Nozioni fondamentali sulle catene di Markov
|
|
- Norma Locatelli
- 7 anni fa
- Visualizzazioni
Transcript
1 Nozioni fondamentali sulle catene di Markov La nozione di catena di Markov fu implicitamente introdotta dal matematico russo AA Markov ( ) in una serie di articoli, il primo dei quali apparso nel 1906, dedicati allo studio di sequenze di variabili aleatorie debolmente dipendenti Lo scopo era quello di estendere a questo caso le note proprietà asintotiche valide nell ipotesi di indipendenza delle variabili La nozione di dipendenza qui considerata è relativamente debole, nel senso che nella sequenza ogni variabile dipende completamente dalla precedente Per questo motivo essa è del tutto naturale e si applica a numerose situazioni Negli anni 30 e 40 le catene di Markov sono state studiate e approfondite in maniera sistematica da diversi autori e oggi esiste una vasta letteratura sull argomento, con innumerevoli applicazioni che riguardano non solo il calcolo delle probabilità ma anche le scienze naturali, quelle economiche, sociali e svariati altri settori Per una bibliografia aggiornata agli anni 80 si può consultare [4], dove si possono trovare i riferimenti alle collezioni dei lavori originali di Markov e agli articoli dei principali autori successivi Altri riferimenti più recenti si trovano per esempio in [11, 1, 3] In questa sede ci occuperemo principalmente delle catene di Markov finite e omogenee Prima di dare la definizione formale illustriamo la nozione attraverso alcuni classici esempi tratti da vari testi che si possono consultare per ulteriori informazioni [2, 6, 4, 11, 3] 21 Esempi Un modello per il tempo atmosferico [6, 11] Vogliamo definire un modello probabilistico per descrivere l evoluzione del tempo in un periodo di riscaldamento climatico, caratterizzato da scarse precipitazioni Per semplicità, assumiamo tre possibili condizioni del tempo in una giornata qualsiasi: sereno, nuvoloso, pioggia Supponiamo che le condizioni di domani dipendano sempre dal tempo di oggi ma non da quello dei giorni precedenti Inoltre, assumiamo che non vi siano mai due giornate di pioggia consecutive; se un giorno piove, la giornata successiva è serena o nuvolosa con uguale probabilità Invece, dopo una giornata serena o nuvolosa il tempo rimane invariato con probabilità 1/2; se si verifica un cambiamento allora piove in un terzo dei casi In queste ipotesi, le probabilità di transizione tra le varie condizioni atmosferiche in due giorni consecutivi possono essere rappresentate dalla seguente matrice:
2 sereno nuvoloso pioggia sereno 1/2 1/3 1/6 nuvoloso 1/3 1/2 1/6 pioggia 1/2 1/2 0 oppure dal grafo pesato riportato di seguito 1/2 1/6 1/3 1/3 sereno nuvoloso 1/2 1/6 1/2 pioggia 1/2 Domande naturali che possiamo porci sono le seguenti: se oggi è sereno qual è la probabilità che piova almeno una volta nei prossimi 5 giorni? Mediamente, quante volte piove nell arco di un mese? Quanto dura in media un periodo di siccità?
3 Il problema della rovina del giocatore può essere visto come una camminata aleatoria con due barriere assorbenti Il prossimo esempio è un modello alternativo a quello presentato nel paragrafo 331 Esempio 332 Consideriamo due giocatori A e B che partono rispettivamente con un capitale a e b Il gioco consiste in una successione di prove in cui con probabilità p A vince una unità del capitale di B, mentre con probabilità q A perde una unità del suo capitale in favore di B, p + q = 1 Il gioco termina quando o A o B terminano il loro capitale Denotiamo con X n il guadagno del giocatore A all istante n Il processo {X n } è una catena di Markov avente spazio degli stati S = { a, 0, b} Se a < X n < b possiamo scrivere X n = Z 1 + Z 2 + Z n, dove le variabili Z i, i = 1, 2,, sono indipendenti con distribuzione P(Z i = +1) = p, P(Z i = 1) = q Se invece per qualche n, X n = a o X n = b significa che il giocatore A ha perso tutto il suo capitale o il giocatore A ha vinto tutto il capitale che possedeva il giocatore B In questo caso il gioco termina e possiamo immaginare che
4 il processo rimanga nello stato a o nello stato b per sempre Si dice che la catena è assorbita e gli stati a e b sono detti stati assorbenti La matrice di transizione risulta q 0 p 0 0 q 0 p P = 0 q 0 p Dimostreremo più avanti che la probabilità che una catena di questo tipo sia assorbita in uno dei due stati assorbenti è pari a uno Calcolare la probabilità che la catena sia assorbita in a significa calcolare la probabilità che il giocatore A sia rovinato Possiamo ritrovare l esempio 331 se introduciamo il seguente processo Denotiamo con Y n il capitale del giocatore A all istante n Abbiamo Y n = a + Z 1 + Z 2 + Z n, dove le variabili casuali Z i sono definite come sopra Anche il processo {Y n } è una catena di Markov In questo caso lo spazio degli stati è S = {0, 1, 2,, N}, dove N = a + b Gli stati assorbenti sono 0, che corrisponde all evento in cui il giocatore A perde, e N che corrisponde all evento in cui il giocatore A vince La matrice di transizione è la matrice P con N + 1 righe e colonne 333 Modello di Eherenfest di diffusione Supponiamo di avere due scatole A e B in cui sono contenute d molecole numerate da 1 a d, alcune nella scatola A, le rimanenti nella scatola B Ad ogni istante viene estratto un numero compreso tra 1 e d e la molecola contraddistinta dall etichetta con il numero estratto, viene spostata dalla scatola in cui si trova all altra Questa operazione di estrazione può proseguire indefinitamente e si suppone che le estrazioni successive siano indipendenti Denotiamo con X n il numero di molecole nella scatola A dopo l n esima estrazione La famiglia {X n } è una catena di Markov, con spazio degli stati S = {0, 1,, d} Infatti per calcolare in che stato sarà la catena all istante n + 1 la sola informazione di cui si ha bisogno, conoscendo tutta la storia X n, X n 1,, X 1, X 0, è lo stato attuale, all istante n Si ha P (X n+1 = i + 1 X n = i, X n 1 = i n 1,, X 1 = i 1, X 0 = i 0 ) = P i+1,i = d i d poiché per incrementare di una unità le molecole nella scatola A occorre estrarre una delle d i molecole che si trova nell urna B Allo stesso modo si ha che P i 1,i = i d
