Il Processo Stocastico Martingala e sue Applicazioni in Finanza

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Il Processo Stocastico Martingala e sue Applicazioni in Finanza"

Transcript

1 Il Processo Stocastico Martingala e sue Applicazioni in Finanza Rosa Maria Mininni a.a Introduzione Scopo principale della presente dispensa é quello di illustrare i concetti matematici fondamentali della teoria delle martingale e di evidenziare la vasta applicabilità della teoria delle martingale per la rappresentazione delle problematiche di ordine finanziario. A questo scopo verranno presentate alcune applicazioni relative al prezzaggio delle opzioni e dei titoli sottostanti. Nel complesso si cercherà di verificare fino a che punto l uso dei processi martingale sia compatibile, in termini di congruenza, con le logiche sottostanti il funzionamento dei mercati finanziari ed inoltre si illustreranno le tecniche, utilizzate dalle moderne metodiche in materia di asset pricing, di trasformazione dei processi stocastici in martingale laddove tale trasformazione permette agli analisti finanziari una più facile trattazione delle problematiche finanziarie. 2 Cenni storici Il termine martingala si ricollega ad una serie di strategie utilizzate dagli scommettitori francesi nel XVIII secolo. La più semplice di queste strategie veniva usata in una sequenza di scommesse sugli esiti del lancio di una moneta equa (cioè con eguale probabilità 1/2 di uscire testa o croce ad ogni lancio, indipendentemente dall esito dei lanci precedenti): un giocatore vince (perde) una somma di danaro, pari alla posta S n da lui liberamente scelta al lancio n, se si verifica l evento esce testa ( esce croce ). La strategia consiste nell iniziare puntando la somma 1 alla prima giocata e, in seguito, ancora 1 dopo una vincita (testa), e raddoppiando sistematicamente la posta precedente S n+1 = 2 S n dopo una perdita (croce). Utilizzando questa strategia, la distribuzione di probabilità della vincita dello scommettitore dopo N puntate è (al crescere di N) fortemente asimmetrica: bassa probabilità di forti perdite che compensa un alta probabilità di Dipartimento di Matematica, Università di Bari Aldo Moro 1

2 2 piccoli guadagni, ma la vincita attesa (speranza matematica), qualunque sia il numero di scommesse della sequenza, è sempre 0. Per esempio, dopo 3 giocate il guadagno può essere +3(sequenza T T T ), +2(T CT e CT T ), +1(T T C e CCT ), 0(CT C), -2(T CC), -7(CCC) e la conclusione segue, tenendo conto che ciascuna sequenza ha probabilità pari a 1/8. Indichiamo con X 0, X 1, X 2,... il denaro posseduto dal giocatore rispettivamente prima del primo lancio (X 0 ), dopo il primo lancio (X 1 ), dopo il secondo lancio (X 2 ) e così via. Allora, da quanto spiegato sopra, il valore atteso di X N, ovvero del denaro posseduto (guadagno) dopo N lanci, sarà semplicemente X 0, ovvero la somma inizialmente posseduta. Ma se è noto che dopo m lanci il giocatore possiede la somma X m, l aspettativa più ragionevole riguardo alla vincita dopo N lanci (con N > m) sarà invece X m. Questa è appunto la proprietà di martingala. Se ne deduce, quindi, che questa tecnica, che apparentemente conduce ad una vincita finale certa, é invece la causa di forti perdite da parte di scommettitori. Un analisi più attenta mostra, infatti, che la posta da mettere in gioco aumenta esponenzialmente con i lanci perdenti, e ci si convince facilmente del fatto che, per assicurarsi la vittoria, bisognerebbe disporre di un capitale infinito da poter scommettere, e bisognerebbe che anche il banco fosse disposto ad accettare poste di qualsiasi taglia. La vincita netta è solamente la posta iniziale. Ironia della sorte, uno dei risultati elementari dimostrati dall odierna teoria delle martingale è proprio l inesistenza di un sistema di scommesse vincente. Il concetto di martingala è stato introdotto nella Teoria della Probabilità da Paul P. Lévy. Gran parte dei risultati avanzati riguardanti le martingale sono stati prodotti da Joseph L. Doob, con contributi importanti da parte di K. Itô sulle applicazioni analitiche. Dagli anni settanta, la teoria delle martingale ha trovato ampie applicazioni in molti settori della matematica pura ed applicata. In particolare, nella Teoria della Probabilità, in Fisica Matematica, ed in Finanza Matematica. Il successo di tale teoria é tale che essa risulta una delle poche branche della matematica nota anche a studiosi di altre discipline, in particolare da chi si occupa di finanza e tecniche di borsa. Anche grazie ai contributi dati a questa teoria, Lèvy, Itô e Doob sono considerati tra i maggiori matematici del XX secolo. 3 Premesse Sia assegnato uno spazio di probabilità (Ω, F, P). Definizione 1. Si dice che B F é un evento trascurabile (risp. certo) se P(B) = 0 (risp. P(B) = 1). Indichiamo con l insieme degli eventi trascurabili. N = {B F P(B) = 0} Definizione 2. Una filtrazione nello spazio di probabilità (Ω, F, P) é una famiglia {F t } t 0 di sotto σ-algebre di F (cioè F t F per ogni t 0), tale che:

3 3 i. per ogni 0 s < t, si ha che F s F t. Nel seguito si supporrà che una filtrazione soddisfa anche le seguenti condizioni: ii. F 0 ( e quindi anche F t per ogni t > 0) contiene N; iii. per ogni t > 0 si ha F t = u>0f t+u (continuità a destra). Una filtrazione può essere interpretata come una successione crescente (proprietà i.) di informazioni a disposizione del decision-maker nei vari istanti di tempo t. Una variabile aleatoria si dice F t - misurabile se è completamente definita e quindi nota, dato il set informativo F t al tempo t. Inoltre, la proprietà iii. garantisce che, sapendo che una v.a. é F s - misurabile per ogni s > t, allora essa è anche F t - misurabile. Definizione 3. Dato un processo stocastico X = (X t ) t 0 nello spazio (Ω, F, P), la filtrazione naturale per X è definita da F X t = σ(x s, 0 s t), t 0. Poniamo per t 0, Ft X := u>0 F ) t+u X dove FX t := σ ( FX t N. Si verifica che (F X t ) t 0 é una filtrazione che soddisfa le proprietà ii. e iii.. Essa é detta filtazione standard per X. Il valore atteso condizionale E(X F t ) di una variabile aleatoria X, definita sullo spazio di probabilità (Ω, F, P), rispetto alla filtrazione {F t } t 0, é definito in modo analogo al valore atteso condizionale di X rispetto a una variabile aleatoria Y, E(X Y ), e gode di alcune importanti proprietà: a) per ogni t > 0, E[E[X F t ]] = E[X]; b) se X è F t - misurabile allora E[X F t ] = x, dove x rappresenta la realizzazione della v.a. X osservata sulla base delle informazioni contenute nella σ-algebra F t ; c) per ogni t > 0 e per ogni a 1, a 2 R, E[(a 1 X 1 + a 2 X 2 ) F t ] = a 1 E[X 1 F t ] + a 2 E[X 2 F t ], proprietà di linearità; d) se X 0, allora per ogni t 0 E[X F t ] 0, proprietà di positività; e) se Z è F t - misurabile allora E[Z X F t ] = Z E[X F t ], infatti Z è noto sulla base delle informazioni contenute in F t. Definizione 4. Sia X = (X t ) t 0 un processo stocastico nello spazio (Ω, F, P) e sia {F t } t 0 una filtrazione di tale spazio. Si dice che X é F t -adattato se X t é F t -misurabile per ogni t. Chiaramente, la filtrazione standard é la più piccola filtrazione rispetto a cui X é adattato.

