PROCESSI STOCASTICI 1: INTEGRAZIONI
|
|
- Aurelio Foti
- 6 anni fa
- Visualizzazioni
Transcript
1 PROCESSI STOCASTICI 1: INTEGRAZIONI 1. Definizioni e risultati sparsi Def. Dato un insieme I, si chiama processo stocastico con spazio degli stati I una famiglia {X t } t T di variabili aleatorie a valori in I e definite sullo stesso spazio di probabilità, dove T R. Un processo stocastico corrisponde ad un sistema dinamico stocastico, T puo essere pensato come la famiglia di tempi in cui il sistema viene osservato e X t corrisponde allo stato del sistema al tempo t. Sia P matrice stocastica su I. Sia λ una distribuzione su I e sia {X n } n 0 una catena di Markov con matrice di transizione P e distribuzione iniziale λ. Abbiamo visto che, pensato λ con vettore riga, il vettore riga λp k è la distribuzione di X k per ogni k 0. Sia P matrice stocastica su I. Sia f : I C una funzione limitata. Pensato f come vettore colonna, vale P k f(i) = E i (f(x k )). Infatti, per definizione di prodotto di matrici e poi per definizione di valore atteso abbiamo P k f(i) = j I p (k) i,j f(j) = j I P i (X k = j)f(j) = E i (f(x k )). Sia P matrice stocastica. 2. Stazionarietà Def. Una misura λ : I [0, ) si dice invariante (o stazionaria) rispetto a P se λp = λ e λ 0. Def. Una distribuzione λ : I [0, 1] si dice invariante (o stazionaria) rispetto a P se λp = P. Def. Una catena di Markov {X n } n 0 di parametri (λ, P ) si dice invariante (o stazionaria) se per ogni ogni m 0 intero il processo stocastico {X n+m } n 0 è anch esso una catena di Markov di parametri (λ, P ). Prop. Una catena di Markov {X n } n 0 di parametri (λ, P ) è stazionaria se e solo se λ è distribuzione stazionaria rispetto a P. Dim. Supponiamo che {X n } n 0 sia stazionaria. Allora per ogni i I deve valere P (X 0 = i) = P (X 1 = i). Per le note regole di calcolo questo equivale al fatto che λ(i) = (λp )(i) per ogni i I. Quindi λ è distribuzione stazionaria rispetto a P. Supponiamo ora che λ sia distribuzione stazionaria rispetto a P. Fissiamo m 0 intero 1
2 2 PROCESSI STOCASTICI 1: INTEGRAZIONI e dimostriamo che {Y n } n 0 è catena di Markov di parametri (λ, P ), dove Y n := X m+n. Sappiamo che ci basta provare (vedi esercizi oppure Th del Norris) che P (Y 0 = i 0, Y 1 = i 1,..., Y n = i n ) = λ(i 0 )p i0,i 1 p in 1,i n (2.1) per ogni n 0 e ogni i 0, i 1,..., i n I. Per definizione di Y k e poi per le note regole di calcolo otteniamo P (Y 0 = i 0, Y 1 = i 1,..., Y n = i n ) = P (X m = i 0, X m+1 = i 1,..., X m+n = i n ) = (λp m ) i0 p i0,i 1 p in 1,i n. Al fine di ottenere (2.1) ci basta osservare che per la stazionarietà di λ vale (λp m ) i0 = λ(i 0 ). Sia P matrice stocastica. 3. Reversibilità Def. Una misura λ : I [0, ) si dice reversibile (o che soddisfa l equazione del bilancio dettagliato) rispetto a P se λ 0 e λ(i)p i,j = λ(j)p j,i i, j I. (3.1) Def. Una distribuzione λ : I [0, 1] si dice reversibile (o che soddisfa l equazione del bilancio dettagliato) rispetto a P se λ(i)p i,j = λ(j)p j,i i, j I. (3.2) Def. Una catena di Markov {X n } n 0 di parametri (λ, P ) si dice reversibile se per ogni N 0 intero il processo stocastico {Y n } 0 n N dove Y n = X N n è una catena di Markov di parametri (λ, P ) a tempi in {0, 1,..., N}. Prop. Una distribuzione λ reversibile rispetto a P è anche invariante rispetto a P. Dim. Vedi Markov chains di Norris. Prop. Una catena di Markov {X n } n 0 di parametri (λ, P ) è reversibile se e solo se λ è distribuzione reversibile rispetto a P. Dim. Supponiamo che {X n } n 0 sia reversibile. Prendendo N = 1 otteniamo per ogni i, j I che P (X 0 = i, X 1 = j) = P (X 1 0 = i, X 1 1 = j) = P (X 0 = j, X 1 = i). Per le note regole di calcolo possiamo riscrivere il primo e l ultimo membro come λ(i)p i,j = λ(j)p j,i. Abbiamo quindi verificato che λ soddisfa l equazione del bilancio dettagliato. Supponiamo ora che valga l equazione del bilancio dettagliato. Per il Teo del Norris, ci basta dimostrare che per ogni N 0, i 0, i 1,..., i N I vale P (Y 0 = i 0, Y 1 = i 1,..., Y N = i N ) = λ(i 0 )p i0,i 1 p in 1,i N (3.3)
3 PROCESSI STOCASTICI 1: INTEGRAZIONI 3 dove Y k := X N k. Per tale definizione di Y k e per le note regole di calcolo vale P (Y 0 = i 0, Y 1 = i 1,..., Y N = i N ) = P (X 0 = i N, X 1 = i N 1,..., X N 1 = i 1, X N = i 0 ) = λ(i N )p in,i N 1 p in 1,i N 2 p i1,i 0 (3.4) Per l equazione del bilancio dettagliato possiamo sostituire λ(i N )p in,i N 1 con p in 1,i N λ(i N 1 ) ottenendo P (Y 0 = i 0, Y 1 = i 1,..., Y N = i N ) = p in 1,i N λ(i N 1 )p in 1,i N 2 p i1,i 0. Analogamente possiamo sostituire λ(i N 1 )p in 1,i N 2 con p in 2,i N 1 λ(i N 2 ). Reiterando questo passaggio arriviamo all espressione finale P (Y 0 = i 0, Y 1 = i 1,..., Y N = i N ) = p in 1,i N p in 2,i N 1 p i0,i 1 λ(i 0 ), che banalmente coincide con (3.3), cioè con quanto volevamo provare. 4. Distribuzioni invarianti In questa sezione studiamo la struttura delle distribuzioni invarianti. Tutto si riferisce ad una data matrice di transizione (matrice stocastica) P, che sarà spesso sottintesa. Teorema di Markov Kakutani Se I <, allora esiste almeno una distribuzione invariante. Dim. Fissiamo una distribuzione λ su I. Consideriamo la media di Cesaro λ n = 1 n 1 λp k. n k=0 È facile provare che λ n è una distribuzione su I, ovvero λ n A, A := {v R I : v(i) 0, i I v(i) = 1}. A è compatto, quindi esiste una sottosuccessione n k tale che λ nk converge a qualche ˆλ A. Dico che ˆλ è distribuzione invariante. Poichè ˆλ A, ho ˆλ distribuzione. Inoltre ( λ n λ n P = 1 n 1 ) n λp k λp k = 1 n n (λ λp n ) Dato che λ(i) λp n (i) λ(i) + λp n (i) = 2, otteniamo k=0 λ nk (i) λ nk P (i) 2/n k i I. Mandando k ad infinito, otteniamo ˆλ(i) ˆλP (i) = 0 per ogni i, cioè l invarianza di ˆλ: ˆλ = ˆλP. Se I = allora l esistenza di qualche distribuzione invariante non è garantita: Esercizio: determinare le misure invarianti della passeggiata tra siti primi vicini su Z dove, per ogni x Z, p x,x+1 = p, p x,x 1 = q := 1 p. Provare che non esistono distribuzioni invarianti. Nel seguito, volendo studiare la struttura delle distribuzioni invarianti, ci concentriamo prima sui loro supporti. Ricordiamo che se λ è distribuzione su I allora il suo supporto è dato dall insieme {i : λ(i) > 0} (analoga definizione vale per misure). Fatto. Sia P irriducibile. Allora ogni misura λ invariante rispetto a P soddisfa λ(i) > 0 per ogni i I. Dim. Dato che λ 0 deve esistere i con λ(i) > 0. Dato che i conduce a tutti gli elementi di I la tesi segue dal lemma successivo.