5 per ogni 0 < i < d Se invece la catena all istante n si trova nello stato i = 0, con probabilità 1 l istante successivo si troverà nello stato 1 Se si trova nello stato d con probabilità 1 sarà nello stato d 1, vale a dire P 0,1 = 1 e P d,d 1 = 1 La matrice di transizione risulta pertanto d d d 2 d d d P = d d d Ad esempio se d = 6 la matrice di transizione è P = dove non c è nulla si intende che la probabilità è zero Tale modello può essere visto come uno schema molto semplice di diffusione ad esempio del calore da un mezzo ad un altro Lo stesso modello può essere utilizzato per descrivere la passeggiata aleatoria di una particella soggetta ad un forza attrattiva simmetrica direttamente proporzionale alla distanza della particella dal punto di applicazione della forza Ad esempio supponiamo che la forza attrattiva si trovi nel punto d Se la particella si trova nella posizione k allora si muoverà con 2 maggiore probabilità verso destra se k < d, con maggiore probabilità verso sinistra 2 se k > d 2,
6 335 Fila d attesa discreta Consideriamo un servizio (ad esempio una cassa di un supermercato) alla quale arrivano clienti che devono essere serviti I clienti arrivano alla cassa in diversi istanti secondo una certa legge di probabilità Noi non osserviamo la coda a questa cassa in ogni istante ma solo negli istanti immediatamente successivi al momento in cui un cliente è servito e lascia la coda Durante il tempo in cui tale cliente era servito alla cassa, la coda può essere aumentata di tanti clienti quanti quelli che si sono presentati nell intervallo di tempo necessario al suo servizio Supponiamo che all istante n siano presenti X n clienti, con X n > 1 Allora all istante n + 1, che è l istante in cui uno di quegli X n clienti è stato servito e lascia la coda, vi saranno in coda X n+1 clienti dati da: X n+1 =X n 1 + Z n se X n 1 X n+1 =Z n se X n = 0,
7 dove le variabili casuali Z n sono una successione di variabili casuali discrete indipendenti aventi distribuzione P(Z n = j) = p j, j = 0, 1, 2, e rappresentano il numero di clienti che si presentano nell istante n La famiglia di variabili casuali X n costituisce una catena di Markov avente spazio degli stati S = {0, 1, 2, } Per determinare la matrice di transizione osserviamo che, se X n = 0, allora Se invece X n = h, con h 1, allora P(X n+1 = k X n = 0) = P(Y n+1 = k) = p k P(X n+1 = k X n = h) = P(X n+1 = k, X n = h) P(X n = h) = P(X n 1 + Z n+1 = k, X n = h) P(X n = h) = P(Z n+1 = k h + 1, X n = h) P(X n = h) = P(Z n+1 = k h + 1) = p k h+1 La matrice di transizione risulta quindi P = p 0 p 1 p 2 p 3 p 4 p 0 p 1 p 2 p 3 p 4 0 p 0 p 1 p 2 p p 0 p 1 p p 0 p p 0
8 337 Un modello genetico In una popolazione sono presenti tre tipi di genotipi, AA, Aa e aa, caratterizzati dai geni di tipo A e a Indichiamo con 1, 2 e 3 rispettivamente i tre tipi di genotipo Supponiamo che nella popolazione i genotipi siano presenti rispettivamente con frequenze p 2, 2pq e q 2, con p + q = 1 Coppie di genitori formano una cellula figlia cedendo uno dei due geni che possiedono, con uguale probabilità Seguiamo generazione dopo generazione come vengono tramandati i genotipi da un capostipite (generazione zero) ai discendenti di padre in figlio Se indichiamo con X n il genotipo presente alla generazione n, si può ipotizzare che la famiglia {X n } sia una catena di Markov con tre stati, in quanto il genotipo del discendente alla generazione n dipende solo dal genotipo dell ascendente alla generazione n 1, e non da tutti i precedenti ascendenti Indichiamo con p ik = P(X n = k X n 1 = i) la probabilità condizionata che un discendente sia di genotipo k dato che il padre è di genotipo i Vogliamo calcolare le probabilità di transizione p ik, i, k = 1, 2, 3 assumendo che la probabilità che l altro genitore sia del genotipo 1, 2 o 3 sia rispettivamente p 2, 2pq e q 2 e che l accoppiamento sia frutto del caso I risultati sono dati dalla seguente matrice p q 0 P = p 1 q p q
9 Calcoliamo ad esempio p 11 I genitori possono essere coppie del tipo (AA, AA), (AA, Aa), (AA, aa) rispettivamente con probabilità p 4, 2p 3 q, p 2 q 2 Tali coppie possono generare un figlio di tipo AA rispettivamente con probabilità 1, 1, 0 Dunque 2 la probabilità cercata, decomponendo lo spazio campionario a seconda del genotipo del secondo genitore e applicando la definizione di probabilità condizionata, risulta p 11 = p4 + p 3 q p 2 = p 2 + pq = p Analogamente calcoliamo p 21 I genitori possono essere di tipo Aa, AA, Aa, aa, Aa, aa rispettivamente con probabilità 2pqp 2, 2pq2pq, 2pqq 2 Essi possono generare un figlio di tipo AA rispettivamente con probabilità 1, 1, 0 Dunque la probabilità 2 4 richiesta risulta p 21 = p3 q + p 2 q 2 = 1 2pq 2 (p2 + pq) = p 2 Procedendo in modo analogo si possono calcolare tutte le altre probabilità
10 341 Esempi Consideriamo la seguente matrice di transizione che descrive il tempo in una città Gli stati sono tre stato 1: rovesci; stato 2: coperto; stato 3: sereno La matrice di transizione è la seguente: P = Esercizio 344 Dato che oggi piove, con che probabilità dopodomani ci sarà il sole? Dobbiamo calcolare P (2) 1,3 = P(X 2 = 3 X 0 = 1) Calcoliamo la matrice di transizione a due passi: P (2) = La probabilità richiesta è P (2) 1,3 = 021 Esercizio 345 Dato che oggi piove, con che probabilità tra 4 giorni ci sarà il sole? Con che probabilità tra 7 giorni ci sarà il sole? Calcoliamo la matrice di transizione a 4 passi: P (4) = La probabilità richiesta è P (4) 1,3 = 033 Calcoliamo la matrice di transizione a 7 passi: P (7) = La probabilità richiesta è P (7) 1,3 = 035 Si osservi come al crescere di n la matrice tende ad avere tre righe uguali
11 0 567
12 # 2 ', = - -!! " 8!"
