Valori caratteristici di distribuzioni
|
|
- Alina Renata Orlando
- 8 anni fa
- Visualizzazioni
Transcript
1 Capitolo 3 Valori caratteristici di distribuzioni 3. Valori attesi di variabili e vettori aleatori In molti casi è possibile descrivere adeguatamente una distribuzione di probabilità con pochi valori di sintesi. In altri termini la descrizione delle caratteristiche probabilistiche di una variabile aleatoria attraverso la funzione di probabilità (nel caso discreto) o la funzione di densità (nel caso continuo) può essere agevolata dal ricorso ad un certo numero di indicatori che sintetizzano altrettanti aspetti della distribuzione (tali indicatori, pur rappresentando particolari aspetti della distribuzione stessa, non ne esauriscono la descrizione). 3.. Valori attesi di variabili aleatorie Definizione 3. Data una variabile aleatoria discreta X con funzione di probabilità p X e insieme di definizione X si dice valore atteso o speranza matematica o valor medio di X la quantità E (X) = t p X (t) (3.) t X posto che la somma a secondo membro sia finita. Esempio 3. Sia X una variabile aleatoria discreta con funzione di probabilità { p X (x) = 5 x =,..., 5 altrove il suo valore atteso è dato dall espressione seguente E (X) = 5 t 5 = 3 t= 59
2 6 A. Pollice - Appunti di Probabilità Esempio 3. Sia X una variabile aleatoria discreta con funzione di probabilità p X ( ) x = p p X (x) = X () x = p X () x = altrove posto che valgano E (X) = 6 e p X () = è possibile determinare p X ( ) e p X (), infatti 6 = t= t p X (t) = p X ( ) + + p X () = p X () p X ( ) inoltre dalla funzione di probabilità si deduce che deve valere p X () + p X ( ) =, quindi p X () + p X ( ) = p X () p X ( ) = 6 p X () = 3 p X ( ) = 6 Esempio 3.3 Un urna contiene palline di cui 8 valgono e valgono 5. Se ne scelgano a caso 3 senza reinserimento e si vinca la somma dei valori delle 3 palline estratte. La distribuzione delle vincite possibili è la seguente: P ( 3 palline da ) = P ( 6) = (8 3) ( 3 ) =.467 P ( palline da ed da 5 ) = P ( 9) = (8 )( ) ( 3 ) =.467 P ( pallina da e da 5 ) = P ( ) = (8 )( ) ( 3 ) =.66 Pertanto il valore atteso della vincità è = 7797 Definizione 3. Data una variabile aleatoria continua X con funzione di densità f X si dice valore atteso o speranza matematica o valor medio di X la quantità E (X) = t f X (t) dt (3.) posto che l integrale a secondo membro sia finito.
3 Cap.3: Valori caratteristici di distribuzioni 6 Esempio 3.4 Se dividiamo casualmente un segmento di lunghezza 5 in due parti ed indichiamo con X la lunghezza di una delle due parti ottenute (ad esempio quella posta alla nostra sinistra) posiamo ragionevolmente ritenere che valga f X (x) = 5 < x < 5 altrove In altri termini stiamo supponendo che ciascun punto del segmento abbia la stessa probabilità di essere selezionato per dividerlo in due, ovvero che la lunghezza X della parte sinistra del segmento abbia distribuzione uniforme su tutto il segmento. In tal caso la lunghezza attesa della parte sinistra del segmento è data dal risultato seguente (anche giustificabile intuitivamente) E (X) = 5 t 5 dt = = 5 Esempio 3.5 Sia X una variabile aleatoria continua con funzione di densità continua a tratti 8 < x < x f X (x) = 8 < x < 4 altrove il suo valore atteso è dato da E (X) = t 4 8 dt + t t 8 dt = = 3 Allo scopo di unificare la notazione nel caso di variabili aleatorie discrete e continue la definizione di valore atteso assume talvolta l espressione seguente E (X) = t df X (t) (3.3) dove F X indica la funzione di ripartizione (discreta o continua) della variabile aleatoria X. Tale espressione, che fa riferimento alla teoria dell integrazione di Lebesgue-Stieltjes, prende la forma rispettivamente della somma (3.) o dell integrale (3.) nel caso di variabili aleatorie discrete o dotate di densità. 3.. Valori attesi di funzioni di variabili aleatorie Data una funzione Y = g (X) della variabile aleatoria discreta X il suo valore atteso può essere calcolato ricavando prima la funzione di probabilità p Y della variabile aleatoria Y, quindi applicando la definizione di valore atteso e la (3.) E (Y ) = t Y t p Y (t) Alternativamente è possibile utilizzare la funzione di probabilità della X senza procedere alla determinazione di quella della Y. La speranza matematica di Y = g (X) è data da E (Y ) = t X g (t) p X (t) (3.4)
4 6 A. Pollice - Appunti di Probabilità Esempio 3. (cnt) Siano g (X) = X e g (X) = (X + ) [ E (X + ) ] = E ( X ) = 5 t= 5 t 5 = t= (t + ) 5 = 7 Esempio 3. (cnt) Posto che non si conosca il valore di E (X) e che anche in questo caso valga p X () = si può calcolare il valore di E ( X ), infatti E ( X ) = t p X (t) t= = ( ) p X ( ) + + () p X () = p X ( ) + p X () = Data una funzione Y = g (X) della variabile aleatoria continua X il suo valore atteso può essere calcolato ricavando prima la funzione di densità f Y della variabile aleatoria Y, quindi applicando la definizione di valore atteso E (Y ) = t f Y (t) dt Alternativamente è possibile utilizzare la funzione di densità della X senza procedere alla determinazione di quella della Y. La speranza matematica di Y = g (X) è data da E (Y ) = g (t) f X (t) dt (3.5) Esempio 3.4 (cnt) La lunghezza attesa della sezione di segmento posta alla nostra destra è data da E (5 X) = 5 (5 t) 5 dt = = 5 analogamente il valore atteso del prodotto delle lunghezze delle due sezioni è dato da E [X (5 X)] = 5 t (5 t) 5 dt = = 5 6 Esempio 3.5 (cnt) Tenendo opportunamente conto della funzione di densità continua a tratti della variabile aleatoria X si ha E ( X ) = t 4 8 dt + t t 8 dt = = 3 3
5 Cap.3: Valori caratteristici di distribuzioni 63 Esempio 3.6 Sia X una variabile aleatoria continua con funzione di densità x < x < f X (x) = altrove il valore atteso di Y = X è dato da ( ) E (Y ) = E X = t t dt = = 4 5 Si ottiene lo stesso risultato se si individua prima la densità della Y e poi si calcola direttamente il valore atteso. Infatti essendo y = x una trasformazione monotona per < x < si ha ( f Y (y) = f X g (y) ) dg (y) dy = y y = 4y 3 < y < quindi E (Y ) = t 4t 3 dt = = 4 5 Anche per le funzioni reali di vettori aleatori i valori attesi sono determinabili in modo analogo. Il valore atteso della funzione reale Y = g (X) di un vettore aleatorio k-dimensionale discreto X con funzione di probabilità p X X k è infatti dato dall espressione E (Y ) = g (t) p X X k (t) (3.6) t X k
