLD Schede di fiica Deterinazione della velocità della luce nell aria eeguita ediante il tepo di

Dettagli

Trasformazioni Elementari 2D

Trasformazioni Elementari 2D Traformazioni Elementari 2D Le traformazioni affini ono operazioni di ROTAZIONE, TRASLAZIONE e SCALATURA che permettono di modificare l oggetto 2D o 3D. Una traformazione è definita da una matrice T. Applicare

Dettagli

ANOMALIE DI FUNZIONAMENTO DEL GENERATORE ACICLICO OMOPOLARE (PARADOSSO DI FARADAY)

ANOMALIE DI FUNZIONAMENTO DEL GENERATORE ACICLICO OMOPOLARE (PARADOSSO DI FARADAY) ANOMALIE DI FUNZIONAMENTO DEL GENERATORE ACICLICO OMOPOLARE (PARADOSSO DI FARADAY) dr. ing. Alberto Sacchi ing.acchi@alice.it ex Preidente Cofim pa gruppo Akro BPM Sviluppo Progetti Avanzati a SINTESI

Dettagli

FISICA Lavoro, Potenza, Energia

FISICA Lavoro, Potenza, Energia Lavoro, Potenza, Energia. Il Lavoro Supponiamo di applicare una forza F ad un corpo materiale per un determinato intervallo di tempo, con l effetto di far potare il corpo teo dalla ua poizione iniziale

Dettagli

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Laurea in Ingegneria Meccatronica A.A. 2010 2011 n-dimensionali Riepilogo. Gli esiti di un esperimento aleatorio

Dettagli

Obiettivi in Alta Definizione e gestione delle Aberrazioni Cromatiche 1 parte

Obiettivi in Alta Definizione e gestione delle Aberrazioni Cromatiche 1 parte HD ACADEMY a cura dell Ing. Sergio Brighel* Obiettivi in Alta Definizione e getione delle Aberrazioni Cromatiche 1 parte Il fenomeno delle aberrazioni cromatiche è tra le caue più importanti di decadimento

Dettagli

ERRORE STATICO. G (s) H(s) Y(s) E(s) X (s) YRET(s)

ERRORE STATICO. G (s) H(s) Y(s) E(s) X (s) YRET(s) Preciione a regime: errore tatico ERRORE STATICO Alimentazione di potenza E() YRET() G() Y() H() Per errore tatico i intende lo cotamento, a regime, della variabile controllata Y() dal valore deiderato.

Dettagli

Controlli automatici

Controlli automatici Controlli automatici Proetto del controllore nel dominio della frequenza Prof. Paolo Rocco (paolo.rocco@polimi.it) Politecnico di Milano Dipartimento di Elettronica, Informazione e Bioineneria Introduzione

Dettagli

STAFFE ROTANTI. Programma generale. Pressione d esercizio fino a 500 bar. A semplice e doppio effetto. 7 differenti tipi di corpo

STAFFE ROTANTI. Programma generale. Pressione d esercizio fino a 500 bar. A semplice e doppio effetto. 7 differenti tipi di corpo Programma generale STAFFE ROTANTI Preione d eercizio fino a A emplice e doppio effetto 7 differenti tipi di corpo Forza di bloccaggio maima da 0,6 a 41 kn Cora di bloccaggio maima da 7 a 50 mm Sicurezza

Dettagli

11. LO SCAMBIO TERMICO PER CONDUZIONE

11. LO SCAMBIO TERMICO PER CONDUZIONE . LO SCAMBIO ERMICO PER CONDUZIONE. Premea: i meccanimi di tramiione del calore In ermodinamica i è definito il calore come la forma aunta dall energia in tranito uando la ua tramiione da un corpo ad un