13 + "" )
14 35 Catena di Markov con due stati Una catena di Markov a due stati può essere un buon modello per una situazione di questo tipo Una macchina si può trovare in due stati, funzionante o rotto Indichiamo con 0 lo stato corrispondente alla macchina rotta e con 1 lo stato corrispondente a macchina funzionante Supponiamo che se la macchina si trova nello stato 0 il giorno n, sia α la probabilità che si trovi allo stato 1 il giorno n + 1, indipendentemente da dove si trovava nei giorni prima di n Supponiamo inoltre che se si trova nello stato 1 il giorno n, sia β la probabilità che si trovi nello stato 0 il giorno n + 1, indipendentemente da dove si trovava nei giorni prima di n La catena {X n } segue l evolversi dello stato della macchina durante i giorni n = 1, 2, Si tratta di una catena di Markov per come è stata definita La sua matrice di transizione è [ 1 α α P = β 1 β Per evitare casi banali supponiamo che α e β non siano contemporaneamente 0 o 1 Infatti se sono entrambe 0 se il sistema si trova nello stato 0 vi rimane per sempre e analogamente se si trova nello stato 1 Se invece sono contemporaneamente 1, il sistema salta deterministicamente ad ogni istante dallo stato 0 allo stato 1 Supporremo pertanto che 0 < α + β < 2 Denotiamo con π 0 0 la probabilità che la catena all istante 0 si trovi allo stato 0 Vale a dire P(X 0 = 0) = π 0 0 Poiché la catena ha solo due stati si ha che P(X 0 = 1) = 1 π 0 0 = π 0 1) Cerchiamo di ricavare la matrice di transizione in n passi Abbiamo P (n+1) 00 = P(X n+1 = 0 X 0 = 0) = = P(X n+1 = 0, X n = 0 X 0 = 0) + P(X n+1 = 0, X n = 1 X 0 = 0) = P(X n+1 = 0, X n = 0, X 0 = 0) P(X 0 = 0) ] + P(X n+1 = 0, X n = 1, X 0 = 0) P(X 0 = 0) = P(X n+1 = 0 X n = 0, X 0 = 0) P(X n = 0, X 0 = 0)+ P(X 0 = 0) + P(X n+1 = 0 X n = 1, X 0 = 0) P(X n = 1, X 0 = 0) P(X 0 = 0) = P(X n+1 = 0 X n = 0)P(X n = 0 X 0 = 0)+ + P(X n+1 = 0 X n = 1)P(X n = 1 X 0 = 0) In termini delle probabilità di transizione possiamo riscrivere il primo e l ultimo membro come P (n+1) 00 = (1 α)p (n) 00 + βp (n) 01
15 Ma sappiamo che P (n) 01 = 1 P (n) 00, da cui ricaviamo una equazione ricorrente per P (n) 00 che possiamo infine riscrivere come P (n+1) 00 = (1 α)p (n) 00 + β(1 P (n) 00 ) P (n+1) 00 = (1 α β)p (n) 00 + β, con la condizione iniziale P (0) 00 = 1, cioè se il sistema si trova nello stato 0 è 1 la probabilità che in zero passi sia in 0 Da questa equazione ricaviamo ad esempio che P (2) 00 = (1 α) 2 + αβ, che possiamo ricavare anche facendo il prodotto della matrice P per se stessa e prendendo il primo elemento in alto a destra della matrice prodotto La soluzione generale la si trova risolvendo l equazione ricorrente ed è data da P (n) 00 = α α + β (1 α β)n + β α + β In modo analogo, cioè risolvendo altre equazioni ricorrenti si trova che la matrice di transizione in n passi è data da [ ] P (n) (1 α β)n α α = + 1 [ ] β α (34) α + β β β α + β β α Passiamo ora al calcolo delle distribuzioni delle variabili X n, per rispondere a domande quali, quale è la probabilità che all istante n la macchina si trovi nello stato 0? Vogliamo determinare P(X n = 0) Cerchiamo anche in questo caso un equazione ricorrente Posto π n+1 0 = P(X n+1 = 0) abbiamo π n+1 0 = P(X n+1 = 0, X n = 0) + P(X n+1 = 0, X n = 1) = P(X n+1 = 0 X n = 0)P(X n = 0) + P(X n+1 = 0 X n = 1)P(X n = 1) = (1 α)p(x n = 0) + βp(x n = 1) = (1 α β)p(x n = 0) + β Riscritta per n = 1 diventa P(X 1 = 0) = (1 α β)π β
16 Per n = 2 ancora abbiamo P(X 2 = 0) = (1 α β) 2 π0 0 + β(1 + (1 α β)) Si deduce quindi n 1 P(X n = 0) = (1 α β) n π0 0 + β (1 α β) j j=0 Poiché ricaviamo la soluzione e per complemento n 1 (1 α β) j = j=0 P(X n = 0) = P(X n = 1) = β α + β α α + β 1 (1 α β)n, α + β + (1 α β)n + (1 α β)n ( π0 0 β ) α + β ( π1 0 α ) α + β (35) (36) Si può osservare che per le ipotesi fatte 1 α β < 1, per cui possiamo concludere che lim P(X n = 0) = β n + α + β e lim P(X n = 1) = n + α α + β