4 4 PROCESSI STOCASTICI 1: INTEGRAZIONI Lemma 0. Sia λ distribuzione invariante, siano i, j stati con λ(i) > 0 e i j. Allora λ(j) > 0. Dim. Dato che i j esiste n 0 tale che (P n ) i,j > 0. Dato che λ = λp n deve essere λ j = k I λ k (P n ) k,j λ i (P n ) i,j > 0. Definizione. Diciamo che uno stato i I è essenziale se per ogni j I tale che i j deve valere j i. Lemma 1 i è essenziale se e solo se la classe comunicante di i è chiusa. Dim. Sia i essenziale e sia C la sua classe comunicante. Se C non fosse chiusa avremmo j C and z C tale che j z ma z j. Poichè i j e j z, abbiamo i z. Dato che i è essenziale vale z i. Ma siccome i, j C abbiamo i j. Quindi z i j contro il fatto che z j. Assumiamo ora che C sia chiusa. Se i j, per la chiusura di C abbiamo j C e quindi j i. Quindi i è essenziale. Prop. 1 Sia i elemento non essenziale e sia λ una distribuzione invariante. Allora λ(i) = 0 Dim. Definisco A = {j I : j i}. Osservo che i A e che k j se p k,j > 0. Quindi se j A e p k,j > 0 allora k A. Dato che λ(j) = k λ(k)p k,j abbiamo λ(j) = λ(k)p k,j = λ(k)p k,j. j A j A j A k k A Scambiando j e k nell ultima espressione abbiamo: ( ) λ(j) p j,k. j A λ(j) = j A Dato che k A p j,k 1 per avere la suddetta uguaglianza deve essere k A p j,k = 1 per ogni j A tale che λ(j) > 0. Quindi vale la seguente proprietà che chiamo (P): per ogni elemento j di A per cui λ(j) > 0 con un sol passo da j si può andare solo in un elemento di A. Supponiamo ora per assurdo che λ(i) > 0. Applicando (P) a i (dato che i A e λ(i) > 0), concludiamo che da i in un sol passo vado in elementi di A. Per il Lemma 0, tutti questi hanno misura λ positiva. Applicando ad essi la proprietà (P) deduciamo che da questi elementi con un sol passo andiamo in altri elementi di A che, per il Lemma 0, hanno misura λ positiva. Reiterando tale ragionamento otteniamo che i conduce solo ad elementi di A. Dato che per definizione gli elementi di A conducono tutti ad i, arriviamo all assurdo (cioè i è essenziale). La suddetta proposizione ci dice che le distribuzioni invarianti devono essere concentrate sull unione delle classi comunicanti chiuse, inoltre se non esistono classi comunicanti chiuse non esistono distribuzioni invarianti. Diciamo che una distribuzione su I è concentrata in un sottinsieme J I (o equivalentemente che la distribuzione ha supporto in J) se λ(x) = 0 per ogni x I \ J. Le distribuzioni su I concentrate in J sono in modo naturale in bigezione con le distribuzioni su J, la bigezione si ottiene associando a λ la sua restrizione λ J : J [0, 1], λ J (j) = λ(j) per ogni j J. k A
5 PROCESSI STOCASTICI 1: INTEGRAZIONI 5 Teorema 1 Per ogni classe comunicante chiusa C denotiamo con Inv(I, C) l insieme (eventualmente vuoto) delle distribuzioni invarianti su I con supporto in C. Supponiamo che vi siano N, con N N { }, classi comunicanti chiuse C per cui Inv(I, C). Se N = 0 allora non esistono distribuzioni invarianti. Se N 1, denotiamo le classi comunicanti chiuse C per cui Inv(I, C) come C 1, C 2,..., C N se N è finito, altrimenti come C 1, C 2,.... Allora le distribuzioni invarianti di P sono tutte e sole della forma λ = N α kλ k dove α k 0, N α k = 1 e λ k Inv(I, C k ). Dim. Se N = 0 la tesi segue dalla Prop. 1. Supponiamo che sia N 1. Sia λ = N α kλ k dove α k 0, N α k = 1, λ k Inv(I, C k ). Verifichiamo che λ è una distribuzione. λ(x) = N α kλ k (x) e poichè ogni addendo è non negativo abbiamo che λ(x) 0 per ogni x I. Inoltre abbiamo ) N N N α k λ k (x) = λ k (x) = α k = 1. x I λ(x) = x I α k ( x I La penultima indentità segue dal fatto che λ k è una distribuzione, mentre l ultima segue dal fatto che N α k = 1. Questo conclude la verifica che λ è una distribuzione. Verifichiamo ora l invarianza. Dato che λ k P = λ k e data la linearità del prodotto di matrici vale N N λp = α k (λ k P ) = α k λ k = λ, quindi λ è una distribuzione invariante. Supponiamo ora che λ sia una distribuzione invariante. Data una classe comunicante chiusa C con λ(c) > 0 definiamo λ C : I [0, 1] come { λ(x)/λ(c) se x C, λ C (x) = 0 se x C. Proviamo che λ C Inv(I, C). Banalmente λ C è una distribuzione su I con supporto in C. Sia i I. Per l invarianza di λ abbiamo λ(i) = (λp )(i) = j I λ(j)p j,i. (4.1) Nella suddetta formula distinguiamo vari casi. Se j è inessenziale, allora λ(j) = 0 per la Prop.1 e quindi j non contribuisce. Se j non è inessenziale, allora la classe comunicante di j è chiusa (per il Lemma 1). Se fosse p j,i > 0 avremmo che j i, ma per la chiusura della classe comunicante di j avremmo che j e i devono stare nella stessa classe comunicante. In particolare, se i C si ha che nella somma in (4.1) contribuiscono solo gli stati j che stanno nella stessa classe comunicante di i e quindi solo gli stati j in C. Quindi, per i C, (4.1) puo essere riscritta come λ(i) = j C λ(j)p j,i, i C. (4.2) Dividendo entrambi i membri per λ(c) e usando la definizione di λ C otteniamo che λ C (i) = j I λ C (j)p j,i = (λ C P ) i, i C.
