Introduzione alle variabili aleatorie discrete e continue notevoli Lezione (ore , )

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00)"

Transcript

1 Introduzione alle variabili aleatorie discrete e continue notevoli Lezione (ore , ) Richiami di matematica pag. 2 Definizione (moderatamente) formale di variabile aleatoria pag. 3 Definizione e proprietà della funzione di probabilità di una variabile aleatoria discreta pag. 3 Definizione e proprietà della funzione di densità di probabilità di una variabile aleatoria continua pag. 3 Un primo gruppo di variabili aleatorie discrete notevoli e loro funzioni di probabilità: pag. 4 la variabile aleatoria degenere discreta pag. 5 la variabile aleatoria bernoulliana o di Bernoulli pag. 7 la variabile aleatoria uniforme discreta (versione zero) pag. 9 la variabile aleatoria uniforme discreta (versione uno) pag. 10 la variabile aleatoria poissoniana o di Poisson pag. 11 Una prima variabile aleatoria continua notevole e la sua funzione di densità di probabilità: la variabile aleatoria uniforme continua o rettangolare (parametri a e b) pag. 12 Verifica delle proprietà della funzione di probabilità e di densità per le variabili aleatorie di cui sopra pag. 14 1

2 Richiami di matematica (per la definizione formale di variabile aleatoria) Grazie alla funzione identità I (.) : y = I( x) = x x D, anche le variabili indipendenti sono variabili dipendenti (da sé stesse) o funzioni (di sé stesse) Prima conseguenza: noi consideriamo solo variabili x, y, F ( x ),ecc. senza distinzioni Seconda conseguenza: Dominio D di una variabile indipendente = S Codominio C di una variabile dipendente S = insieme dei valori, o stati, possibili di una variabile = = Supporto (o Spettro) di una variabile L insieme universo Ω (o-mega) che include i valori possibili di tutte le variabili è S =, per qualsiasi variabile Ω = = (, ) e quindi si ha: ( ) In matematica (in particolare in Topologia) si hanno le definizioni seguenti: insieme discreto A : tutti i valori di A sono punti isolati A = { c1, c2,... cn } discreto finito Z punto isolato di A : in un suo intorno non ci sono altri punti di A ] A = { c1, c2,... } discreto infinito numerabile Esempi: Sono insiemi discreti infiniti numerabili gli insiemi: = insieme dei numeri naturali, 0 = { 0} = insieme dei numeri naturali zero incluso, = insieme dei numeri interi (con segno) e = insieme dei numeri razionali (con segno). insieme continuo A : nessun valore di A A = è un punto isolato intervallo di Esempi: Qualsiasi intervallo di numeri reali ( = ( ) ( ] [ ) (infinito più che numerabile),, a, b, a,, ecc. ) è un insieme continuo ad anche gli insiemi che si sono unione o intersezione di due o più intervalli. discreta : se il suo supporto S variabile continua : se il suo supporto S è un insieme discreto è un insieme continuo 2

3 DEFINIZIONE (moderatamente) formale di variabile ALEATORIA una variabile (discreta o continua, dipendente o indipendente ) è aleatoria: (A) se per ciascuno dei suoi valori possibili x S è definita la (funzione di) probabilità p ( x ) di detti valori (quando la variabile è discreta), ovvero (B) se per ciascuno dei suoi valori possibili x S è definita la (funzione di) densità f x di detti valori (quando la variabile è continua). di probabilità ( ) Calcolo differenziale VARIABILE x Calcolo delle probabilità VARIABILE ALEATORIA {,... },{,,...} x c1 cn c1 c2 x { c1,... cn},{ c1, c2,... } variabile aleatoria p ( x ) = = = ( variable discreta ) discreta = probabilità di x [ ] ( ) x a, b, a, b, ecc. x [ a, b],( a, b), ecc. variabile aleatoria f ( x ) = densità di = = ( variabile continua ) continua probabilità di x, Y, Z, ecc. indicano variabili aleatorie, x, y, z, ecc. i loro valori possibili. Per x S la funzione di probabilità (densità) dà la probabilità (densità) di x Proprietà della funzione di probabilità Proprietà della funzione di densità ( a) Dominio e codominio ( a) Dominio e codominio [ ] f [ ) ( ) ( ) p : 0,1, ovvero : ( ) > 0 ( ) ( ) ( ) 0,, ovvero 0 p x 1 x 0 f x < x ( b) Positività su S e "zero altrove" ( b) Positività su S e "zero altrove" p x x S f x > 0 x S p x = 0 x S = S f x = 0 x S = S ( c) Normalizzazione ( c) Normalizzazione p ( x ) = p ( x ) = 1 f ( x ) dx = f ( x ) dx = 1 x= x S x S ( d) Calcolo della probabilità che ( d) Calcolo della probabilità che assuma un qualsiasi valore in A assuma un qualsiasi valore in A ( ) ( ) ( ) ( ) P A = p x P A = f x dx = area sopra A x A x A dove A dove A = intervallo di 3

4 Si noti la somiglianza fra le proprietà (a)-(d) di cui alla pagina precedente nel caso discreto e continuo. Tali proprietà vanno verificate per esercizio per ciascuna delle variabili che seguono. La loro verifica è immediata salvo che per il caso della proprietà (c) di normalizzazione della funzione di probabilità della poissoniana che richiede il ricorso allo sviluppo in serie di McLaurin della funzione esponenziale (in base e). Si veda a questo proposito la pag. 14 alla fine di questa lezione. Infine si noti che la proprietà (d) più che una proprietà da verificare è in realtà la regola fondamentale da applicare per il calcolo della probabilità per un qualsiasi A. I sottoinsiemi di di cui si può calcolare la probabilità sono detti eventi aleatori (o nel linguaggio matematico astratto insiemi misurabili). Per S insieme discreto la giustificazione di tale regola (d) di calcolo della probabilità è basata sulla proprietà di additività delle frequenze relative, per S continuo è la estensione di tale additività, appunto, al caso continuo. UN PRIMO GRUPPO DI VARIABILI ALEATORIE DISCRETE NOTEVOLI E LORO FUNZIONI DI PROBABILITÀ Per ciascuna variabile aleatoria notevole discreta, così come per quelle continue che si vedranno più avanti, le informazioni che diamo in questa sezione della lezione sono così organizzate: Simbolo della variabile aleatoria con la notazione : significante è ) Supporto della variabile aleatoria Funzione di probabilità di (o di densità per le variabili continue) Riferimenti storici (non sempre presenti) Tipico significato applicativo della variabile aleatoria Relazioni con altre variabili aleatorie Una volta arrivati alla apposita sezione di questo Corso, per ciascuna variabile verrà anche data la funzione di ripartizione, il valore medio atteso, la varianza, ecc. Particolarmente importanti sono le informazioni che dà il Tipico significato applicativo della variabile. In primo luogo tali informazioni danno, in modo più completo e sintetico possibile, i vari contesti applicativi sia economico-aziendali sia ingegneristico-gestionali (che sono quindi anche i contesti delle domande di esame) in cui tipicamente si usa la variabile. In secondo luogo le informazioni contenute nel Tipico significato applicativo (e talvolta anche nelle Relazioni con altre variabili ) mettono sin dall inizio al corrente il lettore di importanti concetti (e relativi formalismi) che, anche se saranno oggetto di trattazione ex novo e più estesa nelle apposite lezioni di questo Corso, gli mostrano già il panorama probabilistico più vasto entro cui si collocano le variabili aleatorie che sta studiando. Naturalmente ciascun lettore a seconda delle sue attitudini e approccio di studio profitterà in grado diverso di tali anticipazioni cui comunque potrà ritornare una volta viste le apposite lezioni del Corso cui tali concetti e formalismi sono trattati ex novo in modo più 4