Dettagli

n. 9/2010 La nuova rilevazione trimestrale del fatturato di alcune divisioni dell informazione e comunicazione A. Cirianni

n. 9/2010 La nuova rilevazione trimestrale del fatturato di alcune divisioni dell informazione e comunicazione A. Cirianni n. 9/200 La nuova rilevazione trimetrale del fatturato di alcune diviioni dell informazione e comunicazione A. Cirianni ISTAT Servizio Editoria - Centro tampa n. 9/200 La nuova rilevazione trimetrale del

Dettagli

SPECIALISTI DELL AUTOMOTIVE

SPECIALISTI DELL AUTOMOTIVE 80_84_147do5 d Pagina 80 o di MILA MOLINARI i e SPECIALISTI DELL AUTOMOTIVE Eperti nella lavorazione di prototipi e particolari detinati al ettore automobilitico, CMG Cofeva da oltre 30 anni opera nel

Dettagli

Rilevazione mensile sull'occupazione, gli orari di lavoro e le retribuzioni nelle grandi imprese

Rilevazione mensile sull'occupazione, gli orari di lavoro e le retribuzioni nelle grandi imprese SISTEMA STATISTICO NAZIONALE ISTITUTO NAZIONALE DI STATISTICA Rilevazione menile ull'occupazione, gli orari di lavoro e le retribuzioni nelle grandi impree 2006 Metodi e Norme n. 29 I ettori AMBIENTE E

Dettagli

Indice. Notazioni generali

Indice. Notazioni generali Indice Notazioni generali XIII 1 Derivati e arbitraggi 1 1.1 Opzioni 1 1.1.1 Finalità 3 1.1.2 Problemi 4 1.1.3 Leggi di capitalizzazione 4 1.1.4 Arbitraggi e formula di Put-Call Parity 5 1.2 Prezzo neutrale

Dettagli

Valori caratteristici di distribuzioni

Valori caratteristici di distribuzioni Capitolo 3 Valori caratteristici di distribuzioni 3. Valori attesi di variabili e vettori aleatori In molti casi è possibile descrivere adeguatamente una distribuzione di probabilità con pochi valori di

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

DOCUMENTO PER LA CONSULTAZIONE 509/2015/R/COM

DOCUMENTO PER LA CONSULTAZIONE 509/2015/R/COM DOCUMENTO PER LA CONSULTAZIONE 509/2015/R/COM CRITERI PER LA DETERMINAZIONE E L AGGIORNAMENTO DEL TASSO DI REMUNERAZIONE DEL CAPITALE INVESTITO PER LE REGOLAZIONI INFRASTRUTTURALI DEI SETTORI ELETTRICO

Dettagli

Meccanica Classica: Cinematica Formule

Meccanica Classica: Cinematica Formule Tet di Fiica - Cinematica Meccanica Claica: Cinematica Formule Velocità media: m Accelerazione media: Formule da ricordare: x x x1 t t t1 1 a m t t t Motouniforme: x(t)x 0 + t oppure x t 1 Moto uniformemente

Dettagli

1.1. Spazi metrici completi

1.1. Spazi metrici completi SPAZI METRICI: COMPLETEZZA E COMPATTEZZA Note informali dalle lezioni 1.1. Spazi metrici completi La nozione di convergenza di successioni è centrale nello studio degli spazi metrici. In particolare è

Dettagli

Obiettivi. Fondamenti di Grafica Tridimensionale. Strumenti. Corsi collegati. Paolo Cignoni p.cignoni@isti.cnr.it http://vcg.isti.cnr.

Obiettivi. Fondamenti di Grafica Tridimensionale. Strumenti. Corsi collegati. Paolo Cignoni p.cignoni@isti.cnr.it http://vcg.isti.cnr. Obiettivi Fondamenti di Grafica Tridimenionale Paolo Cignoni p.cignoni@iti.cnr.it http://vcg.iti.cnr.it/~cignoni 1 Conocere gli apetti fondamentali riguardo alle nozioni teoriche e algoritmiche per la

Dettagli

BOZZA. Lezione n. 20. Stati limite nel cemento armato Stato limite ultimo per tensioni normali

BOZZA. Lezione n. 20. Stati limite nel cemento armato Stato limite ultimo per tensioni normali Lezione n. Stati limite nel cemento armato Stato limite ultimo per tenioni normali Determinazione elle configurazioni i rottura per la ezione Una volta introotti i legami cotitutivi, è poibile eterminare

Dettagli

Sensori di contatto. Sensori magnetici. Sensori potenziometrici. Urto Fine corsa motori Baffi di contatto. V cc. Data Acquisition Board. V s.