6 64 A. Pollice - Appunti di Probabilità Esempio 3.7 Sia (X, X ) la variabile aleatoria bidimensionale discreta la cui funzione di probabilità è data da 3 (x, x ) {(, ), (, ), (3, 3)} p X X (x, x ) = altrove Si noti che posto Y = X si ha e analogamente ponendo Y = X si ottiene Il valore atteso di Y = X X è dato da E (X ) = = E (X ) = = E analogamente E (X X ) = = 4 3 [( E X ) ( X )] ( = ) ( ) ( + ) ( ) 3 ( ) ( 3 ) = 6 9 Esempio. (cnt) Utilizzando la tabella che comprende le distribuzioni marginali (p. 48) è possibile calcolare E (X ) ed E (X ) E (X ) = = 4 3 E (X ) = = 8 3 Inoltre si ha che per Y = X X E (X X ) = = 3 Analogamente nel caso di un vettore aleatorio k-dimensionale X dotato di densità f X X k il valore atteso di una sua funzione Y = g (X) è dato dall espressione E (Y ) = g (t) f X X k (t) dt dt k (3.7) k
7 Cap.3: Valori caratteristici di distribuzioni 65 Esempio.4 (cnt) Si noti che posto Y = X si ha E (X ) = 3 8 e analogamente ponendo Y = X si ottiene E (X ) = 3 8 ( t 7t + t ) dt dt = = 3 3 ( t 7t + t ) dt dt = = 7 3 infine se Y = X X E (X X ) = 3 8 ( t t 7t + t ) dt dt = = 3 8 Esempio.5 (cnt) Si noti che posto Y = X si ha E (X ) = 8 e analogamente ponendo Y = X si ottiene E (X ) = 8 t t t t t dt dt = = 4 5 t t t dt dt = = 8 5 infine se Y = X X E (X X ) = 8 t t t t t dt dt = = Proprietà dei valori attesi I valori attesi di variabili aleatorie godono di alcune proprietà che discendono dalle loro definizioni. Nell enunciare queste proprietà si fa riferimento al caso di variabili aleatorie continue unidimensionali. L estensione di enunciati e definizioni alle variabili aleatorie discrete e ai vettori aleatori continui e discreti è semplicemente ottenibile sostituendo agli integrali unidimensionali che definiscono i valori attesi rispettivamente le somme e gli integrali e le somme multidimensionali.. Il valore atteso di una costante è uguale alla costante stessa. Se g (X) = c con c costante, si ha E (c) = c f X (t) dt = c f X (t) dt = c (3.8). Il valore atteso della funzione di una variabile aleatoria moltiplicata per una costante è uguale alla costante per il valore atteso della funzione della variabile aleatoria. Sia in questo caso g (X) = c h (X) con c costante ed h funzione di X, si ha E [c h (X)] = c h (t) f X (t) dt = c E [h (X)] (3.9) 3. Il valore atteso di una combinazione lineare di due funzioni di una variabile aleatoria è uguale alla stessa combinazione lineare dei valori attesi delle stesse due funzioni della variabile aleatoria. In
8 66 A. Pollice - Appunti di Probabilità questo caso g (X) = c h (X) + c h (X) con c e c costanti ed h e h funzioni di X, si ha E [c h (X) + c h (X)] = c h (t) + c h (t) f X (t) dt = c E [h (X)] + c E [h (X)] (3.) 4. La proprietà precedente è immediatamente generalizzabile a combinazioni lineari di n > termini [ n ] E c i h i (X) = i= n c i E [h i (X)] (3.) 5. Il valore atteso del prodotto di due variabili aleatorie è uguale al prodotto dei valori attesi delle variabili se queste sono indipendenti. Siano X ed X variabili aleatorie indipendenti rispettivamente con funzione di densità f X ed f X, si ha E (X X ) = = = i= t t f X X (t, t ) dt dt t t f X (t ) f X (t ) dt dt (3.) t f X (t ) dt t f X (t ) dt = E (X ) E (X ) 6. Disuguaglianza di Schwarz-Hölder. Dati due numeri positivi a e b tali che a + b = e due variabili aleatorie X e X si ha E ( X X ) [E ( X a )] a [ ( E X b)] b (3.3) L espressione precedente fornisce come casi particolari la disuguaglianza di Schwarz [E ( X X )] E ( X ) ( ) E X (3.4) oltre che la seguente disuguaglianza valida per < c < d (E X c ) c ( E X d) d (3.5) Esempio 3. (cnt) E [(X + ) ] = E [ X + 4X + 4 ] = E [ X ] + E [4X] + E [4] = E [ X ] + 4E [X] + 4 = = 7
9 Cap.3: Valori caratteristici di distribuzioni 67 Esempio 3.4 (cnt) E [X (5 X)] = 5E (X) E (5 X) = 5 E (X) = 5 5 = 5 5 t 5 dt = = 5 6 Esempio 3.7 (cnt) [( E X ) ( X )] 3 3 ( = E X X 3 X 3 X + ) 9 = E (X X ) 3 E (X ) 3 E (X ) + 9 = = 6 9 Esempi.,4,5 (cnt) In tutti e tre gli esempi poiché E (X X ) E (X ) E (X ) le variabili aleatorie X e X non sono indipendenti. 3. Momenti di variabili aleatorie Tra i valori attesi delle funzioni di variabili aleatorie unidimensionali assumono un importanza particolare quelli delle potenze con esponente reale non negativo, denominate momenti. Definizione 3.3 Si dice momento (ordinario) r-esimo di una variabile aleatoria unidimensionale X la quantità µ r = E (X r ) (3.6) Naturalmente a seconda che la variabile aleatoria X sia discreta e dotata di funzione di probabilità p X ovvero continua e dotata di funzione di densità f X il momento r-esimo è rispettivamente dato da µ r = t X t r p X (t) (3.7) µ r = t r f X (t) dt (3.8). Si osservi che µ = E (X) = µ, ossia il momento primo di una variabile aleatoria coincide con il suo valore atteso.. Dalla definizione precedente si deduce immediatamente che il momento secondo gode della proprietà di essere nullo se e solo se la variabile aleatoria X è uguale a zero con probabilità E ( X ) = P X (X = ) = (3.9) Definizione 3.4 Si dice momento centrale r-esimo di una variabile aleatoria unidimensionale X la quantità m r = E [(X E (X)) r ] (3.)
10 68 A. Pollice - Appunti di Probabilità. I momenti ordinari e i momenti centrali appena definiti corrispondono a valori tipici che caratterizzano le distribuzioni delle variabili aleatorie a cui si riferiscono. La variabile aleatoria X E (X) è anche detta scarto dalla media. A causa della proprietà di linearità della media il suo valore atteso è nullo m = E [X E (X)] = E (X µ) = (3.). Una variabile aleatoria X ha distribuzione simmetrica rispetto al centro di simmetria a se vale F X (a x) P X (X = a x) = F X (a + x) (3.) questa condizione nel caso di variabili aleatorie continue dotate di densità diventa f X (a x) = f X (a + x) (3.3) mentre le variabili aleatorie discrete simmetriche sono tali che i valori che assumono e le loro probabilità si dispongono simmetricamente rispetto ad a. Se una variabile aleatoria X ha distribuzione simmetrica il suo valore atteso coincide con il centro di simmetria, ovvero µ = a. Inoltre in tal caso i momenti centrali di ordine dispari sono nulli. Esempio.8 (cnt) Per la densità triangolare vale E (Y ) =, inoltre poiché per x > si ha che f Y (x) = x = f Y ( x) allora tale densità è simmetrica e il suo centro di simmetria corrisponde all origine degli assi. Di conseguenza i momenti centrali di ordine dispari sono nulli. [ m 3 = E (Y E (Y )) 3] = E ( Y 3 ) = t 3 ( + t) dt + t 3 ( t) dt = Definizione 3.5 Il momento centrale secondo è anche detto varianza della variabile aleatoria e viene generalmente indicato con m = Var (X) = σ X = E [(X E (X)) ]. La varianza di una variabile aleatoria misura la dispersione della distribuzione di probabilità attorno al valore medio.. Si noti che vale σx = E [(X E (X)) ] [ ] = E X + (E (X)) XE (X) = E ( X ) + (E (X)) E (X) E (X) (3.4) = µ µ In altri termini la varianza è data dal momento secondo meno il quadrato del momento primo.