6 6 PROCESSI STOCASTICI 1: INTEGRAZIONI Se invece prendiamo i C per definizione λ C (i) = 0. Mentre siccome λ C ha supporto in C possiamo scrivere (λ C P )(i) = j I λ C (j)p j,i = j C λ C (j)p j,i. (4.3) Se fosse p j,i > 0 avremmo due stati j C e i C tali che j i. Per la chiusura di C dovrebbe essere i C contro l ipotesi i C. Ne deriva che nell ultimo membro di (4.3) tutti i termini p j,i sono nulli quindi deve essere (λ C P ) i = 0. Abbiamo provato che λ C (i) = 0 = (λp ) i nel caso i C. Questo conclude la dimostrazione che λ C è una distribuzione invariante per P. Siccome λ C Inv(I, C), deve essere C = C k per qualche k. Quindi se λ(c) > 0 deve essere C = C k per qualche k. In particulare, abbiamo che λ ha supporto in N C k. Questo implica che, ponendo α k := λ(c k ), vale 1 = λ ( N C ) N k = λ(c k ) = N α k. Inoltre banalmente α k 0. Resta da dimostare che N λ(x) = α k λ Ck (x) x I. (4.4) Se x N C k già sappiamo che entrambi i membri sono nulli (ricordare chi è il supporto di λ e la definizione di λ Ck ). Se invece x C k per qualche k allora (4.4) si riduce a λ(x) = α k λ Ck (x) e questo si deriva subito dalla definizione di λ Ck. Prop 2 Sia C una classe comunicante chiusa. Allora la matrice ˆP = {p i,j } i,j C è una matrice stocastica irriducibile con spazio degli stati C. Sia Inv(I, C) l insieme delle distribuzioni invarianti su I per P con supporto in C e sia Inv( ˆP ) l insieme delle distribuzioni invarianti su C per ˆP. Allora la mappa che a λ associa la restrizione λ C è una bigezione tra Inv(I, C) e Inv( ˆP ). Proof. Banalmente ˆP i,j 0 per ogni i, j C. Fissiamo i C. Se p i,j > 0 allora i j, ma dato che C è chiusa deve essere j C. Quindi abbiamo per ogni i C che ˆP i,j = p i,j = p i,j = 1. j C j C j I L ultima identità segue dal fatto che P è matrice stocastica. Questo conclude la dimostrazione che ˆP è matrice stocastica. Dimostriamo che ˆP è irriducibile. Siano i, j C. Essendo C classe comunicante per P esistono stati i 0, i 1,..., i n con i 0 = i, i n = j e p ik,i k+1 > 0 per ogni k {0, 1,..., n 1}. Dato che i 0 = i e p i0,i 1 > 0 deve essere i i 1 e quindi i 1 C poichè C è chiusa. Ma allora ˆP i0,i 1 = p i0,i 1 > 0. Iterando questo ragionamento otteniamo che tutti gli stati i 0, i 1,..., i n stanno in C ed inoltre ˆP ik,i k+1 = p ik,i k+1 > 0 per ogni k {0, 1,..., n 1}. Questo conclude la dimostrazione che ˆP è irriducibile (cioè tutti i suoi stati sono tra di loro comunicanti). Se λ Inv(I, C), usando l invarianza e il fatto che λ ha supporto in C otteniamo λ(i) = j I λ(j)p j,i = j C λ(j)p j,i = j C λ(j) ˆP j,i, i C.
7 PROCESSI STOCASTICI 1: INTEGRAZIONI 7 Quindi λ C Inv( ˆP ). Viceversa, se ˆλ Inv( ˆP ) definiamo λ : I [0, 1] come {ˆλ(i) se i C, λ(i) = 0 altrimenti. Banalmente λ C = ˆλ. Inoltre è banale verificare che λ Inv(I, C) (esercizio). Grazie alla Proposizione 2 e al Teorema in Markov Chains di J.Norris, per ogni classe comunicante chiusa C rispetto a P vale Inv(I, C) = 0, 1, inoltre Inv(I, C) = 1 se e sole se gli stati di C sono ricorrenti positivi. In tal caso l unica distribuzione λ Inv(I, C) è data da { 1/E x (T x ) se x C λ(x) = 0 altrimenti. Nel caso di C = possiamo avere Inv(I, C) = 0 come pure Inv(I, C) = 1. Ad esempio, la passeggiata simmetrica su Z non ha distribuzioni invarianti (sapendo che e irriducibile e ricorrente, otteniamo allora che tutti gli stati sono ricorrenti nulli). Esempi con Inv(I, C) = 1 possono essere esibiti. Nel caso C < invece c e un unica possibilità, come specificato dalla Prop.3. Per la Proposizione 2, a meno di ridurre lo spazio degli stati a C e considerare ˆP, possiamo restringerci al caso in cui P sia irriducibile. Allora vale Prop. 3 Se P è irriducibile e I <, allora tutti gli stati sono positivi ricorrenti ed esiste un unica distribuzione invariante. Dim. Notiamo che P è ricorrente, infatti esiste un unica classe comunicante (P è irriducibile) e questa è chiusa. Per I finito sappiamo che gli stati ricorrenti sono tutti e soli quelli che stanno in classi comunicanti chiuse, quindi abbiamo che tutti gli stati sono ricorrenti.per i Teoremi e in Markov Chains di J.Norris, sabbiamo che P ammette un unica misura invariante a meno di fattori moltiplicativi. Tutte queste misure sono normalizzabili dato che I è finito. Quindi otteniamo che esiste un unica distribuzione invariante. Per il Teorema in Markov Chains di J.Norris sappiamo che questo implica che tutti gli stati sono positivi ricorrenti. Potevamo dare una dimostrazione alternativa della suddetta proposizione. Infatti per il Teorema ci basta provare che tutti gli stati sono positivi ricorrenti. In realtà vale un fatto ancora più forte (la cui dimostrazione è data in appendice per chi fosse interessato, ma non fa parte del programma di PS1!). Lemma 2. Sia P irriducibile e I <. Allora per ogni a, i I vale E a (T i ) <, dove T i = inf{n 1 : X n = i}. In particolare, la catena di Markov che inizia in uno stato a I visita in un tempo positivo qualsiasi stato in I con probabilità 1. Dai precedenti risultati e osservazioni otteniamo : Cor. 1 Sia I <. Siano C 1, C 2,..., C N le classi comunicanti chiuse (sappiamo 1 N < ). Allora le distribuzioni invarianti di P sono tutte e sole della forma λ = N α kλ k dove α k 0, N α k = 1 e λ k è l unica distribuzione invariante con supporto in C k. In particolare, esiste sempre almeno una distribuzione invariante. Essa è unica se e solo se vi è un unica classe comunicante chiusa.