5 esteso. Altrettanto naturalmente il docente, a seconda del taglio che dà al suo corso, può dare indicazione di non considerare tali anticipazioni in tutto o in parte. Esempi di tali anticipazioni sono: _ le variabili aleatorie funzioni lineari di altre variabili aleatorie _ i sistemi di qualsiasi natura (impianti, progetti, contratti) composti da componenti elementari in serie, in parallelo e misti m out of n (o m su n ) _ la nozione di affidabilità (o reliability) di un sistema di cui sopra, cioè la probabilità che il sistema funzioni, se è un impianto, o vada a buon fine, se è un progetto o contratto _ la variabile aleatoria guadagno aleatorio che è alla base del modello binomiale simmetrico (o symmetric random walk) della Finanza matematica (e che dà una versione discreta del moto browniano) _ la genesi matematico-probabilistica (p. es. equazioni differenziali) di alcune funzioni di probabilità e di densità (poissoniana, esponenziale negativa e gaussiana). Infine con la più semplice delle variabili aleatorie discrete (la variabile aleatoria degenere) prima, e con l approssimazione gaussiana delle probabilità binomiali poi, si rende sin da subito consapevole il lettore che, sebbene il mondo delle variabili discrete e quello delle variabili continue siano e restino nettamente distinti, hanno tuttavia sorprendenti ed importanti punti di contatto. Simbolo: : D ( µ ) Parametro: µ S = µ Supporto: { } Funzione di probabilità: p ( x ) Variabile aleatoria DEGENERE DISCRETA = 1 x = µ 0 altrove Riferimenti storici: la lettera D nel simbolo di questa variabile aleatoria fa riferimento, oltre che alla prima lettera della parola Degenere, anche alla prima lettera del cognome di P. Dirac (Premio Nobel 1933 per la fisica) il quale, per quanto incredibile possa sembrare a dirsi, ha dato una versione continua di questa variabile aleatoria discreta nel senso che, come vedremo, per questa variabile discreta egli è riuscito a definire una funzione (la funzione generalizzata o distribuzione δ (delta) di Dirac ) che ha tutte le proprietà formali di una vera e propria funzione di densità di probabilità di una variabile aleatoria continua. Tipico significato applicativo: questa variabile aleatoria, che come vedremo è fondamentale anche per l apprendimento dei concetti di valor medio atteso e varianza di una variabile aleatoria, serve per avere anche in Calcolo delle probabilità e Statistica la nozione di costante. Infatti questa variabile ha un solo valore possibile x µ = (valore che assume quindi con probabilità 1). In Calcolo delle probabilità e 5

6 Statistica le costanti ricorrono, simbolicamente e numericamente, esattamente come in Algebra ed in Calcolo differenziale cioè nelle espressioni algebriche che legano fra loro le variabili. Inoltre in tali espressioni si usa scrivere tali variabili aleatorie degeneri, anziché con i simboli maiuscoli, Y, Z, W, T, ecc. tipici delle variabili aleatorie del Calcolo delle probabilità, con i soliti simboli minuscoli a, b, c, c 1, ecc., o con espliciti valori numerici, esattamente come in Algebra e nel Calcolo differenziale. P. es., in relazione alle variabili aleatorie bernoulliana e uniforme discreta che vedremo fra breve, verrà illustrato il significato delle seguenti espressioni algebriche (relazioni lineari, in particolare) che legano due variabili aleatorie e Y: Y = 2 1, Y = 1 ed in generale Y = c1 + c2 dove, p. es., la costante c 2 in entrambi i due casi particolari precedenti ha valore numerico 1. La rappresentazione di tali costanti come variabili aleatorie degeneri è allora la seguente (dove usiamo le lettre Z e T perché e Y sono già state usate per indicare le variabili aleatorie che compaiono nelle relazioni di cui sopra): Z : D( 1) con p ( z ) T : D( c ) con p ( t ) 2 Z T 1 z = 1 = (parametro µ = 1) (*) 1 t = c2 = (parametro µ = c2) (*) Osservazione sulla simbologia. Quando si trattano in uno stesso contesto più variabili aleatorie, Y, Z e T ecc., come si è appena fatto sopra, per distinguere meglio simboli dei supporti e delle funzioni di probabilità e di densità di ciascuna variabile aleatoria si usa indicare la variabile stessa in tali simboli e scrivere S, Y y, ecc. per le funzioni di probabilità (si veda (*) sopra), e ( ) Y y, ecc. per le funzioni di densità. Si noti inoltre che quando al generico valore possibile x si sostituisce in p ( x ) un valore specifico, p. es. 0, si ottiene p ( 0) invece di p ( 0), scrittura quest ultima che fa invece perdere ogni traccia della variabile che si sta considerando. Anche se nella maggior parte dei casi, presentando le singole variabili aleatorie in quanto segue, tratteremo una sola variabile aleatoria per volta, che inoltre chiameremo quasi sempre per comodità con, useremo lo stesso già tale simbologia per prendervi l abitudine. S, ecc. per i supporti, p ( x ), py ( ) f x, f ( ) 6