17 Bibliografia [1] P Brémaud, Markov Chains: Gibbs fields, Monte Carlo Simulation and Queues, Springer, New Jork, 1998 [2] W Feller, An Introduction to Probability Theory and Applications, J Wiley, 1968 [3] O Häggström, Finite Markov Chains and Algorithmic Applications, London Mathematical Society, 2003 [4] M Iosifescu, Finite Markov Processes and Their Applications, J Wiley and Sons, 1980 [5] D Isaacson, R Madsen, Markov Chains Theory and Applications, RE Krieger Publishing Company, 1985 [6] JG Kemeny e JL Snell, Finite Markov Chains, Van Nostrand, 1960 [7] A Paz, Introduction to Probabilistic Automata, Academic Press, 1971 [8] A Salomaa e M Soittola, Automata-Theoretic Aspects of Formal Power Series, Springer-Verlag, 1978 [9] E Seneta, Non-negative Matrices and Markov Chains, Springer Verlag, 1981 [10] G Strang, Linear Algebra and its Applications, Harcourt Brace & Company, 1988 [11] W Woess, Catene di Markov e teoria del potenziale nel discreto, Quaderni dell Unione Matematica Italiana, n41, Pitagora Editrice
c) Ancora in corrispondenza allo stesso valore di p e ponendo Y = minorazione, fornita dalla diseguaglianza di Chebichev, per la probabilita
Laurea Triennale in Matematica Corso di Calcolo delle Probabilita I A.A. 00/00 (Docenti: M. Piccioni, F. Spizzichino) a prova di esonero 6 giugno 00 Risolvere almeno tre dei seguenti esercizi.. Indichiamo
DettagliPROCESSI STOCASTICI 1: ESERCIZI
PROCESSI STOCASTICI 1: ESERCIZI (1) ESERCIZIO: Date P e Q matrici stocastiche, dimostrare che la matrice prodotto P Q è una matrice stocastica. Dedurre che la potenza P n e il prodotto P 1 P 2 P n sono
DettagliESERCIZI SULLE CATENE DI MARKOV. Docente titolare: Irene Crimaldi 18/11/2009 P =
ESERCIZI SULLE CATENE DI MARKOV Docente titolare: Irene Crimaldi 8//9 ESERCIZIO Una catena di Markov (X n ) n con insieme degli stati S = {,,} ha matrice di transizione µ() =, µ() =, µ() =. a) Calcolare
DettagliMarkov Chains and Markov Chain Monte Carlo (MCMC)
Markov Chains and Markov Chain Monte Carlo (MCMC) Alberto Garfagnini Università degli studi di Padova December 11, 2013 Catene di Markov Discrete dato un valore x t del sistema ad un istante di tempo fissato,
DettagliCATENE DI MARKOV. Esempio 1 Consideriamo la catena di Markov avente spazio degli stati S = {1, 2, 3, 4} e matrice di transizione 1/2 1/2 0 0
CATENE DI MARKOV Esempio Consideriamo la catena di Markov avente spazio degli stati S = {, 2, 3, 4} e matrice di transizione /2 /2 0 0 /2 /2 0 0 /4 /4 /4 /4. 0 0 0 La classe costituita dagli stati e 2
DettagliUniversità di Roma Tor Vergata Corso di Teoria dei Fenomeni Aleatori, AA 2012/13. Catene di Markov
Catene di Markov SISTEMI CASUALI DINAMICI (PROCESSI) - UN ESEMPIO: I GUASTI Frequenza dei guasti: N GUASTI 0 T N T 0 T! Catene di Markov SISTEMI CASUALI DINAMICI (PROCESSI) - UN ESEMPIO: I GUASTI Campionando
DettagliPROCESSI STOCASTICI 1: ESERCIZI
PROCESSI STOCASTICI 1: ESERCIZI (1) ESERCIZIO: Date P e Q matrici stocastiche, dimostrare che la matrice prodotto P Q è una matrice stocastica. Dedurre che la potenza P n e il prodotto P 1 P 2 P n sono
DettagliProbabilità e tempi medi di assorbimento
Probabilità e temi medi di assorbimento 6.1 Probabilità di assorbimento Consideriamo una catena con un numero finito di stati che indichiamo con S = {1, 2,... r}. Sia C una classe chiusa di S. Se la catena
DettagliSISTEMI CASUALI DINAMICI (PROCESSI) ESEMPIO: I GUASTI (Ipotesi Markoviana) Frequenza dei guasti: N Guasti = N/T X X X X X X X
CATENE DI MARKOV SISTEMI CASUALI DINAMICI (PROCESSI) ESEMPIO: I GUASTI (Ipotesi Markoviana) Frequenza dei guasti: N Guasti = N/T X X X X X X X X X 0 T 0 T! Δ 0, 1,, 0 Δ 1 Δ Δ 1Δ Δ Δ ESEMPIO: I GUASTI (Ipotesi
DettagliTutorato XI Probabilità e Statistica a.a. 2014/2015
Tutorato XI Probabilità e Statistica a.a. 4/5 Argomenti: catene di Markov: probabilità e tempi medi di passaggio. Esercizio. Un topolino si sposta sui vertici di un grafo come nella Figura. 4 5 7 6 Ad
DettagliCorso di Laurea in Fisica. Geometria 1. a.a Gruppo B. Prof. P. Piazza Soluzioni compito a casa del 17/11/06 B =
Corso di Laurea in Fisica. Geometria. a.a. 26-7. Gruppo B. Prof. P. Piazza Soluzioni compito a casa del 7//6 Soluzione esercizio. Sia B {e, e 2 } e sia B {v, v 2 }. La matrice B del cambiamento di base
DettagliEsame di Sistemi ad Eventi Discreti
Esame di Sistemi ad Eventi Discreti - 16.12.2008 Esercizio 1 (esame completo/recupero prima parte) Un macchinario è programmato per task. Ciascun task è composto da subtask, che possono essere di tipo
DettagliCP110 Probabilità: Esame 2 luglio Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 212-13, II semestre 2 luglio, 213 CP11 Probabilità: Esame 2 luglio 213 Testo e soluzione 1. (6 pts Due mazzi di carte francesi vengono uniti e mischiati.