4 4 4 Il processo stocastico Martingala I dati di natura finanziaria sono tipicamente strutturati come serie storiche. Tali serie statistiche possono essere intese come una successione di osservazioni che si sviluppano in un fissato periodo temporale. Dal punto di vista probabilistico, una serie storica deve essere interpretata come una particolare traiettoria di un processo stocastico. Una martingala rappresenta un particolare processo stocastico frequentemente utilizzato nella modellizzazione delle dinamiche finanziarie. Definizione 5. Sia X = {X t } t 0 un processo stocastico su uno spazio di probabilià (Ω, F, P), e {F t } t 0 una filtrazione di tale spazio. Il processo X é una martingala rispetto a {F t } t 0 se valgono le seguenti condizioni: (i) X é adattato; (ii) E[ X t ] < ; (iii) per ogni s < t, E[X t F s ] = X s, con X s noto. (La condizione (iii) è verificata quasi ovunque (q.o.) trascurabili.) in Ω cioè escludendo gli eventi Osserva. La condizione (ii) é detta proprietà di integrabilità. Essa afferma che il valore atteso del modulo di X t, per ogni t, esiste finito. La condizione (iii) é detta proprietà di martingala. Essa afferma che la legge di dipendenza tra le variabili aleatorie che definis-cono il processo X é caratterizzata dal fatto che il valore atteso (previsione) di uno stato futuro del processo, nota l evoluzione dello stesso nei tempi precedenti, dipende solo dall ultima osservazione realizzata. Vale quindi la proprietà di Markov. Perciò una martingala è detto essere un processo markoviano. Analogamente alle martingale vengono definite le submartingale e le supermartingale. Definizione 6. Siano valide le ipotesi della Definizione 5. Il processo X é una submartingala (risp. supermartingala) rispetto a {F t } t 0 se valgono le seguenti condizioni: (i) X é adattato; (ii) E[ X t ] < ; (iii) per ogni s < t, E[X t F s ] X s (risp. E[X t F s ] X s ) (q.o. in Ω), con X s noto. Osserva. Sulla base di queste definizioni si deduce che un processo stocastico si comporta come una martingala se le sue possibili traiettorie non mostrano uno specifico trend sottostante, ovvero se le direzioni assunte dai movimenti futuri sono, in media, uguali ai valori osservati all istante attuale. Qualora le traiettorie di un processo individuino un trend di lungo periodo, allora il processo non si potrebbe configurare come una martingala. Supponendo che {X t } t 0 sia una martingala e considerando la previsione al tempo t > 0 relativa ad una variazione del processo su un intervallo di tempo di lunghezza t, si ha

5 5 che: E[X t+ t X t F t ] = E[X t+ t F t ] E[X t F t ] = X t X t = 0, ovvero l incremento di una traiettoria del processo in un intervallo di ampiezza t é, in media, nulla. Diversamente, se il processo {X t } t 0 é una submartingala, allora E[X t+ t X t F t ] 0 e il processo é, in media, crescente, mentre se {X t } t 0 é una supermartingala, allora e il processo é, in media, decrescente. E[X t+ t X t F t ] Trasformazione di submartingale in martingale: scomposizione di Doob-Meyer Spesso i processi che si definiscono nella realtà non sono martingale, nel senso che i movimenti futuri non sono completamente imprevedibili, ovvero le variazioni medie non sono pari a zero, date le informazioni correnti. I prezzi delle attività finanziarie si comportano, infatti, come delle supermartingale, o ancora più frequentemente come delle submartingale. Esiste, tuttavia, una connessione tra le martingale e le submartingale, attraverso la quale é possibile convertire le seconde nelle prime. Un primo metodo di trasformazione é quello che sfrutta la cosiddetta scomposizione di Doob-Meyer. Approccio diretto: scomposizione di Doob-Meyer Sia (Ω, F, P) uno spazio di probabilià e {F t } t 0 una filtrazione in tale spazio. Definizione 7. Dato un processo stocastico (A t ) t 0 su (Ω, F, P), si dice che (A t ) é prevedibile se A 0 F 0, e, per ogni t 0, si ha che A t+ t é F t -misurabile ( t > 0). Un processo (A t ) t 0 é detto crescente se é prevedibile e le sue traiettorie sono crescenti quasi ovunque, cioè per ogni s, t 0, s < t si ha 0 = A 0 A s (ω) A t (ω), per quasi ogni ω Ω. Teorema 1. (di scomposizione di Doob-Meyer): Sia {X t } t 0 una submartingala rispetto a {F t } t 0. Allora esiste ed é unica la seguente scomposizione X t = S t + A t, t 0 dove {S t } t 0 é una martingala e {A t } t 0 é un processo crescente.