7 Simbolo: : Be ( p ) Parametro: p [ 0,1] Supporto: S = { 0,1} Corso di Laurea in Ingegneria gestionale, Università C. Cattaneo-Liuc, AA Variabile aleatoria BERNOULLIANA o di BERNOULLI 1 p x = 0 Funzione di probabilità: p ( x ) = p x = 1 Riferimenti storici: Jakob (o Jacob, o James) Bernoulli (Basilea, ), matematico e scienziato svizzero. Tipico significato applicativo: i valori possibili x di questa variabile aleatoria sono il numero di volte che in una osservazione (o prova ) si può osservare (o può essere verificata) una data condizione e dunque si possono avere solo due valori per x: x = 1 quando la condizione è osservata (o verificata) e allora si dice anche che si ha x = un successo (indipendentemente dalla desiderabilità o meno della condizione che si è verificata); x = 0 quando la condizione non è osservata (o non è verificata) e allora si dice anche che si hanno x = zero successi. In particolare i valori x di : Be ( 1 2), cioè con parametro p = 1 2, possono rappresentare il numero di teste in un lancio di una moneta (regolare) ovvero: x = 1 quando il lancio dà testa e x = 0 quando il lancio dà croce e quindi zero teste. La regolarità della moneta è rappresentata dal fatto che la probabilità di x = 1 e x = 0 è la stessa per entrambi ovvero: p = 1 2 e 1 p = 1 2 (cioè, come si dice, la moneta non è truccata). Inoltre : Be ( p ) è il modello probabilistico dei sondaggi di opinione in cui la risposta all intervista ha due sole possibilità sì/no, favorevole/contrario, ecc., ovvero: x = 1 (un sì/favorevole), o x = 0 (un no/contrario = zero sì/favorevoli); così come rappresenta il presentarsi o meno del danno coperto da una polizza assicurativa in dato intervallo di tempo: x = 1 (un danno si verifica), x = 0 (zero danni si verificano). Questa variabile aleatoria rappresenta anche il buon fine o meno di un contratto o di un progetto: x = 1 (il contratto o progetto va a buon fine), x = 0 (il contratto o progetto non va a buon fine = zero contratti o progetti vanno a buon fine); così come rappresenta il funzionamento o meno di un componente di un impianto (o di un impianto nel suo complesso): x = 1 (il componente, o l impianto, funziona), x = 0 (il componente, o l impianto, non funziona = zero componenti, o impianti, funzionano). La variabile aleatoria bernoulliana rappresenta anche situazioni assai più complesse quali il funzionamento di un sistema in serie (= il sistema funziona se e solo se funzionano tutti i suoi n componenti) od in parallelo (= il sistema funziona se funziona almeno uno dei suoi 7

8 n componenti). In particolare si consideri un sistema composto da due componenti in serie uguali e si consideri anche un sistema composto da due componenti in parallelo uguali. Allora dalle due variabili aleatorie bernoulliane : Be p j = j ( ) 1,2 che rappresentano il funzionamento dei due componenti si ottiene applicando le regole, ovvero gli assiomi e i teoremi, del calcolo delle probabilità che vedremo che anche il funzionamento del sistema ha funzionamento bernoulliano con parametro che dipende dal parametro p delle due variabili aleatorie bernoulliane : Be p j = 1,2 che rappresentano il funzionamento dei due singoli componenti. j ( ) In dettaglio, per il sistema composto in serie e per il sistema in parallelo si ottiene che il loro funzionamento è rappresentato rispettivamente dalle seguenti due variabili aleatorie bernoulliane i cui parametri p e p dipendono dal parametro p del funzionamento dei due componenti : Be p con p = p 2 ( ) ( ) = ( ) = > = [ ] : Be p con p 1 1 p 2 p p p p ( p 0,1 ) La diseguaglianza di cui sopra fra p e p mostra che è più alta la probabilità p di funzionamento (= affidabilità = reliability) del sistema in parallelo rispetto alla probabilità p di funzionamento del sistema in serie (tali risultati richiedono l ipotesi di indipendenza stocastica che avremo modo di vedere). Quanto sopra, senza nulla cambiare, si applica anche alla probabilità di buon fine di un progetto (o contratto) composto in serie o in parallelo da due sub-progetti (o sub-contratti) uguali. Relazioni con altre variabili: Se p = 0 allora : Be ( 0) = : D ( 0). Se p = 1 allora : Be ( 1) = : D ( 1). Talvolta, con abuso di linguaggio, si dice bernoulliana (tipicamente in Finanza matematica) anche una variabile aleatoria Y i cui valori y dipendono dai valori x { 0,1} della bernoulliana secondo la banale funzione lineare dell Algebra e del Calcolo differenziale seguente y = (2x 1) { 1,1 } x { 0,1} (*) I valori possibili y della nuova variabile aleatoria Y rappresentano il guadagno (positivo o negativo) aleatorio che si può avere nella situazione in cui in un dato istante del tempo futuro possono darsi solo due alternative: o si perde un dollaro (euro, ecc.), cioè si ha y = 1 con la stessa probabilità di x = 0 (p. es. perché il contratto non va a buon fine), oppure si guadagna un dollaro (euro, ecc.), cioè si ha y = 1 con la stessa probabilità di x = 1 (p. es. perché il contratto va a buon fine). La funzione di probabilità della variabile aleatoria guadagno aleatorio Y è dunque la seguente: 8

9 1 p y = 1 py ( y ) = p y = 1 con SY = { 1,1 } dove la probabilità di osservare y = 1 è la stessa di quella di osservare x = 0 perché la funzione (*) dà y = 1 se e solo se si ha x = 0 e dunque la probabilità di y = 1 e di x = 0 non può che essere la stessa. In tal caso i due valori y = 1 e x = 0 delle due variabili aleatorie Y e si dicono valori equivalenti perché se è osservato uno è senz altro osservato anche l altro e viceversa (lo stesso vale per y = 1 e x = 1 ovviamente). Ciò accade tutte le volte che la funzione (*) (o altra funzione a seconda dei casi) è biunivoca (come nel nostro caso, in cui è una funzione lineare di x, ovvero una retta). Quando si vuole mettere in evidenza il legame tra le due variabili aleatorie Y e anziché fra i loro generici valori y e x (ma ovviamente nulla cambia nella sostanza) ciò si fa scrivendo le funzione (*) (o altra funzione a seconda dei casi) con i simboli maiuscoli Y e delle variabili aleatorie anziché con quelli minuscoli y e x dei loro valori, ovvero: Y = 2 1 (con : Be ( p ) ) Nel nostro caso si dice anche che la variabile aleatoria Y è una funzione, o trasformazione, lineare della variabile aleatoria con pendenza 2 ed intercetta 1 che, in quanto costanti, come abbiamo già visto, sono rappresentabili come due variabili aleatorie degeneri rispettivamente di parametri µ = 1 e µ = 2. In particolare per la costante 2 si ha 1 w = 2 W : D(2) con pw ( w) = (parametro µ = 2) La costante 1 è già stata considerata al termine di quanto detto sulle variabili aleatorie degeneri. Simbolo: : U0 ( n) Parametro: n 0 = { 0,1, 2, } S = 0,1,2, n Supporto: { } Variabile aleatoria UNIFORME DISCRETA (versione zero) 1 x = 0,1,2, n Funzione di probabilità: p ( x ) = n + 1 Tipico significato applicativo: si usa quando si sa (o si assume) che le probabilità siano in effetti tutte uguali (o costanti, o uniformi ), oppure, all opposto, quando non si sa nulla su quali siano in effetti le probabilità. La versione zero di questa 9