8 8 PROCESSI STOCASTICI 1: INTEGRAZIONI Si noti che il suddetto corollario fornisce una dimostrazione alternativa al teorema di Markov Kakutani Applicazione. Mostriamo ora un esempio di applicazione della teoria sviluppata finora. Consideriamo la seguente matrice stocastica 1/4 1/ / /3 1/ P = 0 0 1/3 2/ /3 1/3 0 1/ / / /2 1/ /2 1/ sullo spazio degli stati I = {1, 2,..., 8}. Vogliamo determinare le distribuzioni invarianti di P. Per fare questo dovremmo prima di tutto risolvere il sistema λp = λ, che include 8 gradi di libertà e quindi sarebbe piuttosto calcoloso. Per semplifare possiamo procedere come segue. Osserviamo che le classi comunicanti sono {1, 2, 6, 8}, {3, 4}, {5, 7}. Sono chiuse solo C 1 := {1, 2, 6, 8} e C 2 := {3, 4}. Consideriamo dapprima la matrice ˆP = {p i,j } i,j C1, cioè ˆP = 1/4 1/4 1/ /2 0 1/2 1/2 1/2 0 0 Per la Prop. 2 questa matrice è una matrice stocastica irriducibile su C 1. Per la Prop. 3 ˆP ammette un unica distribuzione invariante. La calcoliamo risolvendo il sistema 1/4 1/4 1/2 0 (a, b, c, d, ) /2 0 1/2 = (a, b, c, d). 1/2 1/2 0 0 Si ottiene facilmente che l unica soluzione (a, b, c, d, ) che è anche distribuzione su {1, 2, 6, 8} è data da ( 2 16, 5 16, 6 16, 16) 3. Ne deriva che λ 1 := ( 2 16, 5 6, 0, 0, 0, 16 16, 0, 3 ) 16 è l unica distribuzione invariante per P con supporto in C 1. Similemente la matrice {p i,j } i,j C2 è stocastica con spazio degli stati C 2 ed è irriducibile. Si ottiene facilmente come sopra che l unica distrubizione invariante è data da (1/2, 1/2). Ne deriva che λ 2 := ( 0, 0, 1 2, 1, 0, 0, 0, 0) 2 è l unica distribuzione invariante per P con supporto in C 2. Grazie al Teorema 1 o equivalentemente al Corollario 1 abbiamo che le distribuzioni invarianti per P sono tutte e sole della forma αλ 1 + (1 α)λ 2 = ( 2α 16, 5α 16 (1 α),, 2 (1 α) 2., 0, 6α 16 3α), 0, 16 α [0, 1].
9 PROCESSI STOCASTICI 1: INTEGRAZIONI 9 Appendix A. Dimostrazione del Lemma 2 Dim. Siccome tutti gli stati comunicano tra loro abbiamo che per ogni j I vale P j (X n = i per qualche n 0) > 0. Se j i, abbiamo {X n = i per qualche n 0} = {T i < }. Quindi concludiamo che P j (T i < ) > 0 per ogni j i. Invece, sapendo che i è stato ricorrente deve valere P i (T i < ) = 1. Quindi concludiamo che per ogni j I vale P j (T i < ) > 0, ovvero che P j (T i = ) < 1, j I. (A.1) Per il teorema sulle successione monotone, siccome {T i = } = s=1 {T i > s} otteniamo lim P j(t i > s) = P j (T i = ). s (A.2) Unendo (A.1) e (A.2) e usando che I è finito otteniamo che esiste ε > 0 ed s N per cui P j (T i > s) 1 ε, j I. (A.3) Vogliamo dimostrare che P a (T i > ks) (1 ε) k per ogni k N +. Lo facciamo per induzione. Il caso k = 1 segue da (A.3) con j = a. Supponiamo ora la tesi vera fino a k. Allora possiamo scrivere (vedi le spiegazioni sotto) P a (T i > (k + 1)s) = j i P a (T i > (k + 1)s, X ks = j) = P a (X n i n : ks + 1 n (k + 1)s, T i > ks, X ks = j) = j i P a (X n i n : ks + 1 n (k + 1)s} T i > ks, X ks = j) P a (T i > ks, X ks = j) = j i P j (X n i n : 1 n s)p a (T i > ks, X ks = j) j i (A.4) Nella precedente formula la prima uguaglianza segua dalla additività numerabile di P, la seconda segue dal fatto che abbiamo riscritto in termini diversi lo stesso evento, la terza segue dalla legge della probabilità totale mentre la quarta dalla proprietà di Markov (ricordarsi di sincronizzare l orologio!!). Per (A.3) abbiamo quindi da (A.4) deriviamo che P j (X n i n : 1 n s) = P j (T i > s) 1 ε P a (T i > (k + 1)s) (1 ε) j i P a (T i > ks, X ks = j) = (1 ε)p a (T i > ks) (l ultima uguaglianza segue dalla numerabile additività). Per ipotesi induttiva l ultimo fattore è limitato da (1 ε) k, da cui si ottiene la tesi, cioè P a (T i > ks) (1 ε) k per ogni k 1. Si ottiene quindi P a (T i > m) (1 ε) m/s, m N, dove x denota la parte intera di x. Dalla suddetta stima si ottiene m=0 P a(t i > m) <. Ma sappiamo che vale E a (T i ) = m=0 P a(t i > m). Quindi abbiamo E a (T i ) <, cioè i è ricorrente positivo.
PROCESSI STOCASTICI: INTEGRAZIONI
PROCESSI STOCASTICI: INTEGRAZIONI 1. Definizioni e risultati sparsi Def. Dato un insieme I, si chiama processo stocastico con spazio degli stati I una famiglia {X t } t T di variabili aleatorie a valori
DettagliMassimo limite e minimo limite di una funzione
Massimo limite e minimo limite di una funzione Sia f : A R una funzione, e sia p DA). Per ogni r > 0, l insieme ) E f p r) = { fx) x A I r p) \ {p} } è non vuoto; inoltre E f p r ) E f p r ) se 0 < r r.
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
DettagliNOTE DI ALGEBRA LINEARE v = a 1 v a n v n, w = b 1 v b n v n
NOTE DI ALGEBRA LINEARE 2- MM 9 NOVEMBRE 2 Combinazioni lineari e generatori Sia K un campo e V uno spazio vettoriale su K Siano v,, v n vettori in V Definizione Un vettore v V si dice combinazione lineare
Dettagli11. Misure con segno.