6 6 Con il teorema di Doob-Meyer é possibile scomporre, in maniera univoca, una submartingala in una martingala più un elemento residuo che é rappresentato da un processo crescente e prevedibile (trend). In sintesi, tale teorema afferma che sottraendo da una submartingala (in media crescente) {X t } t 0 un processo a traiettoria crescente (A t ) t 0, le deviazioni rispetto al trend assumono un comportamento assolutamente irregolare. Questo processo trasformato {S t } t 0 é proprio una martingala. Con la tecnica di scomposizione di Doob-Meyer si evidenzia, dunque, come sia possibile trasformare direttamente una submartingala in modo da ottenere una martingala Scomposizione di Doob-Meyer applicata alla valutazione di un opzione Abbiamo già visto che il payoff alla scadenza T di un opzione call è dato da f T = max(0, S T K), dove S = (S t ) t 0 é il processo stocastico che definisce il prezzo del titolo azionario sottostante l opzione. Si assume che tale processo sia definito su di uno spazio di probabilità (Ω, F, P) e sia {F t } t 0 la filtrazione standard per S. Dal momento che il prezzo S T non é noto al tempo t < T, occorre considerare il valore atteso: E[f T F t ] = E[max(0, S T K) F t ]. Data tale previsione ci si potrebbe chiedere se il più equo valore della call al tempo t possa considerarsi uguale al valore scontato di E[f T F t ]. In altre parole, fissato il tasso di attualizzazione r, si tratta di verificare che da cui segue che f t = e r (T t) E[f T F t ] = E[e r (T t) f T F t ], t < T (1) E[e r T f T F t ] = e r t f t. Quest ultima uguaglianza é vera se il processo scontato (e r t f t ) t 0 é una martingala rispetto alla filtrazione standard {F t } t 0. Dal momento che il prezzo della call viene definito sulla base del prezzo del titolo sottostante, si può affermare che la dinamica del processo (e r t f t ) t 0 segue quella del processo S e quindi di (e r t S t ) t 0. Nella realtà finanziaria il processo S non si comporta come una martingala. Infatti, data la rischiosità cui un titolo azionario é normalmente soggetto, il valore scontato al tasso privo di rischio r non corrisponde al prezzo valutato al tempo presente t, a causa dell esistenza di un premio per il rischio, il quale rappresenterebbe un elemento residuale non incorporato nel tasso di sconto. Il premio é tanto maggiore quanto maggiore é il rischio del titolo. In termini probabilistici, questo può essere espresso nel modo seguente: ossia E[e r (T t) S T F t ] > S t E[e r T S T F t ] > e r t S t

7 7 ovvero il processo (e r t S t ) t 0 é una submartingala. Tale risultato emerge dal fatto che nell attualizzazione si utilizza un tasso privo di rischio in un contesto non neutrale al rischio. Sfruttando però il teorema di scomposizione di Doob-Meyer é possibile decomporre in maniera univoca il processo (e r t S t ) t 0 nella somma di una martingala (M t ) t 0 e di un processo crescente (A t ) t 0 : e r t S t = M t + A t. (2) Una volta determinata l evoluzione del trend A t é possibile utilizzare la scomposizione (2) al fine di ricavare il processo martingala M t M t = e r t S t A t, tramite il quale é possibile definire il valore di mercato di una call option al tempo t. Infatti, per la definizione di processo martingala segue che E[e r T S T A T F t ] = e r t S t A t da cui si deduce che il processo (e r t S t A t ) t 0, depurato dall effetto tendenziale di lungo periodo, é una martingala. Questa correzione nel processo del prezzo del titolo azionario garantisce la stazionarietà nel processo che definisce la dinamica del valore di una call. In tal modo si può sfruttare la relazione (1) per ipotizzare il prezzo equo dell opzione call al tempo t. In realtà, questo metodo, data la difficoltà implicita nella stima del processo (A t ) t 0, é raramente applicato nella pratica. É più conveniente convertire il processo S dei prezzi in una martingala non sottraendo il loro trend ma cambiando la distribuzione di probabilità del sottostante. 4.2 Trasformazione della misura di probabilità e il Teorema di Girsanov Un altro metodo di conversione di submartingale in martingale si fonda sulla trasformazione della distribuzione di probabilità che governa un processo a traiettorie crescenti. Abbiamo visto nella sezione precedente che il processo (e r t S t ) t 0, definito come valore attuale in t del prezzo di un titolo azionario, ad un tasso di attualizzazione privo di rischio r, é una submartingala rispetto all assegnata misura di probabilità. In questo caso, é possibile cercare una nuova misura di probabilità rispetto a cui il processo scontato (e r t S t ) t 0 diventi una martingala, mantenendo il tasso r come tasso di attualizzazione. Le misure di probabilità attraverso le quali é possibile trasformare processi che non sono martingale in martingale vengono dette misure equivalenti di probabilità. Le condizioni generali che permettono la trasformazione delle misure probabilistiche sono definite nel Teorema di Girsanov. Prima di passare alla presentazione formale del teorema é opportuno introdurre brevemente la problematica della trasformazione di misura di probabilità attraverso il caso di una variabile aleatoria con distribuzione normale. Sia (Ω, F, P) una spazio di probabilità. Si consideri una variabile aleatoria Z N(0, 1) definita su (Ω, F, P). Sappiamo che la funzione densità di probabilità di Z é il differenziale

8 8 della funzione di distribuzione cumulata, cioè per ogni z R F Z (z) = P(Z z) = z f(u) du ovvero df (z) = f(z) dz = 1 2π e z2 /2 dz. Da ora in poi, per comodità, consideremo la seguente identificazione: df Z(ω) (z) dp(ω), ω Ω Definiamo ora la v.a. L : Ω [0, + ) funzione di Z nel seguente modo: L := H(Z) = e µ Z µ2 /2 Se per un fissato ω Ω si ha Z(ω) = z, moltiplicando L(ω) = H(z) per dp(ω), si ottiene la trasformazione di misura L(ω) dp(ω) = 1 2π e µ z µ2 /2 z 2 /2 dz. (3) che determina una nuova misura di probabilità indicata dalla seguente espressione dq(ω) = 1 2π e (µ z)2 /2 dz. (4) Osserva La (4) rappresenta la funzione di distribuzione cumulata di una distribuzione normale N(µ, 1). Quindi, pur rimanendo invariata la dispersione della variabile aleatoria intorno alla media (σ 2 = 1), le due misure di probabilità sono diverse, dal momento che le medie su cui sono centrate non coincidono ed inoltre esse assegnano valori di probabilità differenti agli stessi intervalli. Si noti, inoltre, che la trasformazione di misura (3) é invertibile, infatti si ha che: (L(ω) 1 dq(ω) = dp(ω). (5) La v.a. L può essere interpretata come rapporto tra due misure: L = dq dp ed é detta derivata di Radon-Nikodym. Perché la v.a. L esista é necessario che il denominatore del rapporto (6) sia diverso da zero. La trasformazione inversa (5) implica, inoltre, che anche il numeratore di (6) sia diverso da zero, Se ne deduce quindi che condizione necessaria e sufficiente affinchè la derivata di Radon-Nikodym esista é che, (6) Q(A) > 0 P(A) > 0, A F Quando questa condizione risulta soddisfatta allora la v.a. L esiste e può essere utilizzata per passare da P a Q. In questo caso le due misure sono dette misure equivalenti di probabilità perchè assegnano probabilità positive agli stessi domini. Sebbene le misure di probabilità siano differenti, é quindi sempre possibile, tramite la derivata di Radon- Nikodym, convertire l una nell altra.