10 variabile è caratterizzata dal fatto che ha come più piccolo valore del supporto il valore zero. Relazioni con altre variabili: Se n = 1 allora : U 0 ( 1 ) = : Be ( 1 2 ). n = allora U ( ) = D ( ) Se 0 Simbolo: : U1 ( n) Parametro: n = { 1,2, } Supporto: S = { 1,2, n} : 0 0 : 0. Variabile aleatoria UNIFORME DISCRETA (versione uno) 1 n x = 1,2, n Funzione di probabilità: p ( x ) = Tipico significato applicativo: idem come nel caso della uniforme discreta versione zero. La versione uno di questa variabile è caratterizzata dal fatto che ha come più : U 1 6, cioè piccolo valore del supporto il valore uno. In particolare i valori x di ( ) con parametro n = 6 e supporto { 1,2, 6} S =, possono essere il punteggio x, da uno a sei, che compare sulle facce di un dado regolare cioè, appunto, i cui punteggi sulle facce hanno tutti la stessa probabilità. Relazioni con altre variabili: Se n = 2 allora : U1 ( 2) = : Be ( 1 2) ; Se n = 1 allora : U 1 ( 1 ) = : D ( 1 ). Invece dei valori x { 1,2, n} di : U1 ( n) si considerino ora i valori y di una variabile aleatoria Y che dipendono dai valori 1,2, n : U n secondo la funzione biunivoca (e lineare) seguente x { } di ( ) 1 y = ( x 1) { 0,1, n 1} x { 1,2, n} Allora, procedendo esattamente come già fatto verso la fine di quanto detto sulla Y : U n ovvero in dettaglio: bernoulliana, per la nuova variabile Y si ha che ( ) n y = 0,1, n 1 py y con SY 0,1, n 1 E dunque come preannunciato si ha : U n Y = ( 1) : U n 1 ( ) = = { } ( ) ( ) 1 0 Verificare per esercizio che, in modo del tutto analogo, vale la relazione: ( ) ( ) ( ) = ( Y + 1) : U n con Y : U n

11 Variabile aleatoria POISSONIANA o di POISSON Simbolo: : Po ( µ ), oppure : Po ( λ ) = [ 0, ) Parametro: µ = λ t, λ S = 0,1,2, Supporto: { } + + t ( t + ) ( t ) x x µ µ λ t λ e = e x = 0,1,2 Funzione di probabilità: p ( x ) = x! x! 0 altrove dove x! = 1 2 x; 0! = 1 Riferimenti storici: Siméon-Denis Poisson ( ), matematico, geometra e fisico francese. Tipico significato applicativo: i valori possibili x di questa variabile aleatoria sono il numero di volte che in un dato intervallo di tempo di lunghezza t si può osservare (o può essere verificata) una data condizione (ovvero il numero di successi nell intervallo di tempo lungo t ) qualora il parametro λ sia costante ( λ = numero medio delle volte che la condizione si verifica per unità di tempo = tasso di successo, µ = λ t = numero medio di successi in tutto l intervallo di tempo lungo t ). Ogni volta che la condizione è osservata o verificata si dice che si ha un successo indipendentemente dalla desiderabilità o meno dello stesso. Quindi i valori x della Poissoniana sono il numero dei successi in un dato intervallo di tempo con tasso di successo λ costante. E questo il caso cosiddetto omogeneo della poissoniana (c è anche la versione non omogenea della poissoniana con tasso di successo λ = λ ( t) variabile in funzione di t ). Le seguenti variabili aleatorie sono tipicamente Poissoniane: = n di guasti di un impianto in un dato intervallo di tempo: x 0,1,2, { } = n di nuclei radioattivi che decadono un dato intervallo di tempo: x { 0,1,2, } = n di ordini di acquisto ricevuti in un dato intervallo di tempo: x { 0,1,2, } = n di sinistri a carico di una compagnia assicurativa in un mese: x { 0,1,2, } = n di chiamate che arrivano ad un centralino in un'ora: x { 0,1,2, } = n di clienti che arrivano ad una cassa di un supermercato in mezz'ora: x 0,1,2, { } Dove i successi sono rispettivamente dati da: i guasti, i nuclei decaduti, gli ordini, i sinistri, le chiamate ed i clienti. Le ipotesi che giustificano l impiego della variabile aleatoria di Poisson sono molto naturali e generali ovvero: (1) In due intervalli di tempo che non si sovrappongono la probabilità del numero di successi nel primo intervallo non dipende dalla probabilità del numero di successi nel secondo intervallo e viceversa; 11

12 (2) t = 0 0 = 0 ; P ( t = 1) = λ t + o ( t ) o ( t ) (3) t > 0 (dove λ = cost. > 0 e lim = 0) t 0 P ( t 2) = o ( t ) t In particolare la prima probabilità in (3), cioè la probabilità di avere un successo in un intervallo di lunghezza t, è proporzionale a t con costante di proporzionalità λ più una quantità che è piccola rispetto a t per t tendente a zero ( o ( t ) = o-piccolo di t = infinitesimo di ordine superiore a t, ovvero tende a zero più velocemente di t per t tendente a zero). La seconda probabilità in (3), cioè la probabilità di più di un successo in un intervallo di lunghezza t, è piccola rispetto a t per t tendente a zero,. Le condizioni (1)-(3) di cui sopra e le regole (ovvero gli assiomi ed i teoremi) del calcolo delle probabilità (che vedremo) conducono ad un sistema di equazioni p x; t differenziali ricorsive del primo ordine nella funzione di probabilità incognita ( ). La soluzione di tale sistema di equazioni differenziali è appunto la funzione di probabilità poissoniana vista sopra, ovvero si ha x λ t ( λ t ) p ( x; t ) = e x = 0,1,2 x! Tale sistema di equazioni differenziali è dato da: dp ( 0; t ) x = 0 : = λ p ( 0; t ) dt dp ( x; t ) x 1: = λ p ( x; t ) + λ p ( x 1; t ) dt Tutto quanto precede resta valido se invece del tempo, e quindi il numero di successi in un intervallo di tempo, si considera lo spazio (uni-dimensionale) e quindi il numero di volte in cui una condizione è verificata in dato intervallo dello spazio unidimensionale. UNA PRIMA VARIABILE ALEATORIA CONTINUA NOTEVOLE E LA SUA FUNZIONE DI DENSITÀ DI PROBABILITÀ Simbolo: : U ( a; b) Parametri: a, b, a < b S = a, b Supporto: [ ] Variabile aleatoria UNIFORME CONTINUA o RETTANGOLARE con parametri a e b 12