11. Misure con segno. 11.1. Misure con segno. Sia Ω un insieme non vuoto e sia A una σ-algebra in Ω. Definizione 11.1.1. (Misura con segno). Si chiama misura con segno su A ogni funzione ϕ : A R verificante
DettagliDimostrazione. Indichiamo con α e β (finiti o infiniti) gli estremi dell intervallo I. Poniamo
C.6 Funzioni continue Pag. 114 Dimostrazione del Corollario 4.25 Corollario 4.25 Sia f continua in un intervallo I. Supponiamo che f ammetta, per x tendente a ciascuno degli estremi dell intervallo, iti
DettagliSviluppi e derivate delle funzioni elementari
Sviluppi e derivate delle funzioni elementari In queste pagine dimostriamo gli sviluppi del prim ordine e le formule di derivazioni delle principali funzioni elementari. Utilizzeremo le uguaglianze lim
DettagliMassimo e minimo limite di successioni
Massimo e minimo limite di successioni 1 Premesse Definizione 1.1. Definiamo R esteso l insieme R = R { } {+ }. In R si estende l ordinamento tra numeri reali ponendo < a < +, a R. In base a tale definizione,
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
DettagliANALISI 1 - Teoremi e dimostrazioni vari
ANALISI 1 - Teoremi e dimostrazioni vari Sommario Proprietà dell estremo superiore per R... 2 Definitivamente... 2 Successioni convergenti... 2 Successioni monotone... 2 Teorema di esistenza del limite
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
Dettagli(2) se A A, allora A c A; (3) se {A n } A, allora +
1. Spazi di misura In questo paragrafo accenneremo alla nozione di spazio di misura. Definizione 1. Sia X un insieme non vuoto. Una famiglia A di sottoinsiemi di X è una σ-algebra se : (1) A; (2) se A
DettagliCLASSE LIMITE DI UNA SUCCESSIONE DI NUMERI REALI C. MADERNA, G. MOLTENI, M. VIGNATI
CLASSE LIMITE DI UNA SUCCESSIONE DI NUMERI REALI C. MADERNA, G. MOLTENI, M. VIGNATI Consideriamo l insieme R = R {, + } ottenuto aggiungendo all insieme dei numeri reali i simboli e +. Introduciamo in
Dettaglii) la somma e il prodotto godano delle proprietà associativa, commutativa e distributiva;
1 Spazi vettoriali 11 Definizioni ed assiomi Definizione 11 Un campo è un insieme K dotato di una operazione somma K K K, (x, y) x + y e di una operazione prodotto K K K, (x, y) xy tali che i) la somma
DettagliEquivalentemente, le colonne di A sono linearmente indipendenti se e solo se
Lezioni di Algebra Lineare. Versione novembre 2008 VI. Il determinante Il determinante det A di una matrice A, reale e quadrata, è un numero reale associato ad A. Dunque det è una funzione dall insieme
DettagliI teoremi della funzione inversa e della funzione implicita
I teoremi della funzione inversa e della funzione implicita Appunti per il corso di Analisi Matematica 4 G. Mauceri Indice 1 Il teorema della funzione inversa 1 Il teorema della funzione implicita 3 1
Dettagli1 Il Teorema della funzione implicita o del Dini
1 Il Teorema della funzione implicita o del Dini Ricordiamo che dato un punto x R n, un aperto A R n che contiene x si dice intorno (aperto) di x. Teorema 1.1. (I Teorema del Dini) Sia f : A (aperto) R
Dettagli1 Volume di parallelepipedi e determinanti
1 Volume di parallelepipedi e determinanti Dimostriamo la seguente relazione fondamentale tra volumi e determinanti. Lemma 1 Sia T una matrice reale (n n) e sia K 1 := [0, 1] n. Allora dove mis denota
Dettagli8. Completamento di uno spazio di misura.
8. Completamento di uno spazio di misura. 8.1. Spazi di misura. Spazi di misura completi. Definizione 8.1.1. (Spazio misurabile). Si chiama spazio misurabile ogni coppia ordinata (Ω, A), dove Ω è un insieme
DettagliIl Teorema di Mountain-Pass
Capitolo 4 Il Teorema di Mountain-Pass Descriviamo ora un altro metodo per trovare soluzioni non nulle di alcuni tipi di problemi, per esempio { u = u p 1 u in u = 0 su (4.1) con p > 1, utilizzando dei
DettagliDAI NUMERI NATURALI AI NUMERI RAZIONALI
DAI NUMERI NATURALI AI NUMERI RAZIONALI 1. L insieme dei numeri naturali Nel sistema assiomatico ZF, l Assioma dell infinito stabilisce che: Esiste un insieme A, i cui elementi sono insiemi e tale che
DettagliA.A CORSO DI ALGEBRA 1. PROFF. P. PIAZZA, E. SPINELLI. SOLUZIONE ESERCIZI FOGLIO 5.
A.A. 2015-2016. CORSO DI ALGEBRA 1. PROFF. P. PIAZZA, E. SPINELLI. SOLUZIONE ESERCIZI FOGLIO 5. Esercizio 5.1. Determinare le ultime tre cifre di n = 13 1625. (Suggerimento. Sfruttare il Teorema di Eulero-Fermat)
DettagliEsercizi riguardanti limiti di successioni e di funzioni
Esercizi riguardanti iti di successioni e di funzioni Davide Boscaini Queste sono le note da cui ho tratto le esercitazioni del giorno 0 Novembre 20. Come tali sono ben lungi dall essere esenti da errori,
DettagliSpazi affini e combinazioni affini.
Spazi affini e combinazioni affini. Morfismi affini. Giorgio Ottaviani Abstract Introduciamo il concetto di combinazione affine in uno spazio affine, e in base a questo, ne caratterizziamo i sottospazi.
DettagliEsistenza ed unicità per equazioni differenziali
Esistenza ed unicità per equazioni differenziali Per concludere queste lezioni sulle equazioni differenziali vogliamo dimostrare il teorema esistenza ed unicità per il problema di Cauchy. Faremo la dimostrazione
DettagliLa forma normale di Schur
La forma normale di Schur Dario A Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati relativi alla forma normale di Schur, alle sue proprietà e alle sue applicazioni
DettagliLEZIONE 12. v = α 1 v α n v n =
LEZIONE 12 12.1. Combinazioni lineari. Definizione 12.1.1. Sia V uno spazio vettoriale su k = R, C e v 1,..., v n V vettori fissati. Un vettore v V si dice combinazione lineare di v 1,..., v n se esistono
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
DettagliDefinizione 1. Una matrice n m a coefficienti in K é una tabella del tipo. ... K m, detto vettore riga i-esimo, ed a im
APPUNTI ed ESERCIZI su matrici, rango e metodo di eliminazione di Gauss Corso di Laurea in Chimica, Facoltà di Scienze MM.FF.NN., UNICAL (Dott.ssa Galati C.) Rende, 23 Aprile 2010 Matrici, rango e metodo
DettagliLa definizione di Ultrafiltro e la regolarità per partizioni
La definizione di Ultrafiltro e la regolarità per partizioni Lorenzo Lami Definizione 1 (Filtro). Dato un insieme X, si dice filtro su X una collezione F di sottoinsiemi di X tali che: X F; / F; A F, B
DettagliDimostrazione: Data una allora non appartiene all immagine. Se per
Attenzione: Questi appunti sono la trascrizione delle lezioni del corso di ETI tenuto nel 2014 dal Prof. Di Nasso, questo file contiene le dimostrazioni svolte ma avendo perso il quaderno subito prima
Dettaglinon solo otteniamo il valore cercato per la validità della (1.4), ma anche che tale valore non dipende da
NOTE INTEGRATIVE PER IL CORSO DI ANALISI MATEMATICA 2 ANNO ACCADEMICO 2012/13 NOTE SULLA CONTINUITÀ UNIFORME D.BARTOLUCCI, D.GUIDO Sia f(x) = x 3, x [ 1, 1]. Si ha 1. La continuità uniforme x 3 y 3 = x
DettagliGli insiemi N, Z e Q. I numeri naturali
Università Roma Tre L. Chierchia 1 Gli insiemi N, Z e Q Il sistema dei numeri reali (R, +,, ) può essere definito tramite sedici assiomi: quindici assiomi algebrici (si veda ad esempio 2.3 in [Giusti,
DettagliPrincipio di induzione: esempi ed esercizi
Principio di induzione: esempi ed esercizi Principio di induzione: Se una proprietà P n dipendente da una variabile intera n vale per n e se, per ogni n N vale P n P n + allora P vale su tutto N Variante
DettagliComplemento 1 Gli insiemi N, Z e Q
AM110 Mat, Univ. Roma Tre (AA 2010/11 L. Chierchia) 30/9/10 1 Complemento 1 Gli insiemi N, Z e Q Il sistema dei numeri reali (R, +,, ) può essere definito tramite sedici assiomi: quindici assiomi algebrici
DettagliAPPUNTI DI TEORIA DEGLI INSIEMI. L assioma della scelta e il lemma di Zorn Sia {A i } i I
APPUNTI DI TEORIA DEGLI INSIEMI MAURIZIO CORNALBA L assioma della scelta e il lemma di Zorn Sia {A i } i I un insieme di insiemi. Il prodotto i I A i è l insieme di tutte le applicazioni α : I i I A i
DettagliCapitolo IV SPAZI VETTORIALI EUCLIDEI
Capitolo IV SPAZI VETTORIALI EUCLIDEI È ben noto che in VO 3 si possono considerare strutture più ricche di quella di spazio vettoriale; si pensi in particolare all operazioni di prodotto scalare di vettori.