9 9 Il Teorema di Girsanov fornisce le condizioni di esistenza della derivata di Radon- Nikodym nel caso di processi stocastici continui. Per introdurre il teorema nella sua forma più generale, occorre preliminarmente definire alcuni elementi. Siano (F t ) t [0,T ] una filtrazione di (Ω, F, P), (Z t ) t [0,T ] un processo stocastico adattato alla filtrazione (F t ) t [0,T ] e (W t ) t [0,T ] un moto Browniano definito sullo stesso spazio di probabilità. Valga, inoltre, la seguente condizione di limitatezza [ ( 1 T )] E exp Z t 2 dt < +, 2 0 che implica che le traiettorie Z t del processo non devono crescere o decrescere troppo velocemente nel tempo. Teorema 2. (di Girsanov): Sia (X t ) t [0,T ] una martingala esponenziale rispetto a (F t ) t [0,T ], associata al processo (Z t ) t [0,T ]. Consideriamo la misura Q definita da Allora il processo stocastico definito da W t = W t d Q dp := X T. (7) t 0 Z s ds t [0, T ] (8) é un moto Browniano su (Ω, F, Q), rispetto alla misura di probabilità Q definita in (7) ossia Q(A) = E P [I A X T ] = X T dp, A F. Osserva. Dal Teorema di Girsanov si deduce che moltiplicando la misura di probabilità P, che governa il processo di Wiener (W t ) t [0,T ], per la martingala (X t ) t [0,T ], che è una funzione esponenziale del processo (Z t ) t [0,T ], tramite l operazione di valore atteso, si ottiene una nuova misura di probabilità Q che governa il processo di Wiener ( W t ) t [0,T ] legato al precedente dalla relazione (8) definita nel Teorema. In quella espressione il passaggio da un moto browniano all altro é ottenuto sottraendo a W t un trend variabile nel tempo. La trasformazione della misura di probabilità tale da modificare la media, lasciando inalterata la varianza e i valori assunti dalla variabile aleatoria, é quindi un processo dipendente dal tempo che si svolge istante per istante. In ogni istante varia l elemento tendenziale da considerare per effettuare tale trasformazione. Si osservi, inoltre, che (X t ) t [0,T ] é un processo strettamente positivo e, quindi, è invertibile e se ne deduce che il processo ((X t ) 1 ) t [0,T ] è una martingala rispetto a (F t ) t [0,T ] sullo spazio di probabilità (Ω, F, Q). Vale allora la trasformazione inversa della (7), cioè A dp d Q := (X T ) 1, da cui si può verificare come il Teorema di Girsanov sia consistente con la descrizione della v.a. X T come rapporto di due misure di probabilità equivalenti.

10 Utilizzo delle misure equivalenti di probabilità nella valutazione di un opzione Con questo esempio si vuole evidenziare come nella valutazione dei prezzi di attività finanziarie si utilizzi la trasformazione delle misure di probabilità sottostanti per convertire dei processi che non sono martingale in martingale. Sia W = (W t ) t [0,T ] un moto Browniano, con W t N(µ t, σ 2 t) (t > 0) e sia (F t ) t [0,T ] la filtrazione standard per W. Sia S = (S t ) t [0,T ] il moto Browniano geometrico che rappresenta la dinamica del titolo azionario sottostante un opzione. Le sue traiettorie sono definite nel seguente modo: S t = S 0 e Wt, t [0, T ]. Poichè il processo S é definito come funzione esponenziale di W é evidente che la dinamica di S segue quella di W. Di conseguenza, la filtrazione (F t ) t [0,T ] é anche la filtrazione standard per S. Abbiamo visto che il valore atteso condizionato del processo S al tempo t + τ, nota la storia del processo fino al tempo t, é dato da E P [S t+τ F t ] = S t e µτ+σ2 τ/2 (9) Questa uguaglianza viene normalmente utilizzata nell ambito della valutazione dei prezzi di attività finanziarie. La misura di probabilità P rispetto a cui viene determinata la distribuzione di probabilità delle traiettorie S t rappresenta la vera legge di probabilità che governa gli shock sui prezzi. Come abbiamo già detto, non sempre questa misura di probabilità è necessariamente quella più conveniente da utilizzare. Sulla base del Teorema di Girsanov risulta, infatti, possibile determinare una misura di probabilità equivalente a quella data, tale da rendere più agevole la valutazione dei prezzi del titolo. Questo é vero, in particolare, se si può operare con misure di probabilità le quali rendono possibile la conversione dei prezzi in una martingala. Abbiamo visto nella Sezione che il processo (e r t S t ) t 0 é una submartingala e che tale risultato emerge dal fatto che nell attualizzazione si utilizza un tasso r privo di rischio in un contesto non neutrale al rischio. L idea é quella di trovare una misura di probabilità Q equivalente a P tale per cui il processo (e r t S t ) t 0 risulta una martingala. Il ruolo svolto dalla misura Q é proprio quello di rendere la dinamica delle grandezze finanziarie neutrale rispetto alla misura del rischio. Poichè la distribuzione di probabilità di W t, la cui dinamica rappresenta l elemento determinante il prezzo dell attività finanziaria, é una normale N(µ t, σ 2 t), si può allora pensare di definire un nuova distribuzione di probabilità del tipo: N(ρ t, σ 2 t) in cui l elemento che definisce la media risulta arbitrariamente modificato, mentre resta costante la varianza. Usando l espressione (9), il valore atteso condizionale del prezzo attualizzato rispetto alla nuova misura di probabilità Q diviene: E Q [e r τ S t+τ F t ] = S t e r τ e ρτ+σ2 τ/2 (10)

11 11 Dato che il parametro ρ é arbitrario, esso può essere scelto in modo tale che ovvero che La (10) diventa e quindi r τ + ρ τ + σ2 τ 2 = 0 ρ = r σ2 2. (11) E Q [e r τ S t+τ F t ] = S t E Q [e r (t+τ) S t+τ F t ] = e r t S t. Determinando un valore opportuno di ρ come nella (11) si ottiene, quindi, una misura di probabilità Q rispetto a cui il processo (e r t S t ) t [0,T ] é una martingala. Ne consegue allora che E[e r T S T F t ] = e r t S t e quindi E[e r (T t) S T F t ] = S t. Questo rende possibile il calcolo del prezzo attuale del titolo in un mondo neutrale verso il rischio, cioè mantenendo come tasso di attualizzazione il tasso r privo di rischio, normalmente conosciuto e facilmente reperibile. La trasformazione della misura di probabilità P in una ad essa equivalente é tale da lasciare inalterata la varianza e, dunque, il grado di volatilità dei prezzi.