Sensori di contatto. Sensori magnetici. Sensori potenziometrici. Urto Fine corsa motori Baffi di contatto. V cc. Data Acquisition Board. V s. Senori di contatto Data Acquiition Board V Urto Fine cora motori Baffi di contatto witch = 5V open V = 5 V = 47K cloed V = 0 V Senori magnetici Data Acquiition Board V Ampolla eed magnete ilevazione paaggio

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

Il CONCIME da pollice verde? Non sempre è il più CARO

Il CONCIME da pollice verde? Non sempre è il più CARO Il Salvagente 1- maggio 201 Conumi Tet 21 Il CONCIME da pollice verde? n empre è il più CARO Marta Strinati è tato lungo e faticoo anche per le piante. Freddo, pioggia e mancanza di cu- L inverno re hanno

Dettagli

11 L energia. meccanica. unità

11 L energia. meccanica. unità unità 11 L energia meccanica Ceare Galimberti, Olycom Il record mondiale di alto in alto è di 2,45 m. Se i faceero le Olimpiadi ulla Luna, l ata dovrebbe eere itemata molto più in alto, perché la forza

Dettagli

Il moto dei fluidi reali nelle condotte IV parte

Il moto dei fluidi reali nelle condotte IV parte Il moto dei fluidi reali nelle condotte IV parte. erdite di carico concentrate. Il moto dei fluidi reali nelle condotte è nella uai totalità uniforme: il carico idraulico della corrente, fatta eccezione

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

SERS (surface enhanced raman scattering)

SERS (surface enhanced raman scattering) a pettrocopia aman tradizionale SS (urface enhanced raman cattering) a pettrocopia aman è una tecnica di indagine uperficiale che i baa ul principio di eccitazione dei livelli energetici della materia.

Dettagli

Reologia 4.3. 4.3.1 Introduzione. con ġ ed è anche detto velocità di deformazione di taglio. La relazione

Reologia 4.3. 4.3.1 Introduzione. con ġ ed è anche detto velocità di deformazione di taglio. La relazione 4. Reologia 4.. Introduzione La reologia è una delle poche branche della cienza alla quale i poa attribuire una ben precia data di nacita, il 9 aprile 99, giorno in cui, a Columbu in Ohio, fu fondata la

Dettagli

CENTRO LIBRI AREA RISERVATA: ISTRUZIONI PERL USO

CENTRO LIBRI AREA RISERVATA: ISTRUZIONI PERL USO CENTRO LIBRI AREA RISERVATA: ISTRUZIONI PERL USO 1. IL TUO PROFILO 2. RICERCA A CATALOGO SEMPLICE 3. RICERCA A CATALOGO AVANZATA 4. I RISULTATI DELLA RICERCA 5. PROMOZIONI IN CORSO E OFFERTE IN ESCLUSIVA

Dettagli

4 Risposta sismica del sistema terreno-struttura

4 Risposta sismica del sistema terreno-struttura 4 Ripota imica del itema terreno-truttura 4.1 ANALISI DELL INTERAZIONE TERRENO-STRUTTURA 4.1.1 Generalità Il itema di cui i è tudiata la ripota imica conta di due parti con differenti proprietà (fig. 4.1):

Dettagli

Alessandro Scopelliti. Università di Reggio Calabria e University of Warwick. alessandro.scopelliti@unirc.it