DettagliAlcuni Teoremi sulle funzioni continue e uniforme continuità
Alcuni Teoremi sulle funzioni continue e uniforme continuità Teorema 0. Una funzione f(x) è continua in x 0 se e solo se per ogni sucessione {x n } dom(f) con x n x 0 dom(f), risulta f(x n ) f(x 0 ). (Non
Dettagli1 Successioni di funzioni
Analisi Matematica 2 Successioni di funzioni CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 6 SERIE DI POTENZE Supponiamo di associare ad ogni n N (rispettivamente ad ogni n p, per qualche
DettagliAutovalori, Autovettori, Diagonalizzazione.
Autovalori Autovettori Diagonalizzazione Autovalori e Autovettori Definizione Sia V uno spazio vettoriale sul campo K = R o C e sia T : V V un endomorfismo Un vettore non nullo v V \ {O} si dice autovettore
DettagliSpazi Vettoriali ed Applicazioni Lineari
Spazi Vettoriali ed Applicazioni Lineari 1. Sottospazi Definizione. Sia V uno spazio vettoriale sul corpo C. Un sottoinsieme non vuoto W di V è un sottospazio vettoriale di V se è chiuso rispetto alla
DettagliCORSO DI ANALISI MATEMATICA 2 SOLUZIONI ESERCIZI PROPOSTI 18/03/2013
CORSO DI ANALISI MATEMATICA SOLUZIONI ESERCIZI PROPOSTI 8/03/03 D.BARTOLUCCI, D.GUIDO. La continuità uniforme I ESERCIZIO: Dimostrare che la funzione f(x) = x 3, x A = (, ] non è uniformemente continua
DettagliLa formula di Taylor per funzioni di più variabili
La formula di Taylor per funzioni di più variabili Il polinomio di Taylor Due variabili. Sia A R 2 un aperto, f : A R una funzione sufficientemente regolare, (x, y) un punto di A. Sia (h, k) un vettore
DettagliNOTE SULLE FUNZIONI CONVESSE DI UNA VARIABILE REALE
NOTE SULLE FUNZIONI CONVESSE DI UNA VARIABILE REALE ROBERTO GIAMBÒ 1. DEFINIZIONI E PRIME PROPRIETÀ In queste note saranno presentate alcune proprietà principali delle funzioni convesse di una variabile
DettagliCatene di Markov. 8 ottobre 2009
Catene di Markov 8 ottobre 2009 Definizione 1. Si dice catena di Markov (finita) un sistema dotato di un numero finito n di stati {1, 2,..., n} che soddisfi la seguente ipotesi: la probabilità che il sistema
DettagliPag. 151 Dimostrazioni dei criteri per lo studio della convergenza di serie numeriche
C.7 Serie Pag. 151 Dimostrazioni dei criteri per lo studio della convergenza di serie numeriche Teorema 5.29 (Criterio del confronto) Siano e due serie numeriche a termini positivi e si abbia 0, per ogni
DettagliGeometria e Topologia I (U1-4) 2006-mag-10 61
Geometria e Topologia I (U1-4) 2006-mag-10 61 (15.9) Teorema. Consideriamo il piano affine. Se A A 2 (K) è un punto e r una retta che non passa per A, allora esiste unica la retta per A che non interseca
DettagliTopologia, continuità, limiti in R n
Topologia, continuità, limiti in R n Ultimo aggiornamento: 18 febbraio 2017 1. Preliminari Prima di iniziare lo studio delle funzioni di più variabili, in generale funzioni di k variabili e a valori in
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 Geometria BIAR, BSIR Esercizi 2: soluzioni
Corso di Geometria 2- BIAR, BSIR Esercizi 2: soluzioni Esercizio Calcolare il determinante della matrice 2 3 : 3 2 a) con lo sviluppo lungo la prima riga, b) con lo sviluppo lungo la terza colonna, c)
DettagliPunti di massimo o di minimo per funzioni di n variabili reali
Punti di massimo o di minimo per funzioni di n variabili reali Dati f : A R n R ed X 0 A, X 0 si dice : punto di minimo assoluto se X A, f ( x ) f ( X 0 ) punto di massimo assoluto se X A, f ( x ) f (
DettagliEstremi liberi. (H x, x) x 2 (1) F (x) =
Estremi liberi Allo scopo di ottenere delle condizioni sufficienti affinchè un punto stazionario sia un estremante, premettiamo alcuni risultati riguardanti le proprietà delle forme quadratiche. Sia H
DettagliLEZIONE 16 A = Verifichiamo se qualcuna fra le entrate a di A è suo autovalore. determinare per quale entrata a di A risulta rk(a ai 2 ) 1.
LEZIONE 16 16.1. Autovalori, autovettori ed autospazi di matrici. Introduciamo la seguente definizione. Definizione 16.1.1. Siano k = R, C e A k n,n. Un numero λ k si dice autovalore di A su k) se rka
DettagliCOMPLETEZZA DELL INSIEME DEI NUMERI REALI R.