DettagliStatistica. Lezione : 17. Variabili casuali
Corsi di Laurea: a.a. 2018-19 Diritto per le Imprese e le istituzioni Scienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili casuali Lezione : 17 Docente: Alessandra Durio 1 Contenuti
DettagliIL FATTORE Rh Supponiamo ora di sapere che è nato un figlio Rh + da madre Rh, qual è la probabilità che il padre sia Rh + omozigote?
IL FATTORE Rh Supponiamo ora di sapere che è nato un figlio Rh + da madre Rh, qual è la probabilità che il padre sia Rh + omozigote? Dobbiamo calcolare P(P AA F + ), dove abbiamo indicato con P AA l evento
DettagliVettori Aleatori discreti
Vettori Aleatori discreti Un vettore aleatorio X =(X,X 2,...,X n ) si dice discreto se esiste un insieme finito o numerabile C R n tale che P (X = x) >, 8x 2 C, P (X = x) =, 8x /2 C, dove, ponendo x =(x,...,x
DettagliMetodi e Modelli Matematici di Probabilità per la Gestione Prova scritta 12/01/2009
Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta 12/01/2009 Esercizio 1 (20 punti). Esaminiamo il controllo passaporti in un aeroporto in entrata per gli Stati Uniti, controllo
DettagliEsercizio 1. Una obbligazione può avere rating A, B, C o D e passare da un rating all altro secondo la matrice di transizione
Esercizi di Calcolo delle Probabilità della 10 a Matematica, Università degli Studi di Padova). settimana (Corso di Laurea in Esercizio 1. Una obbligazione può avere rating A, B, C o D e passare da un
DettagliProcessi stocastici A.A Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo
Processi stocastici A.A. 09 0 Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo G. Sanfilippo 20 maggio 200 Registro delle lezioni. Lezione del 3 Marzo 200, 8-, ore complessive 3 Richiami
DettagliNote sulle Catene di Markov
Note sulle Catene di Markov ELAUT Prof. Giuseppe C. Calafiore Sommario Queste note contengono un estratto schematico ridotto di parte del materiale relativo alle Catene di Markov a tempo continuo e a tempo
DettagliCorso di Laurea in Fisica. a.a Geometria. Canale L-PE (Prof. Paolo Piazza). Compito a casa del 30/11/12 (nono compito). SOLUZIONI.
Corso di Laurea in Fisica. a.a. 2012-1. Geometria. Canale L-PE (Prof. Paolo Piazza. Compito a casa del 0/11/12 (nono compito. SOLUZIONI. Soluzione esercizio 1. Usiamo la linearità di F. Vogliamo calcolare
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 luglio 6 Vettori aleatori e funzioni di v.a. Esercizio Si lanciano due dadi equi. Qual è la probabilità che la somma sia? [ ] Siano X, X le v.a.
DettagliEsercitazione del 29 aprile 2014
Esercitazione del 9 aprile 014 Esercizio 10.13 pg. 94 Complemento: Calcolare la probabilità che un negozio apra tra le sette e venti e le nove e quaranta del mattino. Soluzione: Siccome non è nota la distribuzione
DettagliCorso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 2018/19 - Prova in itinere
Corso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 208/9 - Prova in itinere 208--2 La durata della prova è di due ore e mezzo. Le risposte devono essere
DettagliCorso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 2018/19 - Esercitazione
Corso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (55AA) A.A. 28/9 - Esercitazione 28--9 La durata della prova è di due ore e mezzo. Le risposte devono essere
DettagliMetodi e Modelli Matematici di Probabilità per la Gestione Prova scritta 13/01/2010
Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta /0/00 Esercizio. Questo esercizio esamina ciò che avviene in un piccolo supermercato. i) Durante una generica mattinata (sabato
DettagliCatene di Markov. Richiami teorici
Catene di Marov Richiami teorici Pagina di 4 Alcune definizioni L insieme di tutti i possibili risultati di un esperimento è detto spazio degli eventi dell esperimento. Lo spazio si indica con Ω ed un
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prova del
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (69AA) A.A. 06/7 - Prova del 07-07-07 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate. Problema
DettagliCalcolo delle Probabilità 2017/18 Foglio di esercizi 8
Calcolo delle Probabilità 07/8 Foglio di esercizi 8 Catene di Markov e convergenze Si consiglia di svolgere gli esercizi n 9,,,, 5 Catene di Markov Esercizio (Baldi, Esempio 5) Si consideri il grafo costituito
DettagliPROCESSI STOCASTICI A.A. 2010/2011. DIARIO DELLE LEZIONI
PROCESSI STOCASTICI A.A. 2010/2011. DIARIO DELLE LEZIONI Martedì 19/10/2010 (14-16) Richiami di teoria della probabilità: spazio di probabilità, alcune consequenze della definizione di funzione di probabilità,
DettagliCapitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari"
Levine, Krehbiel, Berenson Statistica Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari" Unità Integrata Organizzativa
DettagliMetodi e Modelli Matematici di Probabilità per la Gestione
Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta del 23/6/06 Esercizio 1 Un allenatore ha 11 giocatori in campo (per semplicità immaginiamo che non esistano le sostituzioni). Esaminiamo
DettagliUNIVERSITA` di ROMA TOR VERGATA
UNIVERSITA` di ROMA TOR VERGATA Corso di PS2-Probabilità 2 PBaldi appello, 23 giugno 29 Corso di Laurea in Matematica Esercizio Per α 2 consideriamo la catena di Markov su {, 2, 3} associata alla matrice