11 Cap.3: Valori caratteristici di distribuzioni 69. Si ricava facilmente che vale Var (ax + b) = E [ (ax + b E (ax + b)) ] = E [ (ax ae (X)) ] = a Var (X) (3.5) La varianza resta invariata se alla variabile aleatoria si aggiunge una costante b, mentre viene moltiplicata per a se la variabile aleatoria è moltiplicata per a. 3. Si noti che la varianza si annulla se e solo se la variabile aleatoria X assume un unico valore (che ovviamente coincide con il valor medio µ) con probabilità. Dalla proprietà (b) dei momenti ordinari discende infatti che vale [ E (X µ) ] = P X (X µ = ) = (3.6) 4. Per qualsiasi variabile aleatoria vale σ X = E [ (X µ) ] [ = min E (X a) ] (3.7) a infatti [ E (X a) ] = E [(X µ + µ a) ] = E [ (X µ) ] + (µ a) + (µ a) E (X µ) = σ X + (µ a) σ X 5. Disuguaglianza di Cebicev. Sia X una variabile aleatoria per la quale esistano finiti i momenti primo e secondo, per qualsiasi a > vale P X (µ aσ X < X < µ + aσ X ) a (3.8) Infatti, posto b = aσ X la suddetta disuguaglianza implica P X ( X µ < b) σ X b = σ X b P X ( X µ b) (3.9) L ultima disuguaglianza si dimostra nel caso continuo osservando che vale σx = (t µ) f X (t) dt (t µ) f X (t) dt X µ b b X µ b f X (t) dt = b P X ( X µ b) Analoghi passaggi portano alla dimostrazione della disuguaglianza nel caso di variabili aleatorie discrete. È importante sottolineare come la disuguaglianza di Cebicev sussiste per qualunque variabile aleatoria per la quale si conoscano µ e σ X senza alcuna assunzione sulla sua distribuzione. Dunque tale disuguaglianza permette di calcolare il limite inferiore della probabilità di intervalli simmetrici attorno alla media di una variabile aleatoria di cui si conoscano solo i primi due momenti e non l intera distribuzione.
12 7 A. Pollice - Appunti di Probabilità Esempio.8 (cnt) La varianza della variabile aleatoria continua Y con densità triangolare è data da [ σy = E (Y E (Y )) ] = E ( Y ) = t ( + t) dt + t ( t) dt = = 6 Definizione 3.6 La radice quadrata della varianza è detta scarto quadratico medio o deviazione standard σ X = Var (X) (3.3). Si noti che se X è una variabile aleatoria con E (X) = µ e Var (X) = σx, la trasformazione lineare fornisce una variabile aleatoria Z con Z = X µ σ X (3.3) E (Z) = σ X E (X µ) = (3.3) Var (Z) = σx Var (X) = (3.33) Tale trasformazione è dunque detta standardizzazione della variabile aleatoria X.
13 Cap.3: Valori caratteristici di distribuzioni 7 Esempio 3.8 Si calcoli la varianza della somma ottenuta lanciando una coppia di dadi. Siano X il risultato del primo dado ed X quello del secondo con rispettivamente p X (x ) = 6 per x =,..., 6 e p X (x ) = 6 per x =,..., 6 e sia Z = X + X 36 z =, 36 z = 3, p Z (z) = P X X (X + X = z) = 3 36 z = 4, 4 36 z = 5, z = 6, z = 7 altrove E (Z) = t= t= tp Z (t) = = 7 E ( Z ) = t p Z (t) = = 39 6 Si noti che in generale vale m 3 = E [(Z E (Z)) 3] Var (X + X ) = Var (Z) = E ( Z ) [E (Z)] = 35 6 [ ] = E Z 3 (E (Z)) 3 + 3Z (E (Z)) 3Z E (Z) = E ( Z 3) (E (Z)) 3 + 3E (Z) (E (Z)) 3E ( Z ) E (Z) = E ( Z 3) + (E (Z)) 3 3E ( Z ) E (Z) = µ 3 + µ 3 3µ µ Dal calcolo diretto risulta E ( Z 3) = 93 e di conseguenza m 3 = = Infatti la funzione di probabilità della variabile aleatoria discreta Z è evidentemente simmetrica attorno alla media 7.
14 7 A. Pollice - Appunti di Probabilità Esempio 3.9 Data la variabile aleatoria continua X con densità 6x ( x) < x < f X (x) = altrove si voglia determinare la probabilità P (µ σ X < X < µ + σ X ). µ = E (X) = t 6t ( t) dt = = Quindi E ( X ) = σ X = Var (X) = 3 ( t 6t ( t) dt = = 3 ) = ( ) = 5 P X (µ σ X < X < µ + σ X ) = P X ( 5 < X < + 5 ) = Per la stessa probabilità, applicando la disuguaglianza di Cebicev, si ha P X (.53 < X <.947) =.75 6t ( t) dt = =.984 Si noti come in questo secondo caso trascurando l informazione sulla forma della densità della variabile aleatoria X si perviene a una determinazione molto meno precisa della probabilità dell intervallo, infatti l estremo inferiore della probabilità dell intervallo (.75) è piuttosto distante dalla probabilità esatta calcolata precedentemente (.984). 3.. Mediana di una variabile aleatoria I momenti descrivono dunque alcuni aspetti delle distribuzioni delle variabili aleatorie. Quando l integrale (nel caso continuo) o la somma (nel caso discreto) divergono i momenti non esistono. In questi e in altri casi in cui il ricorso ai momenti risulta inopportuno vengono utilizzati altri indicatori della posizione e della forma delle distribuzioni di cui il più importante è la mediana. Definizione 3.7 Data una variabile aleatoria unidimensionale X si dice mediana della variabile aleatoria o della sua distribuzione il valore Me (X) tale che P X (X Me (X)) ovvero in termini della funzione di ripartizione e P X (X Me (X)) (3.34) lim h + F X (Me (X) h) F X (Me (X))
15 Cap.3: Valori caratteristici di distribuzioni 73 Quando la variabile aleatoria X è continua si ha immediatamente che vale F X (Me (X)) =. Nel caso discreto la mediana è per definizione quel valore che lascia alla sua sinistra ed alla sua destra una probabilità almeno pari ad. Esempio 3. Le variabili aleatorie X e Y abbiano funzioni di probabilità rispettivamente 6 x = y = p X (x) = 6 x = 6 x = 3 6 x = 4 6 x = 5 6 x = 6 altrove p Y (y) = y = 5 y = 3 5 y = 4 5 y = 5 altrove Si nota facilmente che Me (X) non è unica, infatti per 3 Me (X) 4 vale la condizione (3.34). Al contrario Me (Y ) = 4. Esempio 3. Sia X una variabile aleatoria continua con densità esponenziale di parametro. mediana è ottenuta rsilvendo l equazione La = Me(X) da cui si ricava Me (X) = log. f X (t) dt = Me(X) e t dt = e Me(X) Per la mediana valgono le due seguenti proprietà:. Se Y = g (X) con g funzione non decrescente, allora Me (Y ) = g (Me (X)).. Per qualsiasi variabile aleatoria X vale 3.. Momenti misti E [ X Me (X) ] = min a E [ X a ] (3.35) Anche tra i valori attesi delle funzioni di variabili aleatorie bidimensionali assumono un importanza particolare quelli dei prodotti delle componenti elevate a potenze con esponente reale non negativo, denominate momenti misti. Definizione 3.8 Si dice momento misto di ordine r, s di un vettore aleatorio bidimensionale (X, X ) la quantità µ r,s = E (X r X s ) (3.36)
16 74 A. Pollice - Appunti di Probabilità Naturalmente a seconda che la variabile aleatoria X sia discreta e dotata di funzione di probabilità p X,X ovvero continua e dotata di funzione di densità f X,X il momento misto di ordine r, s è rispettivamente dato da µ r,s = t r t s p X,X (t, t ) (3.37) (t,t ) X µ r,s = t r t s f X,X (t, t ) dt dt (3.38) Si noti che ponendo r = si ottiene µ,s = E (X s ) e analogamente per s = si ha µ r, = E (X r ). Definizione 3.9 Si dice momento centrale misto di ordine r, s di un vettore aleatorio bidimensionale (X, X ) la quantità m r,s = E [(X E (X )) r (X E (X )) s ] (3.39) Si noti che anche in questo caso ponendo r = si ottiene m,s = E [(X E (X )) s ] e analogamente per s = si ha m r, = E [(X E (X )) r ]. Infine ponendo r = s = si ottiene il momento centrale misto di ordine,. Definizione 3. Il momento centrale misto di ordine, è anche detto covarianza delle variabili aleatorie e viene generalmente indicato con m, = Cov (X, X ) = σ X,X = E [(X E (X )) (X E (X ))].. Si noti che vale σ X,X = E [(X E (X )) (X E (X ))] = E [X X X E (X ) X E (X ) + E (X ) E (X )] (3.4) = E (X X ) E (X ) E (X ) E (X ) E (X ) + E (X ) E (X ) = E (X X ) E (X ) E (X ). Si ricava facilmente che vale Cov (ax + b, cx + d) = E [(ax + b E (ax + b)) (cx + d E (cx + d))] = E [(ax E (ax )) (cx E (cx ))] (3.4) = accov (X, X ) La covarianza è invariante rispetto a traslazioni delle variabili aleatorie mentre reagisce in modo proporzionale ai cambiamenti di scala delle stesse. 3. Se X e X sono due variabili aleatorie indipendenti, allora Cov (X, X ) =. Infatti in tal caso si ha Cov (X, X ) = E (X X ) E (X ) E (X ) = E (X ) E (X ) E (X ) E (X ) = Dunque quando le due variabili aleatorie X e X sono indipendenti la covarianza si annulla. La covarianza può, però, anche annullarsi se le due variabili X e X non sono indipendenti, nel qual caso X e X sono dette incorrelate. Se Cov (X, X ) è positiva, allora X e X sono dette correlate positivamente e a valori alti di X corrispondono valori alti di X nonché a valori bassi di X corrispondono valori bassi di X. Al contrario X e X sono dette correlate negativamente se la covarianza è negativa; in tal caso a valori alti di X corrispondono valori bassi di X e viceversa.