Alessandro Scopelliti. Università di Reggio Calabria e University of Warwick. alessandro.scopelliti@unirc.it Aleandro Scoelliti Univerità di Reggio Calabria e Univerity of Warwick aleandro.coelliti@unirc.it Selezione avvera La elezione avvera è il fenomeno er cui, in un mercato caratterizzato da informazione

Dettagli

LA FUNZIONE ESPONENZIALE E IL LOGARITMO

LA FUNZIONE ESPONENZIALE E IL LOGARITMO LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e

Dettagli

Lezione 11. Equilibrio dei mercati del credito e della moneta bancaria. domanda di credito delle imprese = offerta delle banche;

Lezione 11. Equilibrio dei mercati del credito e della moneta bancaria. domanda di credito delle imprese = offerta delle banche; Lezione 11. Equilibrio dei mercati del credito e della moneta bancaria L E d = L domanda di credito delle impree = offerta delle banche; M d H = M M domanda di moneta (legale e bancaria) delle famiglie

Dettagli

5. La teoria astratta della misura.

5. La teoria astratta della misura. 5. La teoria astratta della misura. 5.1. σ-algebre. 5.1.1. σ-algebre e loro proprietà. Sia Ω un insieme non vuoto. Indichiamo con P(Ω la famiglia di tutti i sottoinsiemi di Ω. Inoltre, per ogni insieme

Dettagli

Siano V e W due spazi vettoriali. La definizione seguente é è tra quelle basilari per il corso di Matematica B. L : V W

Siano V e W due spazi vettoriali. La definizione seguente é è tra quelle basilari per il corso di Matematica B. L : V W Matematica B - a.a 2006/07 p. 1 Siano V e W due spazi vettoriali. La definizione seguente é è tra quelle basilari per il corso di Matematica B. Definizione 1. La funzione L : V W si dice una applicazione

Dettagli

Filtri analogici. 1915 Primi filtri elettrici per ripetitori. dei segnali. Un filtro è un calcolatore analogico

Filtri analogici. 1915 Primi filtri elettrici per ripetitori. dei segnali. Un filtro è un calcolatore analogico Filtri analogici 95 Primi filtri elettrici per ripetitori Tutte le applicazioni di trattamento e tramiione dei egnali Un filtro è un calcolatore analogico componenti poco precii, oggetti a variazioni di

Dettagli

Probabilità e Finanza

Probabilità e Finanza Appunti del corso Probabilità e Finanza AA 2007/2008 Paolo Baldi Lucia Caramellino http://wwwmatuniroma2it/ caramell [versione: settembre 2007] Ringrazio tutti gli studenti che hanno contribuito, con le

Dettagli

Corso di Calcolo delle Probabilità e Statistica. Esercizi su variabili aleatorie discrete

Corso di Calcolo delle Probabilità e Statistica. Esercizi su variabili aleatorie discrete Corso di Calcolo delle Probabilità e Statistica Esercizi su variabili aleatorie discrete Es.1 Da un urna con 10 pallina bianche e 15 palline nere, si eseguono estrazioni con reimbussolamento fino all estrazione

Dettagli

Lezione 4: la velocità. Nella scorsa lezione abbiamo considerato la grandezza velocità media. Essa, come ricordate, è definita così:

Lezione 4: la velocità. Nella scorsa lezione abbiamo considerato la grandezza velocità media. Essa, come ricordate, è definita così: Lezione 4 - pag.1 Lezione 4: la velocità 4.1. Velocità edia e grafico tepo - poizione Nella cora lezione abbiao coniderato la grandezza velocità edia. Ea, coe ricordate, è definita coì: ditanza percora

Dettagli

19. Inclusioni tra spazi L p.

19. Inclusioni tra spazi L p. 19. Inclusioni tra spazi L p. Nel n. 15.1 abbiamo provato (Teorema 15.1.1) che, se la misura µ è finita, allora tra i corispondenti spazi L p (µ) si hanno le seguenti inclusioni: ( ) p, r ]0, + [ : p

Dettagli