DettagliMATEMATICA CORSO A COMPITINO DI RECUPERO (Tema 3) 10 Febbraio 2010
MATEMATICA CORSO A COMPITINO DI RECUPERO (Tema 3) 0 Febbraio 200 SOLUZIONI. Una soluzione è un sistema omogeneo prodotto dallo scioglimento di una sostanza solida, liquida o gassosa (soluto) in un opportuno
DettagliMATEMATICA CORSO A COMPITINO DI RECUPERO (Tema 1) 10 Febbraio 2010
MATEMATICA CORSO A COMPITINO DI RECUPERO (Tema 1) 10 Febbraio 010 SOLUZIONI 1. Una soluzione è un sistema omogeneo prodotto dallo scioglimento di una sostanza solida, liquida o gassosa (soluto) in un opportuno
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliCP110 Probabilità: Esame del 15 settembre Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2009-2010, II semestre 15 settembre, 2010 CP110 Probabilità: Esame del 15 settembre 2010 Testo e soluzione 1. (6 pts) 10 carte numerate da 1 a 10 vengono
DettagliProva scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 2015/ Settembre 2016
Prova scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 205/206 20 Settembre 206 Esercizio. Un dado equilibrato viene lanciato ripetutamente. Indichiamo con X n il risultato dell n-esimo
DettagliProcessi di Markov. Processi di Markov
Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Un
DettagliGENETICA E PROBABILITA
GENETICA E PROBABILITA Cromosoma:corpo cellulare contenete i geni disposti in ordine lineare, appare nel corso della mitosi (o della meiosi) come un filamento o un bastoncello di cromatina Gene:Unità di
DettagliCorso di Laurea in Informatica Applicata Esame di Calcolo delle Probabilità e Statistica Prova scritta dell 11 gennaio 2007
Corso di Laurea in Informatica Applicata Esame di Calcolo delle Probabilità e Statistica Prova scritta dell 11 gennaio 007 Primo esercizio Per una certa stampante S 1, la probabilità che un generico foglio
DettagliEsercizi di Probabilità - Matematica Applicata a. a aprile 2014
Esercizi di Probabilità - Matematica Applicata a. a. 2013-3014 db 1 aprile 2014 1 Funzione di ripartizione Si dice funzione di ripartizione o funzione cumulativa delle frequenze di una variabile casuale
Dettagli) la sua densità discreta sarà della forma. p X (0) = 1 2, p X(1) = 1 2,
Esercizi settimana 6 Esercizi applicati Esercizio. Siano X e Y due v.a. discrete indipendenti tali che X B(, ) e Y B(, ), n 0. (i) Si calcoli la legge di X + Y ; (ii) Si calcoli la legge di X Y ; (iii)
DettagliVETTORI DI VARIABILI ALEATORIE
VETTOI DI VAIABILI ALEATOIE E. DI NADO 1. Funzioni di ripartizione congiunte e marginali Definizione 1.1. Siano X 1, X 2,..., X n v.a. definite su uno stesso spazio di probabilità (Ω, F, P ). La n-pla
DettagliScheda n.3: densità gaussiana e Beta
Scheda n.3: densità gaussiana e Beta October 10, 2008 1 Definizioni generali Chiamiamo densità di probabilità (pdf ) ogni funzione integrabile f (x) definita per x R tale che i) f (x) 0 per ogni x R ii)
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliCALCOLO DELLE PROBABILITA - 13 Aprile 2011 CdL in STAD, SIGAD - docente: G. Sanfilippo
Cognome e Nome: Matricola CdS CALCOLO DELLE PROBABILITA - 13 Aprile 211 CdL in STAD, SIGAD - docente: G Sanfilippo Motivare dettagliatamente le risposte su fogli allegati e scrivere le risposte negli appositi
DettagliDr. Marco Vicentini Anno Accademico Rev 02/04/2011
Università degli Studi di Padova Facoltà di Psicologia, L4, Psicometria, Modulo B Dr. Marco Vicentini marco.vicentini@unipd.it Anno Accademico 2010 2011 Rev 02/04/2011 Tabelle di contingenza Percentuali
Dettagli8 Derivati dell entropia
(F1X) Teoria dell Informazione e della Trasmissione 8 Derivati dell entropia Docente: Nicolò Cesa-Bianchi versione 23 marzo 2016 Siano X e Y due variabili casuali con valori in insiemi finiti X e Y. Detta
DettagliDATI DELLO STUDENTE: NomeeCognome:... NumerodiMatricola:... PROCESSI STOCASTICI 09/09/2015, ESAME SCRITTO
DATI DELLO STUDENTE: NomeeCognome:... NumerodiMatricola:... PROCESSI STOCASTICI 09/09/20, ESAME SCRITTO L uso di testi, appunti, formulari e gadget elettronici non è autorizzato. Avete 2 ore di tempo a
DettagliCP210 Introduzione alla Probabilità: Esame 2
Dipartimento di Matematica, Roma Tre Pietro Caputo 2018-19, II semestre 9 luglio, 2019 CP210 Introduzione alla Probabilità: Esame 2 Cognome Nome Matricola Firma Nota: 1. L unica cosa che si può usare durante
DettagliIII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2018/19
III Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 8/9 Martedì luglio 9 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di PS-Probabilità P.Baldi Tutorato 9, 19 maggio 11 Corso di Laurea in Matematica Esercizio 1 a) Volendo modellizzare l evoluzione della disoccupazione in un certo ambito
Dettagli1 PRELIMINARI 1.1 NOTAZIONI. denota l insieme vuoto. a A si legge a appartiene a A oppure a è elemento di A.
1 PRELIMINARI 1.1 NOTAZIONI denota l insieme vuoto. a A si legge a appartiene a A oppure a è elemento di A. B A si legge B è un sottoinsieme di A e significa che ogni elemento di B è anche elemento di
Dettagli3.1 La probabilità: eventi e variabili casuali
Capitolo 3 Elementi di teoria della probabilità Abbiamo già notato come, per la ineliminabile presenza degli errori di misura, quello che otteniamo come risultato della stima del valore di una grandezza
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.