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -

Dettagli

Laboratorio di dinamiche socio-economiche

Laboratorio di dinamiche socio-economiche Dipartimento di Matematica Università di Ferrara giacomo.albi@unife.it www.giacomoalbi.com 21 febbraio 2012 Seconda parte: Econofisica La probabilità e la statistica come strumento di analisi. Apparenti

Dettagli

Valore equo di un derivato. Contingent claim

Valore equo di un derivato. Contingent claim Contingent claim Ci occuperemo ora di determinare il prezzo equo di un prodotto derivato, come le opzioni, e di come coprire il rischio associato a questi contratti. Assumeremo come dinamica dei prezzi

Dettagli

2. Leggi finanziarie di capitalizzazione

2. Leggi finanziarie di capitalizzazione 2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M

Dettagli

CAPITOLO 3 FONDAMENTI DI ANALISI DELLA STABILITA' DI SISTEMI NON LINEARI

CAPITOLO 3 FONDAMENTI DI ANALISI DELLA STABILITA' DI SISTEMI NON LINEARI 31 CAPITOLO 3 FONDAMENTI DI ANALISI DELLA STABILITA' DI SISTEMI NON LINEARI INTRODUZIONE L'obbiettivo di questo capitolo è quello di presentare in modo sintetico ma completo, la teoria della stabilità

Dettagli

Metodi Stocastici per la Finanza

Metodi 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 Indice 1 Mercati finanziari 2 Arbitraggio 3 Conseguenze del non-arbitraggio

Dettagli

Finanza matematica - Lezione 01

Finanza matematica - Lezione 01 Finanza matematica - Lezione 01 Contratto d opzione Un opzione è un contratto finanziario stipulato al tempo, che permette di eseguire una certa transazione, d acquisto call o di vendita put, ad un tempo

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi

Dettagli

Macroeconomia. quindi: C

Macroeconomia. quindi: C Macroeconomia. Modello Keynesiano Politica economica è interna. Quindi le uniche componenti che ci interessano per la domanda aggregata sono il consumo, gli investimenti e la spesa pubblica. (.) D = C

Dettagli

Se si insiste non si vince

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

Dettagli

23 Giugno 2003 Teoria Matematica del Portafoglio Finanziario e Modelli Matematici per i Mercati Finanziari ESERCIZIO 1

23 Giugno 2003 Teoria Matematica del Portafoglio Finanziario e Modelli Matematici per i Mercati Finanziari ESERCIZIO 1 23 Giugno 2003 Teoria Matematica del Portafoglio Finanziario e Modelli Matematici per i Mercati Finanziari In uno schema uniperiodale e in un contesto di analisi media-varianza, si consideri un mercato

Dettagli

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................

Dettagli

Le obbligazioni: misure di rendimento Tassi d interesse, elementi di valutazione e rischio delle attività finanziarie

Le obbligazioni: misure di rendimento Tassi d interesse, elementi di valutazione e rischio delle attività finanziarie Le obbligazioni: misure di rendimento Tassi d interesse, elementi di valutazione e rischio delle attività finanziarie Economia degli Intermediari Finanziari 29 aprile 2009 A.A. 2008-2009 Agenda 1. Il calcolo

Dettagli

Note sulle Opzioni Americane

Note sulle Opzioni Americane Note sulle Opzioni Americane Wolfgang J. Runggaldier Universitá di Padova June 16, 2007 Si fornisce qui una traccia sull argomento delle opzioni americane a tempo discreto (dette anche Bermudean options)

Dettagli

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo Statistica 1 Esercitazioni Dott. 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it

Dettagli

Aspetti probabilistici del gioco d azzardo

Aspetti probabilistici del gioco d azzardo Università degli Studi di Genova Scuola di Scienze Sociali Dipartimento di Economia Perché il banco vince sempre? Aspetti probabilistici del gioco d azzardo Enrico di Bella (edibella@economia.unige.it)

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

Dettagli

La scelta in condizioni di incertezza

La scelta in condizioni di incertezza La scelta in condizioni di incertezza 1 Stati di natura e utilità attesa. L approccio delle preferenza per gli stati Il problema posto dall incertezza riformulato (state-preference approach). L individuo

Dettagli

I punteggi zeta e la distribuzione normale

I punteggi zeta e la distribuzione normale QUINTA UNITA I punteggi zeta e la distribuzione normale I punteggi ottenuti attraverso una misurazione risultano di difficile interpretazione se presi in stessi. Affinché acquistino significato è necessario

Dettagli

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe

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

Un modello matematico di investimento ottimale

Un modello matematico di investimento ottimale Un modello matematico di investimento ottimale Tiziano Vargiolu 1 1 Università degli Studi di Padova Liceo Scientifico Benedetti Venezia, giovedì 30 marzo 2011 Outline 1 Preliminari di calcolo delle probabilità

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

Capitolo 6 Economia dell informazione e scelta in condizioni di incertezza

Capitolo 6 Economia dell informazione e scelta in condizioni di incertezza Capitolo 6 Economia dell informazione e scelta in condizioni di incertezza ECONOMIA DELL INFORMAZIONE L informazione è un fattore importante nel processo decisionale di consumatori e imprese Nella realtà,

Dettagli

Capitolo 22: Lo scambio nel mercato dei capitali

Capitolo 22: Lo scambio nel mercato dei capitali Capitolo 22: Lo scambio nel mercato dei capitali 22.1: Introduzione In questo capitolo analizziamo lo scambio nel mercato dei capitali, dove si incontrano la domanda di prestito e l offerta di credito.