13 Funzione di densità di probabilità: ( ) 1 f x = b a 0 a x b altrove Tipico significato applicativo: questa variabile aleatoria si usa quando si sa (o si ipotizza) che la probabilità che la variabile aleatoria assuma un qualsiasi valore in un dato intervallo sia esattamente proporzionale alla lunghezza dell intervallo stesso 1 con costante di proporzionalità data dalla densità di probabilità f ( x ) = che b a infatti è costante (o uniforme ). [Questa variabile si usa anche, all opposto, quando non si sa nulla (e non si sa cosa ipotizzare) di come possa variare la probabilità al variare dell intervallo e della sua lunghezza]. Questa variabile si chiama anche rettangolare perché il grafico della densità è un rettangolo con base data dal supporto S = [ a, b] ed altezza data dalla densità costante (o uniforme ) su tutto il supporto. Applicando la proprietà (d) della funzione di densità, calcoliamo la probabilità che la variabile uniforme assuma un qualsiasi valore nei seguenti tre intervalli di lunghezza crescente: ù Intervalli: A = [ a, b ] A = [ a, b ] S = [ a, b] Estremi degli intervalli: a < a < a < b < b < b b a < b a < b a Lunghezze degli intervalli: ( ) ( ) ( ) Probabilità: ( b a ) 1 < ( b a ) 1 < ( b a ) 1 = 1 b a b a b a Applicando in dettaglio la proprietà (d) della densità, verifichiamo le probabilità di cui sopra da cui risulta appunto che le probabilità crescono proporzionalmente alla lunghezza dell intervallo con la costante di proporzionalità data dalla densità costante: 1 P ( A ) = P ( a b ) = area sopra A = lunghezza di base altezza = ( b a ) b a 1 P ( A ) = P ( a b ) = area sopra A = lunghezza base altezza = ( b a ) b a P ( 1 S ) = P ( a b ) = area sopra S = lunghezza base altezza = ( b a ) = 1 b a Si noti che l ipotesi di proporzionalità della probabilità alla lunghezza dell intervallo implica il fatto molto ragionevole e generale che più lungo è l intervallo più è alta la probabilità che la variabile aleatoria assuma un valore che si trova nell intervallo stesso (questo fatto rientra in una proprietà generale della probabilità, la monotonia non decrescente). Ciò che invece è molto particolare, e peculiare della variabile aleatoria uniforme continua, è che la probabilità aumenti in modo esattamente proporzionale alla lunghezza dell intervallo. Tutte le altre variabili aleatorie 13

14 continue hanno proprio il ruolo di rappresentare situazioni in cui tale esatta proporzionalità non può considerarsi realistica o appropriata. VERIFICA DELLE PROPRIETÀ DELLA FUNZIONE DI PROBABILITÀ E DI DENSITÀ PER LE VARIABILI ALEATORIE DI CUI SOPRA La verifica delle proprietà (a)-(d) a pag. 3 è immediata sia nel caso discreto sia nel caso continuo. L unico caso in cui la verifica non è immediata è quello che riguarda la proprietà (c) di normalizzazione per la variabile aleatoria poissoniana per la quale si ha: x x µ µ µ µ µ µ e = e e e 1 x S x! = = x= 0 x! dove per la serie di potenze fra parentesi si ha che e µ µ = x x= 0 x! ovvero è lo sviluppo in serie di Taylor-McLaurin di e µ (p. es. pagg , 273, Bramanti M., Pagani C.D., Salsa S., Matematica, calcolo differenziale e algebra lineare, 2004, Zanichelli, Bologna). 14

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

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

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

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

1. Distribuzioni campionarie

1. Distribuzioni campionarie Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie

Dettagli

Probabilità II Variabili casuali discrete

Probabilità II Variabili casuali discrete Probabilità II Variabili casuali discrete Definizioni principali. Valore atteso e Varianza. Teorema di Bienaymé - Čebičev. V.C. Notevoli: Bernoulli e Binomiale. Concetto di variabile casuale Cos'è una

Dettagli

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme

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

Dettagli

DISTRIBUZIONI DI PROBABILITÀ

DISTRIBUZIONI DI PROBABILITÀ Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI

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

CENNI DI METODI STATISTICI

CENNI DI METODI STATISTICI Corso di Laurea in Ingegneria Aerospaziale CENNI DI METODI STATISTICI Docente: Page 1 Page 2 Page 3 Due eventi si dicono indipendenti quando il verificarsi di uno non influisce sulla probabilità di accadimento

Dettagli

CONCETTO DI LIMITE DI UNA FUNZIONE REALE

CONCETTO DI LIMITE DI UNA FUNZIONE REALE CONCETTO DI LIMITE DI UNA FUNZIONE REALE Il limite di una funzione è uno dei concetti fondamentali dell'analisi matematica. Tramite questo concetto viene formalizzata la nozione di funzione continua e

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

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

Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata, Matematica

Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata, Matematica DIPARTIMENTO DI MATEMATICA Università degli Studi di Trento Via Sommarive - Povo (TRENTO) Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata,

Dettagli

Facciamo qualche precisazione

Facciamo qualche precisazione Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione

Dettagli

I PROBLEMI ALGEBRICI

I PROBLEMI ALGEBRICI I PROBLEMI ALGEBRICI La risoluzione di problemi è una delle attività fondamentali della matematica. Una grande quantità di problemi è risolubile mediante un modello algebrico costituito da equazioni e

Dettagli

Elementi di topologia della retta

Elementi di topologia della retta Elementi di topologia della retta nome insieme definizione l insieme è un concetto primitivo che si accetta come intuitivamente noto secondo George Cantor, il padre della teoria degli insiemi: Per insieme