17 Cap.3: Valori caratteristici di distribuzioni Per due variabili aleatorie qualsiasi X e X vale σx +X = E [(X + X E (X + X )) ] = E [(X E (X ) + X E (X )) ] [ = E (X E (X )) ] [ + E (X E (X )) ] (3.4) +E [(X E (X )) (X E (X ))] = σ X + σ X + σ X,X Inoltre, di conseguenza, la varianza della somma di due variabili aleatorie indipendenti è uguale alla somma delle varianze delle due variabili aleatorie (risultato generalizzabile alla somma di più di due variabili aleatorie indipendenti). Esempio. (cnt) Dalle funzioni di probabilità marginali calcolo E (X ) ed E (X ) E (X ) = = 9 36 E (X ) = = 5 36 mentre dalla funzione di probabilità congiunta della variabile bidimensionale (X, X ) calcolo e complessivamente E (X X ) = = Cov (X, X ) = = 5 36 Esempio.8 (cnt) Essendo E (Y ) = ed si ha complessivamente E (Y, Y ) = t t t t dt dt = = Cov (Y, Y ) = E (Y ) =
18 76 A. Pollice - Appunti di Probabilità Esempio 3.8 (cnt) Tenendo conto del fatto che evidentemente Cov (X, X ) =, vale Var (X + X ) = Var (X ) + Var (X ) = Var (X ). E (X ) = 6 tp X (t) = 6 ( ) = 6 t= E ( X ) 6 = t p X (t) = 6 t= Var (X + X ) = Var (X ) = ( ) = 9 6 [ E ( X ) [E (X )] ] = 35 6 Definizione 3. Si dice coefficiente di correlazione la quantità ρ (X, X ) = σ X,X σ X σ X = Cov (X, X ) Var (X ) Var (X ). Dall applicazione della precedente proprietà. della covarianza risulta ( X E (X ) ρ (X, X ) = Cov, X ) E (X ) σ X σ X (3.43) (3.44) da cui si vede come il coefficiente di correlazione rappresenta la covarianza tra le variabili X e X standardizzate.. Per trasformazioni lineari delle variabili X e X vale ρ (ax + b, cx + d) = accov (X, X ) a Var (X ) c Var (X ) = ac a c ρ (X, X ) = sgn (ac) ρ (X, X ) (3.45) Il coefficiente di correlazione è dunque invariante a meno del segno per trasformazioni di scala delle variabili. 3. Si noti che in generale vale [Cov (X, X )] = (E [(X E (X )) (X E (X ))]) [E (X E (X )) (X E (X )) ] [ E (X E (X )) ] E [(X E (X )) ] = Var (X ) Var (X ) (3.46) La prima maggiorazione è banale, mentre la seconda è dovuta alla disuguaglianza di Schwarz. Dalla (3.46) si ricava che ρ (X, X ). 4. Il coefficiente di correlazione tra una variabile aleatoria X e una sua trasformazione lineare ax + b vale ρ (X, ax + b) = Cov (X, ax + b) Var (X) Var (ax + b) = acov (X, X) a Var (X) Var (X) = avar (X) = ± (3.47) a Var (X) In altre parole il coefficiente di correlazione assume valori ± quando le due variabili sono legate da una relazione lineare. Inoltre il valore assoluto del coefficiente di correlazione ρ (X, X ) è tanto più vicino all unità quanto maggiore risulta la concentrazione della distribuzione di probabilità della variabile aleatoria bidimensionale (X, X ) attorno a una retta del piano.
19 Cap.3: Valori caratteristici di distribuzioni 77 Esempio. (cnt) Ancora dalle funzioni di probabilità marginali calcolo E ( X ) ( ) ed E X quindi E ( X ) = = 3 36 E ( X ) = = Var (X ) = 3 36 Var (X ) = ( ) 9 = ( ) 5 = infine ρ (X, X ) = =.86 Esempio.8 (cnt) Essendo Var (Y ) = 6 e si ha che Var (Y ) = Var (X ) = ( ) t dt t dt = 3 ρ (X, X ) = 6 =.7 ( ) = 3..3 Valori attesi e momenti condizionati È possibile applicare la definizione di valore atteso considerando le funzioni di probabilità e di densità condizionate rispettivamente nel caso di variabili aleatorie doppie discrete e continue. Definizione 3. Data la variabile aleatoria doppia discreta (X, X ) e la funzione di probabilità condizionata p X X il valore atteso condizionato della funzione g (X ) dato X = x è definito dall espressione seguente E (g (X ) x ) = g (t ) p X X (t x ) (3.48) {t :(t,x ) X } Definizione 3.3 Data la variabile aleatoria doppia continua (X, X ) e la funzione di densità condizionata f X X il valore atteso condizionato della funzione g (X ) dato X = x è definito dall espressione seguente E (g (X ) x ) = g (t ) f X X (t x ) dt (3.49)
20 78 A. Pollice - Appunti di Probabilità Esempio 3. Si vogliano determinare E (X x ) e Var (X x ) a partire dalla variabile aleatoria doppia continua (X, X ) con funzione di densità f X,X (x, x ) = x + x < x < < x < altrove La densità marginale della variabile condizionante risulta { f X (x ) = x + t dt = x + < x < altrove quindi per un valore < x < f X X (x x ) = { x +x x + < x < altrove da cui E (X x ) = E ( X x ) = t x + t x + t x + t x + dt = = 3x + 6x + 3 dt = = 4x + 3 x + 6 Var (X x ) = E ( X x ) (E (X x )) = 4x + 3 x + 6 ( ) 3x + 6x + 3 = = 6x (x ) + 8 (x + ) Teorema 3. Posto E (g (X ) X ) = h (X ) vale E (h (X )) = E (g (X )), ovvero E (E (g (X ) X )) = E (g (X )) (3.5) Infatti nel caso continuo E (h (X )) = E (E (g (X ) X )) = E (g (X ) t ) f X (t ) dt = = g (t ) f X X (t t ) dt f X (t ) dt g (t ) f X,X (t, t ) dt dt = E (g (X )) In particolare il teorema precedente porta alla seguente uguaglianza E (X ) = E [E (X X )] (3.5)
21 Cap.3: Valori caratteristici di distribuzioni 79 ed inoltre Var (X ) = E ( X ) [E (X )] = E [ E ( X X )] {E [E (X X )]} = E [ E ( X X )] { E [E (X X )] } (3.5) { +E [E (X X )] } {E [E (X X )]} { = E E ( X X ) [E (X X )] } + Var [E (X X )] 3..4 Momenti di vettori aleatori = E [Var (X X )] + Var [E (X X )] Nel paragrafo seguente vengono illustrate alcune proprietà relative ai momenti delle variabili aleatorie multidimensionali. Definizione 3.4 Il momento primo o valore atteso di un vettore aleatorio k-dimensionale X è dato dal vettore k-dimensionale dei valori attesi dei suoi elementi µ = E(X) = (E(X ),..., E(X k )) T = (µ,..., µ k ) T (3.53) Naturalmente la definizione precedente ha senso purché esista finito il valore atteso di ogni componente del vettore aleatorio X. Seguono le principali proprietà dei valori attesi di vettori aleatori. Il valore atteso del trasposto di un vettore aleatorio è uguale al trasposto del valore atteso del vettore stesso E ( X T ) = [E (X)] T (3.54). Linearità. Per X vettore casuale k-dimensionale ed A e b rispettivamente matrice e vettore di costanti in h k ed h vale E(AX + b) = AE(X) + b (3.55) 3. Additività. Per X e X vettori casuali in k ed A e B matrici di costanti in h k vale E(AX + BX ) = AE(X ) + BE(X ) (3.56) Definizione 3.5 La matrice di varianze e covarianze di un vettore aleatorio k-dimensionale X è data dall espressione seguente { } Σ X = Var (X) = E [X E (X)] [X E (X)] T = E ( XX T ) E (X) [E (X)] T (3.57) La definizione precedente ha senso purché esistano finiti i momenti secondi di ciascun elemento del vettore aleatorio X. Il perché è facilmente intuibile se si esplicita il significato degli elementi della matrice di varianze e covarianze σ X σ X,X σ X,X k σ X,X σx σ X,X k Σ X =..... (3.58). σ Xk,X σ Xk,X σx k