Dettagli

Scelte in condizioni di rischio e incertezza

Scelte in condizioni di rischio e incertezza CAPITOLO 5 Scelte in condizioni di rischio e incertezza Esercizio 5.1. Tizio ha risparmiato nel corso dell anno 500 euro; può investirli in obbligazioni che rendono, in modo certo, il 10% oppure in azioni

Dettagli

Matematica generale CTF

Matematica generale CTF Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità

Dettagli

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado)

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado) L esito della prossima estrazione del lotto L esito del lancio di una moneta o di un dado Il sesso di un nascituro, così come il suo peso alla nascita o la sua altezza.. Il tempo di attesa ad uno sportello

Dettagli

Master della filiera cereagricola. Impresa e mercati. Facoltà di Agraria Università di Teramo. Giovanni Di Bartolomeo Stefano Papa

Master della filiera cereagricola. Impresa e mercati. Facoltà di Agraria Università di Teramo. Giovanni Di Bartolomeo Stefano Papa Master della filiera cereagricola Giovanni Di Bartolomeo Stefano Papa Facoltà di Agraria Università di Teramo Impresa e mercati Parte prima L impresa L impresa e il suo problema economico L economia studia

Dettagli

Capitolo 1 ANALISI COMPLESSA

Capitolo 1 ANALISI COMPLESSA Capitolo 1 ANALISI COMPLESSA 1 1.4 Serie in campo complesso 1.4.1 Serie di potenze Una serie di potenze è una serie del tipo a k (z z 0 ) k. Per le serie di potenze in campo complesso valgono teoremi analoghi

Dettagli

Capitolo 23: Scelta in condizioni di incertezza

Capitolo 23: Scelta in condizioni di incertezza Capitolo 23: Scelta in condizioni di incertezza 23.1: Introduzione In questo capitolo studiamo la scelta ottima del consumatore in condizioni di incertezza, vale a dire in situazioni tali che il consumatore

Dettagli

RISONANZA. Introduzione. Risonanza Serie.

RISONANZA. Introduzione. Risonanza Serie. RISONANZA Introduzione. Sia data una rete elettrica passiva, con elementi resistivi e reattivi, alimentata con un generatore di tensione sinusoidale a frequenza variabile. La tensione di alimentazione

Dettagli

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile

Dettagli

Schemi delle Lezioni di Matematica Generale. Pierpaolo Montana

Schemi delle Lezioni di Matematica Generale. Pierpaolo Montana Schemi delle Lezioni di Matematica Generale Pierpaolo Montana A volte i fenomeni economici che ci interessano non variano con continuitá oppure non possono essere osservati con continuitá, ma solo a intervalli

Dettagli

Università di Milano Bicocca. Esercitazione 6 di Matematica per la Finanza. 14 Maggio 2015

Università di Milano Bicocca. Esercitazione 6 di Matematica per la Finanza. 14 Maggio 2015 Università di Milano Bicocca Esercitazione 6 di Matematica per la Finanza 14 Maggio 2015 Esercizio 1 Un agente presenta una funzione di utilitá u(x) = ln(1 + 6x). Egli dispone di un progetto incerto che

Dettagli

LE FIBRE DI UNA APPLICAZIONE LINEARE

LE FIBRE DI UNA APPLICAZIONE LINEARE LE FIBRE DI UNA APPLICAZIONE LINEARE Sia f:a B una funzione tra due insiemi. Se y appartiene all immagine di f si chiama fibra di f sopra y l insieme f -1 y) ossia l insieme di tutte le controimmagini

Dettagli

Volatilità implicita. P(t) = S(t)Φ(d 1 ) e r(t t) K Φ(d 2 ) con. d 1 = d 2 + σ T t. d 2 =

Volatilità implicita. P(t) = S(t)Φ(d 1 ) e r(t t) K Φ(d 2 ) con. d 1 = d 2 + σ T t. d 2 = Volatilità implicita Abbiamo visto come sia possibile calcolare la volatilità di un titolo attraverso la serie dei log-return. In teoria però la volatilità di un sottostante può essere determinata dal

Dettagli

Premesse alla statistica

Premesse alla statistica Premesse alla statistica Versione 22.10.08 Premesse alla statistica 1 Insiemi e successioni I dati di origine sperimentale si presentano spesso non come singoli valori, ma come insiemi di valori. Richiamiamo

Dettagli

ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE. A. A. 2014-2015 L. Doretti

ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE. A. A. 2014-2015 L. Doretti ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE A. A. 2014-2015 L. Doretti 1 Il concetto di derivata di una funzione è uno dei più importanti e fecondi di tutta la matematica sia per

Dettagli

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo Statistica 1 Esercitazioni Dott. 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it

Dettagli

Modelli Binomiali per la valutazione di opzioni

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

Dettagli

Modello di Stigliz e Weiss (1981)

Modello di Stigliz e Weiss (1981) Modello di Stigliz e Weiss (1981) Esposizione a cura di: Roberto Stefano Nicola Esistenza di un ampia varietà di modelli che portano alla definizione del razionamento del credito: TUTTI HANNO LO SCOPO

Dettagli

Macroeconomia, Esercitazione 2. 1 Esercizi. 1.1 Moneta/1. 1.2 Moneta/2. 1.3 Moneta/3. A cura di Giuseppe Gori (giuseppe.gori@unibo.

Macroeconomia, Esercitazione 2. 1 Esercizi. 1.1 Moneta/1. 1.2 Moneta/2. 1.3 Moneta/3. A cura di Giuseppe Gori (giuseppe.gori@unibo. acroeconomia, Esercitazione 2. A cura di Giuseppe Gori (giuseppe.gori@unibo.it) 1 Esercizi. 1.1 oneta/1 Sapendo che il PIL reale nel 2008 è pari a 50.000 euro e nel 2009 a 60.000 euro, che dal 2008 al

Dettagli

Esercitazione n.2 Inferenza su medie

Esercitazione n.2 Inferenza su medie Esercitazione n.2 Esercizio L ufficio del personale di una grande società intende stimare le spese mediche familiari dei suoi impiegati per valutare la possibilità di attuare un programma di assicurazione

Dettagli

Dipendenza dai dati iniziali

Dipendenza dai dati iniziali Dipendenza dai dati iniziali Dopo aver studiato il problema dell esistenza e unicità delle soluzioni dei problemi di Cauchy, il passo successivo è vedere come le traiettorie di queste ultime dipendono

Dettagli

Considerazioni sulle specifiche.