Dettagli

Funzione reale di variabile reale

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

Dettagli

LE FUNZIONI A DUE VARIABILI

LE FUNZIONI A DUE VARIABILI Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre

Dettagli

Slide Cerbara parte1 5. Le distribuzioni teoriche

Slide Cerbara parte1 5. Le distribuzioni teoriche Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle

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 Minimizzazione dei costi

La Minimizzazione dei costi La Minimizzazione dei costi Il nostro obiettivo è lo studio del comportamento di un impresa che massimizza il profitto sia in mercati concorrenziali che non concorrenziali. Ora vedremo la fase della minimizzazione

Dettagli

Matematica e Statistica

Matematica e Statistica Matematica e Statistica Prova d esame (0/07/03) Università di Verona - Laurea in Biotecnologie - A.A. 0/3 Matematica e Statistica Prova di MATEMATICA (0/07/03) Università di Verona - Laurea in Biotecnologie

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

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

Grafico qualitativo di una funzione reale di variabile reale

Grafico qualitativo di una funzione reale di variabile reale Grafico qualitativo di una funzione reale di variabile reale Mauro Saita 1 Per commenti o segnalazioni di errori scrivere, per favore, a: maurosaita@tiscalinet.it Dicembre 2014 Indice 1 Qualè il grafico

Dettagli

Marco Tolotti - Corso di Esercitazioni di Matematica 12 Cfu - A.A. 2010/2011 1

Marco Tolotti - Corso di Esercitazioni di Matematica 12 Cfu - A.A. 2010/2011 1 Marco Tolotti - Corso di Esercitazioni di Matematica 1 Cfu - A.A. 010/011 1 Esercitazione 1: 4/09/010 1. Determinare il dominio delle seguenti funzioni: log a) f() = 5 ( 1). b) g() = log 3 (3 6) log 13.

Dettagli

1 Serie di Taylor di una funzione

1 Serie di Taylor di una funzione Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita

Dettagli

Probabilità discreta

Probabilità discreta Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che

Dettagli

Come visto precedentemente l equazione integro differenziale rappresentativa dell equilibrio elettrico di un circuito RLC è la seguente: 1 = (1)

Come visto precedentemente l equazione integro differenziale rappresentativa dell equilibrio elettrico di un circuito RLC è la seguente: 1 = (1) Transitori Analisi nel dominio del tempo Ricordiamo che si definisce transitorio il periodo di tempo che intercorre nel passaggio, di un sistema, da uno stato energetico ad un altro, non è comunque sempre

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

Studio di una funzione ad una variabile

Studio di una funzione ad una variabile Studio di una funzione ad una variabile Lo studio di una funzione ad una variabile ha come scopo ultimo quello di pervenire a un grafico della funzione assegnata. Questo grafico non dovrà essere preciso

Dettagli

Tutorato di Probabilità e Statistica

Tutorato di Probabilità e Statistica Università Ca Foscari di Venezia Dipartimento di informatica 20 aprile 2006 Variabili aleatorie... Example Giochiamo alla roulette per tre volte 1 milione sull uscita del numero 29. Qual è la probabilità

Dettagli

Parte 6. Applicazioni lineari

Parte 6. Applicazioni lineari Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R

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 2. Operazione di limite

Capitolo 2. Operazione di limite Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A

Dettagli

Le funzioni continue. A. Pisani Liceo Classico Dante Alighieri A.S. 2002-03. A. Pisani, appunti di Matematica 1

Le funzioni continue. A. Pisani Liceo Classico Dante Alighieri A.S. 2002-03. A. Pisani, appunti di Matematica 1 Le funzioni continue A. Pisani Liceo Classico Dante Alighieri A.S. -3 A. Pisani, appunti di Matematica 1 Nota bene Questi appunti sono da intendere come guida allo studio e come riassunto di quanto illustrato

Dettagli

Rette e curve, piani e superfici

Rette e curve, piani e superfici Rette e curve piani e superfici ) dicembre 2 Scopo di questo articolo è solo quello di proporre uno schema riepilogativo che metta in luce le caratteristiche essenziali delle equazioni di rette e curve

Dettagli

Corso di Analisi Matematica. Polinomi e serie di Taylor

Corso di Analisi Matematica. Polinomi e serie di Taylor a.a. 2013/14 Laurea triennale in Informatica Corso di Analisi Matematica Polinomi e serie di Taylor Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità degli

Dettagli

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi. Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:

Dettagli

Docente: DI LISCIA F. CLASSE 1T MODULO 1: GLI INSIEMI NUMERICI

Docente: DI LISCIA F. CLASSE 1T MODULO 1: GLI INSIEMI NUMERICI Docente: DI LISCIA F. Materia: MATEMATICA CLASSE 1T MODULO 1: GLI INSIEMI NUMERICI Insiemi numerici: numeri naturali, proprietà delle operazioni aritmetiche; Potenze e loro proprietà; Criteri di divisibilità;

Dettagli

Appunti sul corso di Complementi di Matematica - prof. B.Bacchelli. 03 - Equazioni differenziali lineari omogenee a coefficienti costanti.

Appunti sul corso di Complementi di Matematica - prof. B.Bacchelli. 03 - Equazioni differenziali lineari omogenee a coefficienti costanti. Appunti sul corso di Complementi di Matematica - prof. B.Bacchelli 03 - Equazioni differenziali lineari omogenee a coefficienti costanti. Def. Si dice equazione differenziale lineare del secondo ordine

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

Osservazioni sulla continuità per le funzioni reali di variabile reale

Osservazioni sulla continuità per le funzioni reali di variabile reale Corso di Matematica, I modulo, Università di Udine, Osservazioni sulla continuità Osservazioni sulla continuità per le funzioni reali di variabile reale Come è noto una funzione è continua in un punto

Dettagli

Applicazioni del calcolo differenziale allo studio delle funzioni

Applicazioni del calcolo differenziale allo studio delle funzioni Capitolo 9 9.1 Crescenza e decrescenza in piccolo; massimi e minimi relativi Sia y = f(x) una funzione definita nell intervallo A; su di essa non facciamo, per ora, alcuna particolare ipotesi (né di continuità,

Dettagli

Lezioni di Matematica 1 - I modulo

Lezioni di Matematica 1 - I modulo Lezioni di Matematica 1 - I modulo Luciano Battaia 16 ottobre 2008 Luciano Battaia - http://www.batmath.it Matematica 1 - I modulo. Lezione del 16/10/2008 1 / 13 L introduzione dei numeri reali si può