22 8 A. Pollice - Appunti di Probabilità Dunque Σ X è una matrice quadrata di ordine k simmetrica e contiene le varianze σx = E {[X i E (X i )] } di ciascuna componente X i sulla diagonale principale, mentre al di fuori di questa si trovano le covarianze σ X,X = E {[X i E (X i )] [X j E (X j )]} tra le possibili coppie di componenti. Si noti che qualsiasi matrice di varianze e covarianze è sempre semidefinita positiva. Infatti affinché Σ X sia semidefinita positiva deve valere a T Σ X a per qualsiasi vettore a k diverso dal vettore nullo: { } { [a a T Σ X a = E a T [X E (X)] [X E (X)] T a = E T (X E (X)) ] } Definizione 3.6 La matrice di covarianze tra il vettore aleatorio k-dimensionale X e il vettore aleatorio h-dimensionale Y è data dall espressione seguente { } Σ X,Y = Cov (X, Y ) = E [X E (X)] [Y E (Y )] T = E ( XY T ) E (X) [E (Y )] T (3.59) Come nel caso della matrice di varianze e covarianze σ X,Y σ X,Y σ X,Y h σ X,Y σ X,Y σ X,Y h Σ X,Y = σ Xk,Y σ Xk,Y σ Xk,Y h (3.6) Se ne conclude che Σ X,Y è una matrice k h il cui generico elemento σ Xi,Y j = E{(X i E(X i ))(Y j E(Y j ))} è la covarianza tra la coppia (X i, Y j ). Si osservi che Cov (X, X) = Var (X): questa seconda definizione è quindi più generale. Teorema 3. Se Z = AX + b e K = CY + d, con X ed Y vettori casuali in k, A e C matrici di costanti in h k, b e d vettori di costanti in h, vale Cov (Z, K) = ACov (X, Y ) C T (3.6) Infatti Cov (Z, K) = E {[Z } E (Z)] [K E (K)] T = E {[AX } + b E (AX + b)] [CY + d E (CY + d)] T = E {[AX } + b AE (X) b] [CY + d CE (Y ) d] T { } = E A [X E (X)] [Y E (Y )] T C T = ACov (X, Y ) C T Da questo risultato generale discendono alcuni importanti casi particolari.. X = Y = Cov (Z, K) = AVar (X) C T. Z = K = AX + b = Var (Z) = AVar (X) A T 3. Z = K = X + b = Var (Z) = Var (X) 4. Z = K = AX = Var (Z) = AVar (X) A T 3.3 Funzione caratteristica e funzioni generatrici Vi sono oltre alle funzioni di ripartizione, alle funzioni di probabilità e di densità e ai momenti ancora altri strumenti per lo studio delle distribuzioni.
23 Cap.3: Valori caratteristici di distribuzioni Funzione caratteristica Tra questi vi è la trasformata complessa della funzione di ripartizione denominata funzione caratteristica che permette di calcolare i momenti della distribuzione in un modo più agevole di quello diretto: tramite derivazione piuttosto che tramite integrazione. Definizione 3.7 Data una variabile aleatoria X con funzione di ripartizione F X si dice funzione caratteristica la funzione definita per u dal seguente valore atteso ψ X (u) = E ( e iux) = e iut df X (t) (3.6) Dove nell espressione precedente, che corrisponde alla trasformata di Eulero-Fourier della funzione di ripartizione, il calcolo del valore atteso è basato sull integrale di Stieltjes. Teorema 3.3 La funzione caratteristica esiste sempre finita (l integrale che la definisce non diverge mai) per u Ṙ. Infatti risulta sempre ψ X (u) ψ X (u) = e iut df X (t) e iut dfx (t) = cos ut + i sin ut df X (t) = cos ut + sin ut df X (t) = df X (t) = Se X è discreta con funzione di probabilità p X e insieme di definizione X l espressione (3.6) diventa ψ X (u) = E ( e iux) = t X e iut p X (t) (3.63) mentre se X è continua e dotata di densità f X ψ X (u) = E ( e iux) = e iut f X (t) dt (3.64)
24 8 A. Pollice - Appunti di Probabilità Esempio 3.3 Sia X una variabile aleatoria continua con funzione di densità uniforme nell intervallo (, ) { f X (x) = < x < altrove la sua funzione caratteristica è dunque definita dal seguente integrale ψ X (u) = e iut dt = eiut iu = ( e iu e iu) iu = (cos u + i sin u cos u + i sin u) iu = sin u u Si noti che ad ogni funzione di ripartizione corrisponde una funzione caratteristica e viceversa: le funzioni caratteristiche sono in corrispondenza biunivoca con le funzioni di ripartizione. Dunque la funzione caratteristica è uno strumento alternativo alla funzione di ripartizione per lo studio delle distribuzioni di probabilità. In particolare se si è in presenza di una funzione caratteristica di forma nota la biunivocità della corrispondenza permette di risalire alla distribuzione. Si può dimostrare che se esistono tutti i momenti E ( X h) per h =,,... e se la serie complessa + iue (X) u E ( X ) + + (iu)h ( E X h) + h! converge in un intorno non nullo dello, allora detta serie coincide con lo sviluppo in serie di Taylor della funzione caratteristica e si ha ψ X (u) = + iue (X) u E ( X ) + + (iu)h ( E X h) + (3.65) h! Questa proprietà stabilisce la corrispondenza tra la funzione caratteristica e la serie completa dei momenti della variabile aleatoria che pertanto individua le caratteristiche distributive della stessa. Il teorema seguente permette invece di utilizzare la funzione caratteristica per ricavare i momenti della variabile aleatoria. Teorema 3.4 Se la variabile aleatoria X ammette momenti finiti sino all r-esimo, allora la funzione caratteristica ψ X (u) è derivabile r volte e, per h =,..., r, vale ( E X h) = µ h = i h dh ψ X (u) du h (3.66) u= Infatti per h = dψ X (u) du = d e iut d df X (t) = du du eiut df X (t) = it e iut df X (t) mentre per h = d ψ X (u) du = d it e iut df X (t) = (it) du e iut df X (t)
25 Cap.3: Valori caratteristici di distribuzioni 83 quindi in generale per h =,..., r d h ψ X (u) du h = (it) h e iut df X (t) Si dimostra che l integrale precedente è sempre convergente per qualsiasi intero h < r. Infine ponendo u = si ottiene d h ψ X (u) du h = i h t h df X (t) = i h µ h u= Esempio 3.4 Sia X la variabile aleatoria che indica il numero di lanci una moneta regolare necessari affinché esca testa. La funzione di probabilità di X è dunque data da { ( ) x p X (x) = x =,,... altrove La funzione caratteristica è ψ X (u) = lim n n t= e iut ( ) t = lim n n ( ) e iu t = t= e iu eiu = eiu e iu l espressione precedente è ottenuta come somma infinita della serie geometrica di ragione eiu con e iu <. Il calcolo delle prime due derivate della funzione caratteristica porta a d ψ X (u) du dψ X (u) du = ieiu ( e iu) e iu ( ie iu) ( e iu ) = ieiu ( e iu ) ( = eiu e iu ) ie iu ( e iu) ( ie iu) ( e iu ) 4 = e3iu 8e iu ( e iu ) 4 Quindi per i primi due momenti di X si ottengono i valori E (X) = i dψ X (u) du = u= E ( X ) = i d ψ X (u) du = 6 u= Var (X) = E ( X ) [E (X)] =
26 84 A. Pollice - Appunti di Probabilità Esempio 3.5 Sia X una variabile aleatoria continua la cui funzione di densità, detta distribuzione di Laplace o esponenziale simmetrica di parametro, è data da f X (x) = e x < x < La funzione caratteristica è definita dall integrale ψ X (u) = e iut e t dt = e iut e t dt + e iut e t dt ( = e t(+iu) ( e t( iu) + iu iu = + iu + iu = + u Il calcolo delle prime due derivate della funzione caratteristica porta a dψ X (u) du = u ( + u ) d ψ X (u) du = ( + u ) + 8u ( + u ) 3 Quindi per i primi due momenti di X si ottengono i valori E (X) = i dψ X (u) du = u= E ( X ) = i d ψ X (u) du = u= Var (X) = E ( X ) [E (X)] =