COMPLETEZZA DELL INSIEME DEI NUMERI REALI R. FABIO CIPRIANI 1. Completezza dell insieme dei numeri reali R. Nell insieme dei numeri reali R la condizione di Cauchy e necessaria e sufficiente per la convergenza
DettagliRISOLUZIONE IN LOGICA PROPOSIZIONALE. Giovanna D Agostino Dipartimento di Matemaica e Informatica, Università di Udine
RISOLUZIONE IN LOGICA PROPOSIZIONALE Giovanna D Agostino Dipartimento di Matemaica e Informatica, Università di Udine 1. Risoluzione Definitione 1.1. Un letterale l è una variabile proposizionale (letterale
DettagliLEZIONE 11. s V : V V V (v 1, v 2 ) v 1 + v 2 = s V (v 1, v 2 ), p V : k V V. per cui valgono:
LEZIONE 11 11.1. Spazi vettoriali ed esempi. La nozione di spazio vettoriale generalizza quanto visto nelle lezioni precedenti: l insieme k m,n delle matrici m n a coefficienti in k = R, C, l insieme V
DettagliQualche informazione su gruppi e anelli
Qualche informazione su gruppi e anelli 1. Gruppi e sottogruppi: prime proprietà Cominciamo subito scrivendo la definizione formale di gruppo. Definizione 0.1. Un gruppo G è un insieme non vuoto dotato
DettagliAutovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti)
Autovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti) April 14, 2011 (alcune note non complete sugli argomenti trattati: eventuali completamenti saranno aggiunti)
Dettagli3. Successioni di insiemi.
3. Successioni di insiemi. Per evitare incongruenze supponiamo, in questo capitolo, che tutti gli insiemi considerati siano sottoinsiemi di un dato insieme S (l insieme ambiente ). Quando occorrerà considerare
DettagliIl Teorema di Kakutani
Il Teorema di Kakutani Abbiamo visto, precedentemente, il seguente risultato: 1 Sia X uno spazio di Banach. Se X è separabile, la palla è debolmente compatta. B X = {x X x 1} Il Teorema di Kakutani è un
DettagliLEZIONE i i 3
LEZIONE 5 51 Determinanti In questo lezione affronteremo da un punto di vista prettamente operativo la nozione di determinante, descrivendone le proprietà ed i metodi di calcolo, senza entrare nei dettagli
DettagliESERCITAZIONE SUI PUNTI STAZIONARI DI FUNZIONI LIBERE E SULLE FUNZIONI OMOGENEE
ESERCITAZIONE SUI PUNTI STAZIONARI DI FUNZIONI LIBERE E SULLE FUNZIONI OMOGENEE 1 Funzioni libere I punti stazionari di una funzione libera di più variabili si ottengono risolvendo il sistema di equazioni
DettagliNote sulle funzioni convesse/concave
Note sulle funzioni convesse/concave 4th December 2008 1 Definizioni e proprietà delle funzioni convesse/concave. Definizione 1.1 Un insieme A IR n è detto convesso se per ogni x 1 e x 2 punti di A, il
DettagliLEZIONE 2. ( ) a 1 x 1 + a 2 x a n x n = b, ove a j, b R sono fissati.
LEZIONE 2 2 Sistemi di equazioni lineari Definizione 2 Un equazione lineare nelle n incognite x, x 2,, x n a coefficienti reali, è un equazione della forma (2 a x + a 2 x 2 + + a n x n = b, ove a j, b
DettagliLimiti e continuità. Teoremi sui limiti. Teorema di unicità del limite Teorema di permanenza del segno Teoremi del confronto Algebra dei limiti
Limiti e continuità Teorema di unicità del ite Teorema di permanenza del segno Teoremi del confronto Algebra dei iti 2 2006 Politecnico di Torino 1 Se f(x) =` ` è unico Per assurdo, siano ` 6= `0 con f(x)
DettagliLOGICA MATEMATICA PER INFORMATICA (A.A. 12/13)
LOGICA MATEMATICA PER INFORMATICA (A.A. 12/13) DISPENSA N. 4 Sommario. Dimostriamo il Teorema di Completezza per il Calcolo dei Predicati del I ordine. 1. Teorema di Completezza Dimostriamo il Teorema
DettagliESERCIZI SUI PUNTI DI NON DERIVABILITÀ TRATTI DA TEMI D ESAME
ESERCIZI SUI PUNTI DI NON DERIVABILITÀ TRATTI DA TEMI D ESAME a cura di Michele Scaglia FUNZIONI DERIVABILI Sia f : domf R una funzione e sia 0 domf di accumulazione per domf Chiamiamo derivata prima di
DettagliCenni di programmazione ricorsiva. Appunti per gli studenti di Programmazione I e Laboratorio (corsi A-B)
Cenni di programmazione ricorsiva Appunti per gli studenti di Programmazione I e Laboratorio (corsi A-B) Corso di Laurea in Informatica Università di Pisa A.A. 2009/10 R. Barbuti, P. Mancarella Indice
DettagliIL TEOREMA DEGLI ZERI Una dimostrazione di Ezio Fornero
IL TEOREMA DEGLI ZERI Una dimostrazione di Ezio Fornero Il teorema degli zeri è fondamentale per determinare se una funzione continua in un intervallo chiuso [ a ; b ] si annulla in almeno un punto interno
DettagliEsempi 1. Troviamo, se esistono, sup/inf, max/min dell insieme A = n : n N,n>0 } A è composto dai numeri. 4,... Vediamo subito che 1 A e 1 n 2, 1 3, 1
Lezioni -4 8 Esempi 1. Troviamo, se esistono, sup/inf, max/min dell insieme A = A è composto dai numeri { 1 n : n N,n>0 }. 1, 1 2, 1, 1 4,... Vediamo subito che 1 A e 1 n 1 per ogni n N, n > 0. Questa
DettagliParte 8. Prodotto scalare, teorema spettrale
Parte 8. Prodotto scalare, teorema spettrale A. Savo Appunti del Corso di Geometria 3-4 Indice delle sezioni Prodotto scalare in R n, Basi ortonormali, 4 3 Algoritmo di Gram-Schmidt, 7 4 Matrici ortogonali,
DettagliCorso di Laurea in Matematica Geometria 2. Foglio di esercizi n. 1 a.a Soluzioni
Corso di Laurea in Matematica Geometria 2 Foglio di esercizi n. 1 a.a. 2015-16 Soluzioni Gli esercizi sono presi dal libro di Manetti. Per svolgere questi esercizi, studiare con cura i paragrafi 3.1, 3.2,
Dettagli1. Funzioni implicite
1. Funzioni implicite 1.1 Il caso scalare Sia X R 2 e sia f : X R. Una funzione y : (a, b) R si dice definita implicitamente dall equazione f(x, y) = 0 in (a, b) quando: 1. (x, y(x)) X x (a, b); 2. f(x,
DettagliEsercizi per il corso Matematica clea
Esercizi per il corso Matematica clea Daniele Ritelli anno accademico 008/009 Lezione : Numeri naturali e principio di induzione Esercizi svolti. Provare che + + + n. Provare che + + + n n(n + ) n(n +
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
DettagliAppunti del Corso Analisi 1
Appunti del Corso Analisi 1 Anno Accademico 2011-2012 Roberto Monti Versione del 5 Ottobre 2011 1 Contents Chapter 1. Cardinalità 5 1. Insiemi e funzioni. Introduzione informale 5 2. Cardinalità 7 3.
DettagliIntroduciamo ora un altro campo, formato da un numero finito di elementi; il campo delle classi resto modulo n, con n numero primo.