Considerazioni sulle specifiche. # SINTESI PER TENTATIVI IN ω PER GLI ASSERVIMENTI # Considerazioni sulle specifiche. Come accennato in precedenza, prima di avviare la prima fase della sintesi di un sistema di asservimento, e cioe la

Dettagli

Lineamenti di econometria 2

Lineamenti di econometria 2 Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) Aspetti Statistici della Regressione Aspetti Statistici della Regressione

Dettagli

La probabilità frequentista e la legge dei grandi numeri

La probabilità frequentista e la legge dei grandi numeri La probabilità frequentista e la legge dei grandi numeri La definizione di probabilità che abbiamo finora considerato è anche nota come probabilità a priori poiché permette di prevedere l'esito di un evento

Dettagli

Appunti sulla Macchina di Turing. Macchina di Turing

Appunti sulla Macchina di Turing. Macchina di Turing Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso

Dettagli

Risparmio, investimenti e sistema finanziario

Risparmio, investimenti e sistema finanziario Risparmio, investimenti e sistema finanziario Una relazione fondamentale per la crescita economica è quella tra risparmio e investimenti. In un economia di mercato occorre individuare meccanismi capaci

Dettagli

Alcune applicazioni delle equazioni differenziali ordinarie alla teoria dei circuiti elettrici

Alcune applicazioni delle equazioni differenziali ordinarie alla teoria dei circuiti elettrici Alcune applicazioni delle equazioni differenziali ordinarie alla teoria dei circuiti elettrici Attilio Piana, Andrea Ziggioto 1 egime variabile in un circuito elettrico. Circuito C. 1.1 Carica del condensatore

Dettagli

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione) Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso

Dettagli

5 Risparmio e investimento nel lungo periodo

5 Risparmio e investimento nel lungo periodo 5 Risparmio e investimento nel lungo periodo 5.1 Il ruolo del mercato finanziario Il ruolo macroeconomico del sistema finanziario è quello di far affluire i fondi risparmiati ai soggetti che li spendono.

Dettagli

ESERCITAZIONI per il corso di ECONOMIA DELL ARTE E DELLA CULTURA 1 1 MODULO (prof. Bianchi) a.a. 2007-2008

ESERCITAZIONI per il corso di ECONOMIA DELL ARTE E DELLA CULTURA 1 1 MODULO (prof. Bianchi) a.a. 2007-2008 ESERCITAZIONI per il corso di ECONOMIA DELL ARTE E DELLA CULTURA 1 1 MODULO (prof. Bianchi) a.a. 2007-2008 A. Il modello macroeconomico in economia chiusa e senza settore pubblico. A.1. Un sistema economico

Dettagli

L analisi degli investimenti

L analisi degli investimenti Corso di Laurea in Produzione dell Edilizia Corso di Economia e Gestione delle Imprese 9^ lezione L analisi degli investimenti 3 maggio 2005 Prof. Federico Della Puppa - A.A. 2004-2005 Dalla teoria alla

Dettagli

COEFFICIENTI BINOMIALI

COEFFICIENTI BINOMIALI COEFFICIENTI BINOMIALI Michele Impedovo micheleimpedovo@uni-bocconiit Una definizione insiemistica Se n è un numero naturale e è un numero naturale compreso tra e n, si indica con il simbolo il coefficiente

Dettagli

Un introduzione all analisi Monte Carlo in Finanza

Un introduzione all analisi Monte Carlo in Finanza ASSOCIAZIONE ITALIANA FINANCIAL RISK MANAGEMENT Un introduzione all analisi Monte Carlo in Finanza Stefano Fabi Working Paper, 1/01/98 Presidenza: Fernando Metelli - Banca Popolare di Milano, Via Fara

Dettagli

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

Dettagli

LEZIONE n. 5 (a cura di Antonio Di Marco)

LEZIONE n. 5 (a cura di Antonio Di Marco) LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,

Dettagli

ESERCITAZIONE 1. 15 novembre 2012

ESERCITAZIONE 1. 15 novembre 2012 ESERCITAZIONE 1 Economia dell Informazione e dei Mercati Finanziari C.d.L. in Economia degli Intermediari e dei Mercati Finanziari (8 C.F.U.) C.d.L. in Statistica per le decisioni finanziarie ed attuariali

Dettagli

11. Analisi statistica degli eventi idrologici estremi

11. Analisi statistica degli eventi idrologici estremi . Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche

Dettagli

La valutazione delle polizze rivalutabili

La valutazione delle polizze rivalutabili Capitolo 7 La valutazione delle polizze rivalutabili 7.1 I fattori di rivalutazione Si consideri una polizza generica, stipulata al tempo zero da un assicurato di età x, con prestazioni vita e morte rivalutabili

Dettagli

Vincere a testa o croce

Vincere a testa o croce Vincere a testa o croce Liceo B. Russell - Cles (TN) Classe 3D Insegnante di riferimento: Claretta Carrara Ricercatrice: Ester Dalvit Partecipanti: Alessio, Christian, Carlo, Daniele, Elena, Filippo, Ilaria,

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

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

Dettagli

FORWARD RATE AGREEMENT

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

Dettagli

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

Esercizio 1 Dato il gioco ({1, 2, 3}, v) con v funzione caratteristica tale che:

Esercizio 1 Dato il gioco ({1, 2, 3}, v) con v funzione caratteristica tale che: Teoria dei Giochi, Trento, 2004/05 c Fioravante Patrone 1 Teoria dei Giochi Corso di laurea specialistica: Decisioni economiche, impresa e responsabilità sociale, A.A. 2004/05 Soluzioni degli esercizi

Dettagli

Capitolo 13: L offerta dell impresa e il surplus del produttore

Capitolo 13: L offerta dell impresa e il surplus del produttore Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:

Dettagli

Scelte in condizione di incertezza

Scelte in condizione di incertezza Scelte in condizione di incertezza Tutti i problemi di decisione che abbiamo considerato finora erano caratterizzati dal fatto che ogni possibile scelta dei decisori portava a un esito certo. In questo

Dettagli

= variazione diviso valore iniziale, il tutto moltiplicato per 100. \ Esempio: PIL del 2000 = 500; PIL del 2001 = 520:

= variazione diviso valore iniziale, il tutto moltiplicato per 100. \ Esempio: PIL del 2000 = 500; PIL del 2001 = 520: Fig. 10.bis.1 Variazioni percentuali Variazione percentuale di x dalla data zero alla data uno: x1 x 0 %x = 100% x 0 = variazione diviso valore iniziale, il tutto moltiplicato per 100. \ Esempio: PIL del

Dettagli

Basi di matematica per il corso di micro

Basi di matematica per il corso di micro Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione

Dettagli

TEORIA DELL UTILITÀ E DECISION PROCESS

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

Dettagli

Statistica 1 A.A. 2015/2016

Statistica 1 A.A. 2015/2016 Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 39 Introduzione Come si è detto,

Dettagli

La condivisione del rischio e la sua ripartizione su ampia scala

La condivisione del rischio e la sua ripartizione su ampia scala La condivisione del rischio e la sua ripartizione su ampia scala 1 ARGOMENTI DI QUESTA LEZIONE Questa lezione propone esplora due problemi fondamentali: Se esiste un rischio in una transazione chi lo deve

Dettagli

Segnali e Sistemi. Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici. Gianni Borghesan e Giovanni Marro

Segnali e Sistemi. Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici. Gianni Borghesan e Giovanni Marro Segnali e Sistemi Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici Gianni Borghesan e Giovanni Marro Indice Introduzione 2. Notazione............................. 2 2 Classificazione