27 Cap.3: Valori caratteristici di distribuzioni 85 Esempio 3.3 (cnt) per quanto già visto si ha dψ X (u) du = u cos u sin u u d ψ X (u) du = u (cos u u sin u cos u) u (u cos u sin u) u 4 = sin u u sin u u cos u u 3 Dall applicazione della regola dell Hôpital per il calcolo del limite della forma indeterminata si ottiene dψ X (u) u cos u sin u lim = lim u du u u = lim u sin u = d ψ X (u) sin u u sin u u cos u lim u du = lim u u 3 = lim u 3 cos u = 3 Quindi per i primi due momenti di X si ottengono i valori E (X) = i dψ X (u) du E ( X ) = i d ψ X (u) du = u= = u= 3 Var (X) = E ( X ) [E (X)] = 3 Teorema 3.5 Per a e b reali si ha ψ ax+b (u) = e iub ψ X (au) (3.67) Infatti per la definizione di funzione caratteristica e per la linearità del valore atteso [ ψ ax+b (u) = E e iu(ax+b)] = e iub E [ e iuax] = e iub ψ X (au) Esempio 3.3 (cnt) Dalla funzione caratteristica della variabile aleatoria X avente densità uniforme su (, ) si può ottenere facilmente quella della variabile aleatoria Y = (X + ) che ha densità uniforme su (, ) ψ Y (u) = ψ X+ (u) = e i u sin u u = e iu iu ( ) e iu e iu = eiu iu Teorema 3.6 Se X e X sono variabili aleatorie stocasticamente indipendenti la funzione caratteristica della somma X + X è data dal prodotto delle funzioni caratteristiche di X e X ψ X +X (u) = ψ X (u) ψ X (u) (3.68)
28 86 A. Pollice - Appunti di Probabilità Infatti per la definizione di funzione caratteristica e per la proprietà del valore atteso del prodotto di funzioni di variabili aleatorie indipendenti si ha [ ] ψ X +X (u) = E e iu(x +X ) = E [ e iux e iux ] = E [ e iux ] E [ e iux ] = ψ X (u) ψ X (u) Esempio 3.6 Le variabili aleatorie X e X siano indipendenti e abbiano entrambe densità uniforme sull intervallo (, ). Allora si ha che quindi Si noti inoltre che ψ X (u) = ψ X (u) = eiu iu ( e iu ) ψ X +X (u) = = ( e iu iu u e iu ) ψ X (u) = E [ e iux ] = ψ X ( u) = e iu iu quindi ψ X X (u) = eiu e iu = ( + e iu iu iu u e iu) L ultima espressione fornisce la funzione caratteristica associata alla densità triangolare. L enunciato e la dimostrazione dell ultimo teorema possono essere facilmente estesi alla somma di k > variabili aleatorie mutuamente stocasticamente indipendenti X,..., X k k ψ X + +X k (u) = ψ X (u) ψ Xk (u) = ψ Xj (u) (3.69) 3.3. Funzione generatrice dei momenti Oltre alla funzione caratteristica vengono utilizzate altre trasformate della funzione di ripartizione. Una di queste è la trasformata di Laplace che dà luogo alla cosiddetta funzione generatrice dei momenti. Definizione 3.8 Si dice funzione generatrice dei momenti della variabile aleatoria X con funzione di ripartizione F X la funzione ϕ X (u) = E ( e ux) = e ut df X (t) (3.7) purché l integrale sia finito in un intorno dell origine. La funzione generatrice dei momenti si distingue dalla funzione caratteristica per la mancanza dell unità immaginaria. Nonostante la semplificazione che si attua passando dal campo complesso al campo reale, l integrale che definisce la trasformata di Laplace pur esistendo sempre può assumere valore infinito (diversamente dall integrale che definisce la funzione caratteristica). j= Esempio 3.3 (cnt) In questo caso la funzione generatrice dei momenti ha la forma seguente ϕ X (u) = e ut dt = eut u = eu e u u
29 Cap.3: Valori caratteristici di distribuzioni 87 Seguono alcune proprietà analoghe a quelle già enunciate per la funzione caratteristica.. Se esistono finiti tutti i momenti della variabile aleatoria X si ha ϕ X (u) = + ue (X) + u E ( X ) + + uh h! E ( X h) + (3.7). 3. ( E X h) = µ h = dh ϕ X (u) du h (3.7) u= ϕ ax+b (u) = e ub ϕ X (au) (3.73) 4. Per variabili aleatorie X,..., X k indipendenti k ϕ X + +X k (u) = ϕ X (u) ϕ Xk (u) = ϕ Xj (u) (3.74) j=
30 88 A. Pollice - Appunti di Probabilità Esempio 3.3 (cnt) per l esempio precedente si ha dϕ X (u) du = [ ( u e u 4u + e u) ( e u e u)] = ueu + ue u e u + e u u d ϕ X (u) du = 4u 4 [ u ( e u + ue u + e u ue u e u e u) 4u ( ue u + ue u e u + e u)] = u e u u e u ue u ue u + e u e u u 3 Dall applicazione della regola dell Hôpital per il calcolo del limite della forma indeterminata E (X) = µ = dϕ X (u) du u= = lim u ue u + ue u e u + e u u = lim u ue u ue u 4u = si ottiene E ( X ) = σ X = d ϕ X (u) du u= = lim u u e u u e u ue u ue u + e u e u u 3 = lim u u e u + u e u 6u = 3 Inoltre dalla funzione generatrice dei momenti della variabile aleatoria X avente densità uniforme su (, ) si può ottenere facilmente quella della variabile aleatoria Y = (X + ) che ha densità uniforme su (, ) ϕ Y (u) = ϕ X+ (u) = ( ) u e u e u e u = eu u Esempio 3.6 (cnt) La funzione generatrice dei momenti di X + X è data da ϕ X +X (u) = u (eu ) u (eu ) = ( e u u ) mentre la funzione generatrice dei momenti della variabile aleatoria X X avente densità triangolare è data da ϕ X X (u) = ϕ X (u) ϕ X ( u) = u (eu ) ( e u ) = ( e u + e u ) u u Funzione generatrice delle probabilità Un altra trasformata della funzione di ripartizione particolarmente utile nel caso di variabili aleatorie discrete è la trasformata di Dirichlet che dà luogo alla cosiddetta funzione generatrice delle probabilità. Definizione 3.9 Sia X una variabile aleatoria che assume solo valori interi non negativi con funzione di probabilità p X e insieme di definizione X = {x : x =,,,...}. Per u si definisce funzione generatrice delle probabilità della variabile aleatoria X il seguente valore atteso γ X (u) = E ( u X) = u t p X (t) (3.75) t=
31 Cap.3: Valori caratteristici di distribuzioni 89 Si noti che per u > la funzione caratteristica calcolata nel punto i log u fornisce la funzione generatrice delle probabilità ( ψ X i log u ) ( ) = E e i(i log u)x = E ( u X) = γ X (u) (3.76) Di conseguenza per la funzione generatrice delle probabilità valgono proprietà analoghe a quelle valide per la funzione caratteristica. Inoltre esiste la relazione seguente tra la funzione di probabilità e la funzione generatice delle probabilità di una variabile aleatoria discreta.. Per una variabile aleatoria X con funzione generatrice delle probabilità γ X si ha p X (x) = d x γ X (u) x! du x x =,,,... (3.77) u= Infatti è evidente che da cui si ricava γ X (u) = p X () + up X () + u p X () + d du γ X (u) = p X () + up X () + 3u p X (3) + d du γ X (u) = p X () + 6up X (3) + u p X (4) + γ X (u) u= = p X () dγ X (u) du = p X () u= d γ X (u) du = p X () u= ed in generale d x γ X (u) du x = x!p X (x) u= Esempio 3.4 (cnt) Nel caso in questione si ha in generale γ X (u) = p X () = p X () = u t t = ( u ) t u = u t= t= = u u d u du u = u + u u= ( u) = u= u u = 4 ( u) 3 u= = u= d du x!p X (x) = dx du x u u u=
SERIE NUMERICHE. prof. Antonio Greco 6-11-2013
SERIE NUMERICHE prof. Antonio Greco 6--203 Indice Motivazioni........... 3 Definizione........... 3 Errore tipico........... 3 Un osservazione utile...... 3 Condizione necessaria...... 4 Serie armonica.........