Capitolo 3 Il campo Z n 31 Introduzione Introduciamo ora un altro campo, formato da un numero finito di elementi; il campo delle classi resto modulo n, con n numero primo 32 Le classi resto Definizione
DettagliOperazioni tra matrici e n-uple
CAPITOLO Operazioni tra matrici e n-uple Esercizio.. Date le matrici 0 4 e dati λ = 5, µ =, si calcoli AB, BA, A+B, B A, λa+µb. Esercizio.. Per ognuna delle seguenti coppie di matrici A, B e scalari λ,
DettagliLEZIONE 12. Y = f(x) = f( x j,1 f(e j ) = x j,1 A j = AX = µ A (X),
LEZIONE 1 1.1. Matrice di un applicazione lineare. Verifichiamo ora che ogni applicazione lineare f: R n R m è della forma µ A per un unica A R m,n. Definizione 1.1.1. Per ogni j 1,..., n indichiamo con
Dettagli04 - Numeri Complessi
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 04 - Numeri Complessi Anno Accademico 2013/2014 M. Tumminello, V. Lacagnina e
DettagliSPAZI VETTORIALI CON PRODOTTO SCALARE A =
SPAZI VETTORIALI CON PRODOTTO SCALARE Esercizi Esercizio. Nello spazio euclideo standard (R 2,, ) sia data la matrice 2 3 A = 3 2 () Determinare una base rispetto alla quale A sia la matrice di un endomorfismo
DettagliLEZIONE 4. { x + y + z = 1 x y + 2z = 3
LEZIONE 4 4.. Operazioni elementari di riga. Abbiamo visto, nella precedente lezione, quanto sia semplice risolvere sistemi di equazioni lineari aventi matrice incompleta fortemente ridotta per righe.
DettagliCorso di Matematica Discreta. Anno accademico Appunti sulla diagonalizzazione.
Corso di Matematica Discreta. Anno accademico 2008-2009 Appunti sulla diagonalizzazione. Autovalori e autovettori di un endomorfismo lineare. Sia T : V V una applicazione lineare da uno spazio vettoriale
DettagliCORSO DI LAUREA IN FISICA
CORSO DI LAUREA IN FISICA ANALISI MATEMATICA I BREVI RICHIAMI DELLA TEORIA DEI LIMITI. Confronto di infinitesimi. Sia A sottoinsieme di R, sia 0 punto di accumulazione di A nella topologia di R quindi
DettagliComplemento ortogonale e proiezioni
Complemento ortogonale e proiezioni Dicembre 9 Complemento ortogonale di un sottospazio Sie E un sottospazio di R n Definiamo il complemento ortogonale di E come l insieme dei vettori di R n ortogonali
DettagliSuccessioni di funzioni: esercizi svolti
Successioni di funzioni: esercizi svolti Gli esercizi contrassegnati con il simbolo * presentano un grado di difficoltà maggiore Esercizio 1 Determinare il limite puntuale delle seguenti successioni di
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 8 - METODI ITERATIVI PER I SISTEMI LINEARI Norme Una norma in R n è una funzione. : R n R tale che x 0 x R n ; x = 0 x = 0; αx = α x ; x
Dettagli0.1 Condizione sufficiente di diagonalizzabilità
0.1. CONDIZIONE SUFFICIENTE DI DIAGONALIZZABILITÀ 1 0.1 Condizione sufficiente di diagonalizzabilità È naturale porsi il problema di sapere se ogni matrice sia o meno diagonalizzabile. Abbiamo due potenziali
DettagliNUMERI REALI. x(y + z) = xy + xz. Nel seguito faremo uso delle seguenti notazioni. IR+ 0 = {x IR : 0 x} IR 0 = {x IR : 0 x}
NUMERI REALI In quanto segue non diremo che cosa è un numero reale ma definiremo per via assiomatica l insieme dei numeri reali. Insieme che denotiamo con IR. L insieme dei numeri reali è un campo totalmente
Dettagli13 LIMITI DI FUNZIONI
3 LIMITI DI FUNZIONI Estendiamo la nozione di ite a funzioni reali di variabile reale. Definizione caratterizzazione per successioni) Si ha fx) = L x 0, L R) se e solo se per ogni successione a n x 0 con
Dettagli17 LIMITI E COMPOSIZIONE
17 LIMITI E COMPOSIZIONE L operazione di ite si comporta bene per composizione con funzioni continue. Teorema. Sia gx) = y 0 e sia f continua in y 0. Allora esiste fgx)) = fy 0 ). Questo teorema ci dice
Dettagli13. Integrazione in uno spazio di misura.
13. Integrazione in uno spazio di misura. 13.1. Funzioni elementari in uno spazio misurabile. Definizione 13.1.1. (Funzione A-elementare). Sia (Ω, A) uno spazio misurabile. Si chiama funzione A-elementare
Dettagli2. La misura secondo Peano-Jordan.
2. La misura secondo Peano-Jordan. La teoria della misura secondo Peano-Jordan è già nota agli studenti dai corsi di Analisi 1 e 2. Lo scopo principale di questo capitolo è quello di richiamarne le definizioni
Dettaglic A (a c = b) Le ipotesi che abbiamo ci dicono che esistono h, k A tali che:
Definizione 1. Dato un insieme A, un operazione su A è una applicazione da A A a valori in A. Definizione 2. Se A è un insieme con una operazione, dati a, b A diciamo che a divide b (e scriviamo a b) se
DettagliOsservazione 1.1 Si verifica facilmente che esiste un unica relazione d ordine totale su Q che lo renda un campo ordinato.
1 Numeri reali Definizione 1.1 Un campo ordinato è un campo K munito di una relazione d ordine totale, compatibile con le operazioni di somma e prodotto nel senso seguente: 1. a, b, c K, a b = a + c b
DettagliFUNZIONI ELEMENTARI, DISEQUAZIONI, NUMERI REALI, PRINCIPIO DI INDUZIONE Esercizi risolti
FUNZIONI ELEMENTARI, DISEQUAZIONI, NUMERI REALI, PRINCIPIO DI INDUZIONE Esercizi risolti Discutendo graficamente la disequazione x > 3 + x, verificare che l insieme delle soluzioni è un intervallo e trovarne
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
DettagliALGEBRA I: SOLUZIONI QUINTA ESERCITAZIONE 9 maggio 2011
ALGEBRA I: SOLUZIONI QUINTA ESERCITAZIONE 9 maggio 2011 Esercizio 1. Usando l algoritmo euclideo delle divisioni successive, calcolare massimo comune divisore e identità di Bézout per le seguenti coppie
DettagliPROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI
PROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI Settimana 5-9 marzo. Elementi di analisi combinatoria (vedasi capitolo I del Ross). Integrazioni: triangolo di Tartaglia, dimostrazione diretta della
DettagliRELAZIONI, FUNZIONI, INSIEMI NUMERICI. 1. Relazioni. Siano X e Y due insiemi non vuoti. Si definisce il prodotto cartesiano
RELAZIONI, FUNZIONI, INSIEMI NUMERICI C. FRANCHI 1. Relazioni Siano X e Y due insiemi non vuoti. Si definisce il prodotto cartesiano X Y := {(x, y) x X, y Y } dove con (x, y) si intende la coppia ordinata
Dettagli