Dettagli! X (92) X n. P ( X n X ) =0 (94)
Convergenza in robabilità Definizione 2 Data una successione X 1,X 2,...,X n,... di numeri aleatori e un numero aleatorio X diremo che X n tende in probabilità a X escriveremo X n! X (92) se fissati comunque
DettagliESERCIZI. Gli esercizi di maggiore difficoltà sono contrassegnati con un asterisco. 1. SPAZI DI PROBABILITA.
ESERCIZI Gli esercizi di maggiore difficoltà sono contrassegnati con un asterisco.. SPAZI DI PROBABILITA.. Si consideri lo spazio di probabilità finito corrispondente alla somma dei risultati di due dadi
DettagliMetodi di Geometria Algebrica per la ricostruzione statistica degli alberi filogenetici Luigi Biondi
Metodi di Geometria Algebrica per la ricostruzione statistica degli alberi filogenetici Luigi Biondi 20 Luglio 2011 Specie 1: ACGTACTACTGCAGTCCTAGCTGATCGT... Specie 2: ACTGTCGATCATGCTAATCGATGCATCG... Specie
DettagliEsercitazione N. 1 (11 ottobre 2016)
Esercitazione N. 1 (11 ottobre 2016) Un'urna contiene elementi. Vengono estratti di seguito elementi, ogni elemento una volta estratto è riposto nell'urna. Calcolare la probabilità dell evento: Problema
DettagliLuigi Piroddi
Automazione industriale dispense del corso (a.a. 2008/2009) 10. Reti di Petri: analisi strutturale Luigi Piroddi piroddi@elet.polimi.it Analisi strutturale Un alternativa all analisi esaustiva basata sul
DettagliMATEMATICA CORSO A COMPITINO DI RECUPERO (Tema 2) 10 Febbraio 2010
MATEMATICA CORSO A COMPITINO DI RECUPERO (Tema ) 10 Febbraio 010 SOLUZIONI 1. Una soluzione è un sistema omogeneo prodotto dallo scioglimento di una sostanza solida, liquida o gassosa (soluto) in un opportuno
DettagliMATEMATICA CORSO A COMPITINO DI RECUPERO (Tema 4) 10 Febbraio 2010
MATEMATICA CORSO A COMPITINO DI RECUPERO (Tema 4) 0 Febbraio 200 SOLUZIONI. Una soluzione è un sistema omogeneo prodotto dallo scioglimento di una sostanza solida, liquida o gassosa (soluto) in un opportuno
DettagliCorso di Laurea in Fisica. Geometria. a.a Prof. P. Piazza Soluzione compito a casa del 24/10/09
Corso di Laurea in Fisica. Geometria. a.a. 29-. Prof. P. Piazza Soluzione compito a casa del 24//9 Soluzione esercizio. Siano A e B due matrici simmetriche e λ un numero reale. Dobbiamo mostrare che anche
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2014/2015 www.mat.uniroma2.it/~caramell/did 1415/ps.htm 02/03/2015 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
DettagliMATEMATICA CORSO A I APPELLO 1 Giugno 2010 Soluzioni
MATEMATICA CORSO A I APPELLO 1 Giugno 2010 Soluzioni 1. In un dato esperimento è noto che solo il 0% delle cavie disponibili verrà trattato con un farmaco A, tale percentuale è nota a meno di un errore
DettagliMATEMATICA PER LO STUDIO DELLE INTERAZIONI STRATEGICHE: TEORIA DEI GIOCHI. Anna TORRE
MATEMATICA PER LO STUDIO DELLE INTERAZIONI STRATEGICHE: TEORIA DEI GIOCHI Anna TORRE Dipartimento di Matematica, Università di Pavia, Via Ferrata 1, 27100, Pavia, Italy. E-mail: anna.torre@unipv.it 1 SOLUZIONI:
DettagliCalcolo delle Probabilità
Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosiddette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello
DettagliLEZIONE 3. a + b + 2c + e = 1 b + d + g = 0 3b + f + 3g = 2. a b c d e f g
LEZIONE 3 3.. Matrici fortemente ridotte per righe. Nella precedente lezione abbiamo introdotto la nozione di soluzione di un sistema di equazioni lineari. In questa lezione ci poniamo il problema di descrivere
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prova del
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 206/7 - Prova del 207-09-08 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
DettagliCalcolo delle Probabilità e Statistica Matematica Fisciano, 10/1/2012
Fisciano, 10/1/2012 Esercizio 1 Un esperimento consiste nel generare a caso un vettore di interi (x 1, x 2, x 3, x 4 ), dove x i {1, 2, 3, 4, 5, 6} i. (i) Si individui lo spazio campionario, determinandone
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 29 maggio 2007 Test di indipendenza su tabelle di contingenza. Catene di Markov Esercizio Per controllare l efficacia di un vaccino vengono scelti
DettagliSpazi vettoriali euclidei.
Spazi vettoriali euclidei Prodotto scalare, lunghezza e ortogonalità in R n Consideriamo lo spazio vettoriale R n = { =,,, n R}, n con la somma fra vettori e il prodotto di un vettore per uno scalare definiti
DettagliI. Foglio di esercizi su vettori linearmente dipendenti e linearmente indipendenti. , v 2 = α v 1 + β v 2 + γ v 3. α v 1 + β v 2 + γ v 3 = 0. + γ.