DettagliFUNZIONI ELEMENTARI - ESERCIZI SVOLTI
FUNZIONI ELEMENTARI - ESERCIZI SVOLTI 1) Determinare il dominio delle seguenti funzioni di variabile reale: (a) f(x) = x 4 (c) f(x) = 4 x x + (b) f(x) = log( x + x) (d) f(x) = 1 4 x 5 x + 6 ) Data la funzione
DettagliVARIABILI 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
DettagliIl 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
DettagliFUNZIONE 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
Dettagliu 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
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
DettagliMatematica 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
DettagliPolitecnico 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.....................
Dettaglia) Osserviamo innanzi tutto che dev essere x > 0. Pertanto il dominio è ]0, + [. b) Poniamo t = log x. Innanzi tutto si ha:
ESERCIZIO - Data la funzione f (x) = (log x) 6 7(log x) 5 + 2(log x) 4, si chiede di: a) calcolare il dominio di f ; ( punto) b) studiare la positività e le intersezioni con gli assi; (3 punti) c) stabilire
Dettagli1 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
DettagliEQUAZIONI DIFFERENZIALI. 1. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x 2 log t (d) x = e t x log x (e) y = y2 5y+6
EQUAZIONI DIFFERENZIALI.. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x log t (d) x = e t x log x (e) y = y 5y+6 (f) y = ty +t t +y (g) y = y (h) xy = y (i) y y y = 0 (j) x = x (k)
DettagliPROBABILITÀ - 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 -
DettagliCAPITOLO 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
DettagliLa 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
DettagliMatematica 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
DettagliCONTINUITÀ 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
Dettagli19. Inclusioni tra spazi L p.
19. Inclusioni tra spazi L p. Nel n. 15.1 abbiamo provato (Teorema 15.1.1) che, se la misura µ è finita, allora tra i corispondenti spazi L p (µ) si hanno le seguenti inclusioni: ( ) p, r ]0, + [ : p
DettagliAppunti 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
DettagliProva di autovalutazione Prof. Roberta Siciliano
Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.
DettagliEsempi di funzione. Scheda Tre
Scheda Tre Funzioni Consideriamo una legge f che associa ad un elemento di un insieme X al più un elemento di un insieme Y; diciamo che f è una funzione, X è l insieme di partenza e X l insieme di arrivo.
DettagliVARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che
VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile
DettagliPer 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.
Dettaglila funzione è definita la funzione non è definita Si osservi, infatti, che la radice di un numero negativo non esiste nel campo dei numeri reali.
1 y 4 CAMPO DI ESISTENZA. Poiché data è una irrazionale con indice di radice pari, il cui radicando è un polinomio, essa risulta definita solo per i valori della per i quali il radicando è positivo, ovvero
DettagliCapitolo 5. Funzioni. Grafici.
Capitolo 5 Funzioni. Grafici. Definizione: Una funzione f di una variabile reale,, è una corrispondenza che associa ad ogni numero reale appartenente ad un insieme D f R un unico numero reale, y R, denotato
Dettagli2 FUNZIONI REALI DI VARIABILE REALE
2 FUNZIONI REALI DI VARIABILE REALE 2.1 CONCETTO DI FUNZIONE Definizione 2.1 Siano A e B due insiemi. Una funzione (o applicazione) f con dominio A a valori in B è una legge che associa ad ogni elemento
DettagliCONCETTO 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
DettagliLimiti e continuità delle funzioni reali a variabile reale
Limiti e continuità delle funzioni reali a variabile reale Roberto Boggiani Versione 4.0 9 dicembre 2003 1 Esempi che inducono al concetto di ite Per introdurre il concetto di ite consideriamo i seguenti
Dettaglia) Il campo di esistenza di f(x) è dato da 2x 0, ovvero x 0. Il grafico di f(x) è quello di una iperbole -1 1
LE FUNZIONI EALI DI VAIABILE EALE Soluzioni di quesiti e problemi estratti dal Corso Base Blu di Matematica volume 5 Q[] Sono date le due funzioni: ) = e g() = - se - se = - Determina il campo di esistenza
Dettagli2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione
Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza
DettagliIl simbolo. è è = = = In simboli: Sia un numero naturale diverso da zero, il radicale. Il radicale. esiste. esiste 0 Il radicale
Radicali 1. Radice n-esima Terminologia Il simbolo è detto radicale. Il numero è detto radicando. Il numero è detto indice del radicale. Il numero è detto coefficiente del radicale. Definizione Sia un
DettagliPer 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
Dettagli1) 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
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
Dettagli1. 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,
DettagliUn po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
DettagliElementi 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
DettagliLezione n. 2 (a cura di Chiara Rossi)
Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,
DettagliConsideriamo due polinomi
Capitolo 3 Il luogo delle radici Consideriamo due polinomi N(z) = (z z 1 )(z z 2 )... (z z m ) D(z) = (z p 1 )(z p 2 )... (z p n ) della variabile complessa z con m < n. Nelle problematiche connesse al
DettagliEsercizi svolti. 1. Si consideri la funzione f(x) = 4 x 2. a) Verificare che la funzione F(x) = x 2 4 x2 + 2 arcsin x è una primitiva di
Esercizi svolti. Si consideri la funzione f() 4. a) Verificare che la funzione F() 4 + arcsin è una primitiva di f() sull intervallo (, ). b) Verificare che la funzione G() 4 + arcsin π è la primitiva
DettagliLE 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
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
Dettagli( 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
DettagliSIMULAZIONE TEST ESAME - 1
SIMULAZIONE TEST ESAME - 1 1. Il dominio della funzione f(x) = log (x2 + 1)(4 x 2 ) (x 2 2x + 1) è: (a) ( 2, 2) (b) ( 2, 1) (1, 2) (c) (, 2) (2, + ) (d) [ 2, 1) (1, 2] (e) R \{1} 2. La funzione f : R R
Dettagli1. 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
DettagliParte 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
DettagliCapitolo 1 ANALISI COMPLESSA
Capitolo 1 ANALISI COMPLESSA 1 1.4 Serie in campo complesso 1.4.1 Serie di potenze Una serie di potenze è una serie del tipo a k (z z 0 ) k. Per le serie di potenze in campo complesso valgono teoremi analoghi
DettagliSlide 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
DettagliBasi 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
DettagliInsiemi di livello e limiti in più variabili
Insiemi di livello e iti in più variabili Insiemi di livello Si consideri una funzione f : A R, con A R n. Un modo per poter studiare il comportamento di una funzione in più variabili potrebbe essere quello
DettagliSerie 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
DettagliI appello - 24 Marzo 2006
Facoltà di Ingegneria - Corso di Laurea in Ing. Energetica e Gestionale A.A.2005/2006 I appello - 24 Marzo 2006 Risolvere gli esercizi motivando tutte le risposte. I.) Studiare la convergenza puntuale,
Dettagli1 Valore atteso o media
1 Valore atteso o media Definizione 1.1. Sia X una v.a., si chiama valore atteso (o media o speranza matematica) il numero, che indicheremo con E[X] o con µ X, definito come E[X] = i x i f(x i ) se X è
DettagliLE 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
DettagliTeoria in sintesi 10. Attività di sportello 1, 24 - Attività di sportello 2, 24 - Verifica conclusiva, 25. Teoria in sintesi 26
Indice L attività di recupero 6 Funzioni Teoria in sintesi 0 Obiettivo Ricerca del dominio e del codominio di funzioni note Obiettivo Ricerca del dominio di funzioni algebriche; scrittura del dominio Obiettivo
DettagliCapitolo 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:
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
DettagliMATEMATICA 2001. p = 4/6 = 2/3; q = 1-2/3 = 1/3. La risposta corretta è quindi la E).