Dettagli

Dipartimento di Economia Aziendale e Studi Giusprivatistici. Università degli Studi di Bari Aldo Moro. Corso di Macroeconomia 2014

Dipartimento di Economia Aziendale e Studi Giusprivatistici. Università degli Studi di Bari Aldo Moro. Corso di Macroeconomia 2014 Dipartimento di Economia Aziendale e Studi Giusprivatistici Università degli Studi di Bari Aldo Moro Corso di Macroeconomia 2014 1. Assumete che = 10% e = 1. Usando la definizione di inflazione attesa

Dettagli

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici

Dettagli

Indicando con x i minuti di conversazione effettuati in un mese, con la spesa totale nel mese e con il costo medio al minuto:

Indicando con x i minuti di conversazione effettuati in un mese, con la spesa totale nel mese e con il costo medio al minuto: PROBLEMA 1. Il piano tariffario proposto da un operatore telefonico prevede, per le telefonate all estero, un canone fisso di 10 euro al mese, più 10 centesimi per ogni minuto di conversazione. Indicando

Dettagli

1. L analisi statistica

1. L analisi statistica 1. L analisi statistica Di cosa parleremo La statistica è una scienza, strumentale ad altre, concernente la determinazione dei metodi scientifici da seguire per raccogliere, elaborare e valutare i dati

Dettagli

Analisi Costi e Benefici Laura Vici laura.vici@unibo.it LEZIONE 5

Analisi Costi e Benefici Laura Vici laura.vici@unibo.it LEZIONE 5 Analisi Costi e Benefici Laura Vici laura.vici@unibo.it LEZIONE 5 Rimini, 26 aprile 2006 1 The Inter temporal Effects of International Trade Valore in $ del consumo di beni oggi G D F H 1/(1+r) G Valore

Dettagli

IL RISCHIO D IMPRESA ED IL RISCHIO FINANZIARIO. LA RELAZIONE RISCHIO-RENDIMENTO ED IL COSTO DEL CAPITALE.

IL RISCHIO D IMPRESA ED IL RISCHIO FINANZIARIO. LA RELAZIONE RISCHIO-RENDIMENTO ED IL COSTO DEL CAPITALE. IL RISCHIO D IMPRESA ED IL RISCHIO FINANZIARIO. LA RELAZIONE RISCHIO-RENDIMENTO ED IL COSTO DEL CAPITALE. Lezione 5 Castellanza, 17 Ottobre 2007 2 Summary Il costo del capitale La relazione rischio/rendimento

Dettagli

Capitolo V. I mercati dei beni e i mercati finanziari: il modello IS-LM

Capitolo V. I mercati dei beni e i mercati finanziari: il modello IS-LM Capitolo V. I mercati dei beni e i mercati finanziari: il modello IS-LM 2 OBIETTIVO: Il modello IS-LM Fornire uno schema concettuale per analizzare la determinazione congiunta della produzione e del tasso

Dettagli

1. Richiami di Statistica. Stefano Di Colli

1. Richiami di Statistica. Stefano Di Colli 1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche

Dettagli

Misure della dispersione o della variabilità

Misure della dispersione o della variabilità QUARTA UNITA Misure della dispersione o della variabilità Abbiamo visto che un punteggio di per sé non ha alcun significato e lo acquista solo quando è posto a confronto con altri punteggi o con una statistica.

Dettagli

Catene di Misura. Corso di Misure Elettriche http://sms.unipv.it/misure/

Catene di Misura. Corso di Misure Elettriche http://sms.unipv.it/misure/ Catene di Misura Corso di Misure Elettriche http://sms.unipv.it/misure/ Piero Malcovati Dipartimento di Ingegneria Industriale e dell Informazione Università di Pavia piero.malcovati@unipv.it Piero Malcovati

Dettagli

Nota su Crescita e Convergenza

Nota su Crescita e Convergenza Nota su Crescita e Convergenza S. Modica 28 Ottobre 2007 Nella prima sezione si considerano crescita lineare ed esponenziale e le loro proprietà elementari. Nella seconda sezione si spiega la misura di

Dettagli

1 Definizione: lunghezza di una curva.

1 Definizione: lunghezza di una curva. Abstract Qui viene affrontato lo studio delle curve nel piano e nello spazio, con particolare interesse verso due invarianti: la curvatura e la torsione Il primo ci dice quanto la curva si allontana dall

Dettagli

Funzione logaritmo con. funzione inversa della funzione di

Funzione logaritmo con. funzione inversa della funzione di FUNZIONE LOGARITMO a è la base della funzione logaritmo ed è una costante positiva fissata e diversa da 1 x è l argomento della funzione logaritmo e varia nel dominio Funzione logaritmo con funzione inversa

Dettagli

Esercitazioni 2013/14

Esercitazioni 2013/14 Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

Una sperimentazione. Probabilità. Una previsione. Calcolo delle probabilità. Nonostante ciò, è possibile dire qualcosa.

Una sperimentazione. Probabilità. Una previsione. Calcolo delle probabilità. Nonostante ciò, è possibile dire qualcosa. Una sperimentazione Probabilità Si sta sperimentando l efficacia di un nuovo farmaco per il morbo di Parkinson. Duemila pazienti partecipano alla sperimentazione: metà di essi vengono trattati con il nuovo

Dettagli

Metodi di previsione

Metodi di previsione Metodi di previsione Giovanni Righini Università degli Studi di Milano Corso di Logistica I metodi di previsione I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali

Dettagli

Dato il Mercato, è possibile individuare il valore e la duration del portafoglio:

Dato il Mercato, è possibile individuare il valore e la duration del portafoglio: TEORIA DELL IMMUNIZZAZIONE FINANZIARIA Con il termine immunizzazione finanziaria si intende una metodologia matematica finalizzata a neutralizzare gli effetti della variazione del tasso di valutazione

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti. Enrico Saltari Università di Roma La Sapienza

MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti. Enrico Saltari Università di Roma La Sapienza MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti Enrico Saltari Università di Roma La Sapienza 1 Dotazioni iniziali Il consumatore dispone ora non di un dato reddito monetario ma di un ammontare

Dettagli

Numeri naturali numeri naturali minore maggiore Operazioni con numeri naturali

Numeri naturali numeri naturali minore maggiore Operazioni con numeri naturali 1 Numeri naturali La successione di tutti i numeri del tipo: 0,1, 2, 3, 4,..., n,... forma l'insieme dei numeri naturali, che si indica con il simbolo N. Tale insieme si può disporre in maniera ordinata

Dettagli

10. Insiemi non misurabili secondo Lebesgue.

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

Dettagli