ESERCIZI SVOLTI DI ALGEBRA LINEARE (Sono svolti alcune degli esercizi proposti nei fogli di esercizi su vettori linearmente dipendenti e vettori linearmente indipendenti e su sistemi lineari ) I. Foglio
DettagliRisulta inoltre ovvio che 1) se all'inizio del gioco il giocatore A ha tutto il capitale e B non ha nulla, allora
Diamo in questo paragrafo alcuni esempi un po' più complessi della teoria precedentemente esposta. Esempio 1*). Due giocatori A e B continuano una partita fino alla completa rovina di uno dei due. Il capitale
DettagliSOLUZIONI DEL 1 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA
SOLUZIONI DEL 1 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA 1 Esercizio 0.1 Dato P (A) = 0.5 e P (A B) = 0.6, determinare P (B) nei casi in cui: a] A e B sono incompatibili; b] A e B sono indipendenti;
DettagliUNIVERSITA` di ROMA TOR VERGATA
UNIVERSITA` di ROMA TOR VERGATA Corso di PS2-Probabilità 2 P.Baldi appello, 7 giugno 200 Corso di Laurea in Matematica Esercizio Siano X, Y v.a. indipendenti di legge Ŵ(2, λ). Calcolare densità e la media
DettagliIII Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2013/14 Nome: 16 luglio
III Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 013/14 Nome: 16 luglio 014 Email: Quando non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliScrivere su ogni foglio NOME e COGNOME. Le risposte devono essere giustificate sui fogli protocollo e riportate nel foglio RISPOSTE.
Corso di Laurea Triennale in Matematica Corso di Calcolo delle Probabilità 1 A. A. 4/5 a prova in itinere 8/6/5docenti G. Nappo, F. Spizzichino La prova scritta consiste nello svolgimento degli Esercizi
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE CATENE DI MARKOV TEMPO CONTINUE Definizioni Sia dato un processo stocastico x(t) che può assumere valori discreti appartenenti ad un insieme se accade che il processo è una catena
DettagliGRUPPI SANGUIGNI. Supponendo che la popolazione italiana sia H-W, calcola la probabilità di ogni singolo allele e di ogni genotipo
GRUPPI SANGUIGNI La distribuzione dei gruppi sanguigni nella popolazione italiana è: gruppo A 36%, gruppo B 17%, gruppo AB 7%, gruppo 0 40%. Il gruppo sanguigno è determinato da un locus genetico con tre
Dettagliciascun gamete riceve con la stessa probabilità l uno o l altro di essi
LE LEGGI DI MENDEL I primi tre postulati di Mendel: 1.I caratteri genetici sono controllati da fattori che esistono in coppie nei singoli organismi 2.Quando due fattori diversi, responsabili di un unico
DettagliComunicazioni Elettriche II
Comunicazioni Elettriche II Laurea Magistrale in Ingegneria Elettronica Università di Roma La Sapienza A.A. 207-208 Informazioni sul corso Mercoledì 0.00-2.00 Aula 22 Giovedì 0.00-2.00 Aula 25 Venerdì
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2013/2014 www.mat.uniroma2.it/~caramell/did 1314/ps.htm 04/03/2014 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
Dettaglia) Determinare il dominio, i limiti agli estremi del dominio e gli eventuali asintoti di f. Determinare inoltre gli zeri di f e studiarne il segno.
1 ESERCIZI CON SOLUZIONE DETTAGLIATA Esercizio 1. Si consideri la funzione f(x) = e x 3e x +. a) Determinare il dominio, i limiti agli estremi del dominio e gli eventuali asintoti di f. Determinare inoltre
DettagliTeoria Es. 1 Es. 2 Es.3 Es. 4 Totale. Cognome: Nome: Matricola: Prima Parte. x a dx
Teoria Es. Es. 2 Es. Es. 4 Totale Analisi e Geometria Appello 5/07/209 Docente: Numero di iscrizione all appello: Cognome: Nome: Matricola: Prima Parte (a) Prima domanda di teoria. ( punti) Enunciare e
DettagliMetodi e Modelli Matematici di Probabilità per la Gestione Prova scritta A 18/12/2009
Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta A 18/1/009 Esercizio 1. Un officina ha tre stazioni di lavoro uguali dove può essere effettuata la verniciatura, con un unica fila
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
DettagliFoglio di esercizi 3-29 Marzo 2019 Probabilità e statistica Ingegneria Meccanica Alessandro Ciallella
Foglio di esercizi 3-29 Marzo 209 Probabilità e statistica Ingegneria Meccanica Alessandro Ciallella Esercizio. Una compagnia aerea dispone di un aereo da 20 posti e di uno da 0 posti. Poiché si sa che
DettagliMattia Zanella. Ferrara, April
Department of Mathematical Sciences Politecnico di Torino, Italy http://www.mattiazanella.eu Ferrara, April 5 217 Programma della lezione Seminario I Introduzione a Matlab U(, 1): metodo di inversione
Dettagli1 Ampliamento del piano e coordinate omogenee
1 Ampliamento del piano e coordinate omogenee Vogliamo dare una idea, senza molte pretese, dei concetti che stanno alla base di alcuni calcoli svolti nella classificazione delle coniche. Supponiamo di
DettagliRiassumiamo le proprietà dei numeri reali da noi utilizzate nel corso di Geometria.
Capitolo 2 Campi 2.1 Introduzione Studiamo ora i campi. Essi sono una generalizzazione dell insieme R dei numeri reali con le operazioni di addizione e di moltiplicazione. Nel secondo paragrafo ricordiamo
DettagliPROGRAMMA DI CALCOLO DELLE PROBABILITÀ(1 o modulo) periodo: I Semestre, A. A. 2002/03 docente: Giovanna Nappo, (ufficio n.109, tel.
PROGRAMMA DI CALCOLO DELLE PROBABILITÀ(1 o modulo) periodo: I Semestre, A. A. 2002/03 docente: Giovanna Nappo, (ufficio n.109, tel. 49913262, e-mail: nappo@mat.uniroma1.it) Prerequisiti: Nozioni di base
DettagliAPPUNTI DI STATISTICA INFERENZIALE. Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO
APPUNTI DI STATISTICA INFERENZIALE Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO PREREQUISITI VARIABILE ALEATORIA (QUANTITATIVA): è una funzione che associa un numero reale ad ogni
Dettagli5. Catene di Markov a tempo discreto (CMTD)
5. Catene di Markov a tempo discreto (CMTD) Carla Seatzu, 8 Marzo 2008 Definizione: CATENA Le catene sono p.s. in cui lo stato è discreto : X{x,x 2, }. L insieme X può essere sia finito sia infinito numerabile.
Dettagli