MATEMATICA 2001 66. Quale fra le seguenti affermazioni è sbagliata? A) Tutte le funzioni ammettono la funzione inversa B) Una funzione dispari è simmetrica rispetto all origine C) Una funzione pari è simmetrica
Dettagli10. 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
DettagliFunzione 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
DettagliESERCIZI SVOLTI PER LA PROVA DI STATISTICA
ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI
DettagliLA FUNZIONE INTEGRALE
LA FUNZIONE INTEGRALE MAGLIOCURIOSO & CAMILLO magliocurioso@hotmail.it Sommario. In questa breve dispensa ho semplicementrascritto in L A TEX il contenuto di questa discussione: http://www.matematicamente.it/forum/
DettagliViene 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
DettagliEsercizi su lineare indipendenza e generatori
Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v
DettagliINTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.
INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati
DettagliESAME 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
DettagliRegressione Mario Guarracino Data Mining a.a. 2010/2011
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume
DettagliProposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014
Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 14 Problema 1 Punto a) Osserviamo che g (x) = f(x) e pertanto g () = f() = in quanto Γ è tangente all asse delle ascisse,
DettagliUniversità degli Studi di Catania A.A. 2012-2013. Corso di laurea in Ingegneria Industriale
Università degli Studi di Catania A.A. 2012-2013 Corso di laurea in Ingegneria Industriale Corso di Analisi Matematica I (A-E) (Prof. A.Villani) Elenco delle dimostrazioni che possono essere richieste
DettagliParte 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
DettagliRETTE, PIANI, SFERE, CIRCONFERENZE
RETTE, PIANI, SFERE, CIRCONFERENZE 1. Esercizi Esercizio 1. Dati i punti A(1, 0, 1) e B(, 1, 1) trovare (1) la loro distanza; () il punto medio del segmento AB; (3) la retta AB sia in forma parametrica,
DettagliApplicazioni 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,
Dettagli2. 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
Dettagli1. Richiami di Statistica. Stefano Di Colli
1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche
DettagliAnalisi Mat. 1 - Ing. Inform. - Soluzioni del compito del 23-3-06
Analisi Mat. - Ing. Inform. - Soluzioni del compito del 3-3-6 Sia p il polinomio di quarto grado definito da pz = z 4. Sia S il settore circolare formato dai numeri complessi che hanno modulo minore o
DettagliRICHIAMI SULLE MATRICI. Una matrice di m righe e n colonne è rappresentata come
RICHIAMI SULLE MATRICI Una matrice di m righe e n colonne è rappresentata come A = a 11 a 12... a 1n a 21 a 22... a 2n............ a m1 a m2... a mn dove m ed n sono le dimensioni di A. La matrice A può
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliLE 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
DettagliScheda 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
DettagliCapitolo 25: Lo scambio nel mercato delle assicurazioni
Capitolo 25: Lo scambio nel mercato delle assicurazioni 25.1: Introduzione In questo capitolo la teoria economica discussa nei capitoli 23 e 24 viene applicata all analisi dello scambio del rischio nel
DettagliPROBABILITA, 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
DettagliEsercizio 1 Dato il gioco ({1, 2, 3}, v) con v funzione caratteristica tale che:
Teoria dei Giochi, Trento, 2004/05 c Fioravante Patrone 1 Teoria dei Giochi Corso di laurea specialistica: Decisioni economiche, impresa e responsabilità sociale, A.A. 2004/05 Soluzioni degli esercizi
DettagliFunzioni. 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
DettagliAnno 4 Grafico di funzione
Anno 4 Grafico di funzione Introduzione In questa lezione impareremo a disegnare il grafico di una funzione reale. Per fare ciò è necessario studiare alcune caratteristiche salienti della funzione che
DettagliAlessandro Pellegrini
Esercitazione sulle Rappresentazioni Numeriche Esistono 1 tipi di persone al mondo: quelli che conoscono il codice binario e quelli che non lo conoscono Alessandro Pellegrini Cosa studiare prima Conversione
DettagliGrandezze scalari e vettoriali
Grandezze scalari e vettoriali Esempio vettore spostamento: Esistono due tipi di grandezze fisiche. a) Grandezze scalari specificate da un valore numerico (positivo negativo o nullo) e (nel caso di grandezze
DettagliAPPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI
APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................
DettagliSulla 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
DettagliOttimizazione vincolata
Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l
Dettagli~ 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.
DettagliGEOMETRIA DELLE MASSE
1 DISPENSA N 2 GEOMETRIA DELLE MASSE Si prende in considerazione un sistema piano, ossia giacente nel pian x-y. Un insieme di masse posizionato nel piano X-Y, rappresentato da punti individuati dalle loro
DettagliLuigi Piroddi piroddi@elet.polimi.it
Automazione industriale dispense del corso 10. Reti di Petri: analisi strutturale Luigi Piroddi piroddi@elet.polimi.it Analisi strutturale Un alternativa all analisi esaustiva basata sul grafo di raggiungibilità,
DettagliCapitolo 25: Lo scambio nel mercato delle assicurazioni
Capitolo 25: Lo scambio nel mercato delle assicurazioni 25.1: Introduzione In questo capitolo la teoria economica discussa nei capitoli 23 e 24 viene applicata all analisi dello scambio del rischio nel
DettagliFondamenti e didattica di Matematica Finanziaria
Fondamenti e didattica di Matematica Finanziaria Silvana Stefani Piazza dell Ateneo Nuovo 1-20126 MILANO U6-368 silvana.stefani@unimib.it 1 Unità 9 Contenuti della lezione Operazioni finanziarie, criterio
DettagliSOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag.
SOMMARIO CAPITOLO : I RADICALI. I radicali pag.. I radicali aritmetici pag.. Moltiplicazione e divisione fra radicali aritmetici pag.. Potenza di un radicale aritmetico pag.. Trasporto di un fattore esterno
DettagliEQUAZIONI DIFFERENZIALI Esercizi svolti. y = xy. y(2) = 1.
EQUAZIONI DIFFERENZIALI Esercizi svolti 1. Determinare la soluzione dell equazione differenziale (x 2 + 1)y + y 2 =. y + x tan y = 2. Risolvere il problema di Cauchy y() = 1 2 π. 3. Risolvere il problema
DettagliEnergia e Lavoro. In pratica, si determina la dipendenza dallo spazio invece che dal tempo
Energia e Lavoro Finora abbiamo descritto il moto dei corpi (puntiformi) usando le leggi di Newton, tramite le forze; abbiamo scritto l equazione del moto, determinato spostamento e velocità in funzione
DettagliLa 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
DettagliCalcolo differenziale Test di autovalutazione
Test di autovalutazione 1. Sia f : R R iniettiva, derivabile e tale che f(1) = 3, f (1) = 2, f (3) = 5. Allora (a) (f 1 ) (3) = 1 5 (b) (f 1 ) (3) = 1 2 (c) (f 1 ) (1) = 1 2 (d) (f 1 ) (1) = 1 3 2. Sia
DettagliEsercizi di Ricerca Operativa II
Esercizi di Ricerca Operativa II Raffaele Pesenti January 12, 06 Domande su utilità 1. Determinare quale è l utilità che un giocatore di roulette assegna a 100,00 Euro, nel momento che gioca tale cifra
Dettagli