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

Programma definitivo Analisi Matematica 2 - a.a. 2005-06 Corso di Laurea Triennale in Ingegneria Civile (ICI)

Programma definitivo Analisi Matematica 2 - a.a. 2005-06 Corso di Laurea Triennale in Ingegneria Civile (ICI) 1 Programma definitivo Analisi Matematica 2 - a.a. 2005-06 Corso di Laurea Triennale in Ingegneria Civile (ICI) Approssimazioni di Taylor BPS, Capitolo 5, pagine 256 268 Approssimazione lineare, il simbolo

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

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

Dettagli

Lezione 23 Legge di Walras

Lezione 23 Legge di Walras Corso di Economia Politica prof. S. Papa Lezione 23 Legge di Walras Funzione del Consumo Facoltà di Economia Università di Roma La Sapienza Perché la macroeconomia I problem illustrati nelle lezione precedente

Dettagli

Intorni Fissato un punto sull' asse reale, si definisce intorno del punto, un intervallo aperto contenente e tutto contenuto in

Intorni Fissato un punto sull' asse reale, si definisce intorno del punto, un intervallo aperto contenente e tutto contenuto in Intorni Fissato un punto sull' asse reale, si definisce intorno del punto, un intervallo aperto contenente e tutto contenuto in Solitamente si fa riferimento ad intorni simmetrici =, + + Definizione: dato

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

Per studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R

Per studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R Studio di funzione Per studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R : allo scopo di determinarne le caratteristiche principali.

Dettagli

Funzioni. Parte prima. Daniele Serra

Funzioni. Parte prima. Daniele Serra Funzioni Parte prima Daniele Serra Nota: questi appunti non sostituiscono in alcun modo le lezioni del prof. Favilli, né alcun libro di testo. Sono piuttosto da intendersi a integrazione di entrambi. 1

Dettagli

Sulla monotonia delle funzioni reali di una variabile reale

Sulla monotonia delle funzioni reali di una variabile reale Liceo G. B. Vico - Napoli Sulla monotonia delle funzioni reali di una variabile reale Prof. Giuseppe Caputo Premetto due teoremi come prerequisiti necessari per la comprensione di quanto verrà esposto

Dettagli

Docente: Anna Valeria Germinario. Università di Bari. A.V.Germinario (Università di Bari) Analisi Matematica ITPS 1 / 22

Docente: Anna Valeria Germinario. Università di Bari. A.V.Germinario (Università di Bari) Analisi Matematica ITPS 1 / 22 Laurea in Informatica e Tecnologie per la Produzione del Software Corso di Analisi Matematica Calcolo differenziale e approssimazioni, formula di Taylor Docente: Anna Valeria Germinario Università di Bari

Dettagli

Coordinate Cartesiane nel Piano

Coordinate Cartesiane nel Piano Coordinate Cartesiane nel Piano O = (0,0) origine degli assi ascissa, y ordinata sistemi monometrici: stessa unità di misura sui due assi, y sistemi dimetrici: unità di misura diverse sui due assi (spesso

Dettagli

Serie numeriche e serie di potenze

Serie numeriche e serie di potenze Serie numeriche e serie di potenze Sommare un numero finito di numeri reali è senza dubbio un operazione che non può riservare molte sorprese Cosa succede però se ne sommiamo un numero infinito? Prima

Dettagli

15 febbraio 2010 - Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a. 2009-2010 COGNOME... NOME... N. MATRICOLA...

15 febbraio 2010 - Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a. 2009-2010 COGNOME... NOME... N. MATRICOLA... 15 febbraio 010 - Soluzione esame di geometria - 1 crediti Ingegneria gestionale - a.a. 009-010 COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura

Dettagli

MATEMATICA 5 PERIODI

MATEMATICA 5 PERIODI BAC EUROPEO 2008 MATEMATICA 5 PERIODI DATA 5 giugno 2008 DURATA DELL ESAME : 4 ore (240 minuti) MATERIALE AUTORIZZATO Formulario delle scuole europee Calcolatrice non grafica e non programmabile AVVERTENZE

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

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

I tre concetti si possono descrivere in modo unitario dicendo che f e iniettiva, suriettiva, biiettiva se e solo se per ogni b B l equazione

I tre concetti si possono descrivere in modo unitario dicendo che f e iniettiva, suriettiva, biiettiva se e solo se per ogni b B l equazione Lezioni del 29 settembre e 1 ottobre. 1. Funzioni iniettive, suriettive, biiettive. Sia f : A B una funzione da un insieme A ad un insieme B. Sia a A e sia b = f (a) B l elemento che f associa ad a, allora

Dettagli

UNIVERSITÀ DEGLI STUDI DI TERAMO

UNIVERSITÀ DEGLI STUDI DI TERAMO UNIVERSITÀ DEGLI STUDI DI TERAMO CORSO DI LAUREA IN ECONOMIA BANCARIA FINANZIARIA ED ASSICURATIVA (Classe 7) Corso di Matematica per l Economia (Prof. F. Eugeni) TEST DI INGRESSO Teramo, ottobre 00 SEZIONE

Dettagli

Corso di Automazione Industriale 1. Capitolo 4

Corso di Automazione Industriale 1. Capitolo 4 Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione

Dettagli

Transitori del primo ordine

Transitori del primo ordine Università di Ferrara Corso di Elettrotecnica Transitori del primo ordine Si consideri il circuito in figura, composto da un generatore ideale di tensione, una resistenza ed una capacità. I tre bipoli

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

Programmazione Matematica classe V A. Finalità

Programmazione Matematica classe V A. Finalità Finalità Acquisire una formazione culturale equilibrata in ambito scientifico; comprendere i nodi fondamentali dello sviluppo del pensiero scientifico, anche in una dimensione storica, e i nessi tra i

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

Distribuzioni discrete

Distribuzioni discrete Distribuzioni discrete Esercitazione 4 novembre 003 Distribuzione binomiale Si fa un esperimento (o prova): può manifestarsi un certo evento A con probabilità p oppure no (con probabilità q = p). La distribuzione

Dettagli

Controlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L.

Controlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L. Parte 3 Aggiornamento: Settembre 2010 Parte 3, 1 Trasformata di Laplace e Funzione di trasferimento Prof. Lorenzo Marconi DEIS-Università di Bologna Tel. 051 2093788 Email: lmarconi@deis.unibo.it URL:

Dettagli

Definisci il Campo di Esistenza ( Dominio) di una funzione reale di variabile reale e, quindi, determinalo per la funzione:

Definisci il Campo di Esistenza ( Dominio) di una funzione reale di variabile reale e, quindi, determinalo per la funzione: Verso l'esame di Stato Definisci il Campo di Esistenza ( Dominio) di una funzione reale di variabile reale e, quindi, determinalo per la funzione: y ln 5 6 7 8 9 0 Rappresenta il campo di esistenza determinato

Dettagli

SUCCESSIONI NUMERICHE

SUCCESSIONI NUMERICHE SUCCESSIONI NUMERICHE Definizione: Si chiama successione numerica una funzione definita su IN a valori in IR, cioè una legge che associa ad ogni intero n un numero reale a n. Per abuso di linguaggio, si

Dettagli

CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI

CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI Abbiamo studiato successioni e serie numeriche, ora vogliamo studiare successioni e serie di funzioni. Dato un insieme A R, chiamiamo successione di funzioni

Dettagli

STUDIO DI UNA FUNZIONE

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

Dettagli

LE FUNZIONI E LE LORO PROPRIETÀ

LE FUNZIONI E LE LORO PROPRIETÀ LE FUNZIONI E LE LORO PROPRIETÀ LE FUNZIONI REALI DI VARIABILE REALE COSA SONO LE FUNZIONI Dati due sottoinsiemi A e B non vuoti di R, una FUNZIONE da A a B è una relazione che associa ad ogni numero reale

Dettagli

Vademecum studio funzione

Vademecum studio funzione Vademecum studio funzione Campo di Esistenza di una funzione o dominio: Studiare una funzione significa determinare gli elementi caratteristici che ci permettono di disegnarne il grafico, a partire dalla

Dettagli

Viene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita?

Viene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Viene lanciata una moneta. Se esce testa vinco 00 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Osserviamo che il valore della vincita dipende dal risultato dell esperimento

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

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

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

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2004

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2004 ESAME DI STAT DI LICE SCIENTIFIC CRS SPERIMENTALE P.N.I. 004 Il candidato risolva uno dei due problemi e 5 dei 0 quesiti in cui si articola il questionario. PRBLEMA Sia la curva d equazione: ke ove k e

Dettagli

CONTINUITÀ E DERIVABILITÀ Esercizi proposti. 1. Determinare lim M(sinx) (M(t) denota la mantissa di t)

CONTINUITÀ E DERIVABILITÀ Esercizi proposti. 1. Determinare lim M(sinx) (M(t) denota la mantissa di t) CONTINUITÀ E DERIVABILITÀ Esercizi proposti 1. Determinare lim M(sin) (M(t) denota la mantissa di t) kπ/ al variare di k in Z. Ove tale limite non esista, discutere l esistenza dei limiti laterali. Identificare

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

1. PRIME PROPRIETÀ 2

1. PRIME PROPRIETÀ 2 RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,

Dettagli

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0 Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice

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

~ Copyright Ripetizionando - All rights reserved ~ http://ripetizionando.wordpress.com STUDIO DI FUNZIONE

~ Copyright Ripetizionando - All rights reserved ~ http://ripetizionando.wordpress.com STUDIO DI FUNZIONE STUDIO DI FUNZIONE Passaggi fondamentali Per effettuare uno studio di funzione completo, che non lascia quindi margine a una quasi sicuramente errata inventiva, sono necessari i seguenti 7 passaggi: 1.

Dettagli

FUNZIONE REALE DI UNA VARIABILE

FUNZIONE REALE DI UNA VARIABILE FUNZIONE REALE DI UNA VARIABILE Funzione: legge che ad ogni elemento di un insieme D (Dominio) tale che D R, fa corrispondere un elemento y R ( R = Codominio ). f : D R : f () = y ; La funzione f(): A

Dettagli

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

Dettagli

Cosa dobbiamo già conoscere?

Cosa dobbiamo già conoscere? Cosa dobbiamo già conoscere? Insiemistica (operazioni, diagrammi...). Insiemi finiti/numerabili/non numerabili. Perché la probabilità? In molti esperimenti l esito non è noto a priori tuttavia si sa dire

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004 ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 004 Il candidato risolva uno dei due problemi e 5 dei 10 quesiti in cui si articola il questionario. PROBLEMA 1 Sia f la funzione definita da: f

Dettagli

Lezione 1. Gli Insiemi. La nozione di insieme viene spesso utilizzata nella vita di tutti i giorni; si parla dell insieme:

Lezione 1. Gli Insiemi. La nozione di insieme viene spesso utilizzata nella vita di tutti i giorni; si parla dell insieme: Lezione 1 Gli Insiemi La nozione di insieme viene spesso utilizzata nella vita di tutti i giorni; si parla dell insieme: degli iscritti ad un corso di laurea delle stelle in cielo dei punti di un piano

Dettagli

( x) ( x) 0. Equazioni irrazionali

( x) ( x) 0. Equazioni irrazionali Equazioni irrazionali Definizione: si definisce equazione irrazionale un equazione in cui compaiono uno o più radicali contenenti l incognita. Esempio 7 Ricordiamo quanto visto sulle condizioni di esistenza

Dettagli

u 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k

u 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k Capitolo 4 Serie numeriche 4. Serie convergenti, divergenti, indeterminate Data una successione di numeri reali si chiama serie ad essa relativa il simbolo u +... + u +... u, u 2,..., u,..., (4.) oppure

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

PROGRAMMA CONSUNTIVO

PROGRAMMA CONSUNTIVO PROGRAMMA CONSUNTIVO a.s. 2014/2015 MATERIA MATEMATICA CLASSE DOCENTE 5^ SEZIONE D DI LEO CLELIA Liceo Scientifico delle Scienze Applicate ORE DI LEZIONE 4 **************** OBIETTIVI saper definire e classificare

Dettagli

Misure di base su una carta. Calcoli di distanze

Misure di base su una carta. Calcoli di distanze Misure di base su una carta Calcoli di distanze Per calcolare la distanza tra due punti su una carta disegnata si opera nel modo seguente: 1. Occorre identificare la scala della carta o ricorrendo alle

Dettagli

Teoria delle code. Sistemi stazionari: M/M/1 M/M/1/K M/M/S

Teoria delle code. Sistemi stazionari: M/M/1 M/M/1/K M/M/S Teoria delle code Sistemi stazionari: M/M/1 M/M/1/K M/M/S Fabio Giammarinaro 04/03/2008 Sommario INTRODUZIONE... 3 Formule generali di e... 3 Leggi di Little... 3 Cosa cerchiamo... 3 Legame tra N e le

Dettagli