Capitolo 6 Teoremi limite classici

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Capitolo 6 Teoremi limite classici"

Transcript

1 Capitolo 6 Teoremi limite classici Abstract I Teoremi limite classici, la legge dei gradi umeri e il teorema limite cetrale, costituiscoo il ucleo del Calcolo delle Probabilità, per la loro portata sia teorica che applicativa. La legge dei gradi umeri è, tra l altro, alla base della molti algoritmi che utilizzao metodi probabilistici (metodi di Mote Carlo). Il teorema limite cetrale giustifica il ruolo cetrale che le variabili casuali Gaussiae hao ella modellistica e ella statistica. Ioltre cosete di effettuare umerosi calcoli approssimati di probabilità di iteresse applicativo (approssimazioe ormale). 6.1 La legge dei gradi umeri Sia data ua successioe (X ) 1 di variabili casuali scalari defiite ello stesso spazio di probabilità (Ω,A,P). Per avere più chiaro il seso di ciò che segue, si può immagiare che le X rappresetio misurazioi successive di ua gradezza, ad esempio ua gradezza fisica, la cui aleatorietà è dovuta all imprecisioe degli strumeti di misura. Se si effettuao misure successive, è assai aturale cosiderare la media aritmetica dei risultati otteuti, cioè X = 1 Nel liguaggio del calcolo delle probabilità, X è detta media campioaria. Ua parte cosiderevole dei teoremi limite del calcolo delle probabilità riguarda il comportameto asitotico, per +, della media campioaria. Defiizioe 6.1. Si assuma che le X ammettao tutte la stessa media µ (0, ). Diremo che la successioe (X ) soddisfa alla legge debole dei gradi umeri se per ogi ε > 0 lim P( X µ > ε) =0. (6.1) + i=1 X i. 139

2 140 6 Teoremi limite classici I altre parole, la legge dei gradi umeri afferma che per la media campioaria X coverge (el seso descritto da (6.1)) verso media probabilistica, foredo così ua giustificazioe a posteriori della ozioe di valor medio. Resta aturalmete da stabilire sotto quali codizioi sulla successioe (X ) sia valida la legge dei gradi umeri. L ipotesi più comuemete assuta è quella i cui le variabili X soo tra loro idipedeti e che abbiao tutte la stessa distribuzioe. Diremo, i tal caso, che le variabili X soo idipedeti e ideticamete distribuite (i.i.d.) o, più semplicemete, che (X ) è ua successioe i.i.d.. Facedo l ipotesi aggiutiva che le variabili X ammettao mometo secodo, è facile dare ua dimostrazioe elemetare della legge dei gradi umeri. Proposizioe 6.1. Sia (X ) ua successioe di variabili i.i.d. che ammettoo mometo secodo. Allora la successioe (X ) soddisfa alla legge debole dei gradi umeri. Dimostrazioe. Poiamo µ = E(X ),e 2 = Var(X ). Dalla liearità del valor medio si vede che E(X )=µ. (6.2) Ioltre, usado il Corollario 3.3 si ha Var(X )= 2. (6.3) Ma allora, applicado a X la Disuguagliaza di Chebischev, si ha da cui la tesi segue immediatamete. P X µ ε 2 ε 2, (6.4) Osservazioe 6.1. Nella Proposizioe 6.1, l ipotesi che le variabili siao i.i.d. può essere otevolmete idebolita. Ifatti è sufficiete assumere che le variabili X abbiao tutte la stessa media e la stessa variaza, cioè E(X )=µ e Var(X )= 2 per ogi N, e che siao scorrelate a due a due, cioè Cov(X i,x j )=0 per i = j, e le relazioi (6.2) e (6.3) cotiuao a valere (si veda il Corollario 3.3). Di cosegueza ache la relazioe (6.4) resta valida e si ottiee la legge debole dei gradi umeri sotto queste ipotesi più geerali. Usado ua tecica più sofisticata, è possibile dimostrare la legge debole dei gradi umeri per successioi i.i.d., seza assumere l esisteza del mometo secodo. Riportiamo di seguito l euciato (la dimostrazioe è qui omessa). Teorema 6.1. Sia (X ) ua successioe di variabili i.i.d. che ammettoo valor medio. Allora la successioe (X ) soddisfa alla legge debole dei gradi umeri. Esempio 6.1. Per avere u idea della portata applicativa della legge dei gradi umeri, cosideriamo il seguete problema. Sia f ua fuzioe di R i R Riema itegrabile ell itervallo [a, b]. Le fuzioi il cui itegrale è calcolabile esattamete

3 6.1 La legge dei gradi umeri 141 co metodi aalitici soo, i realtà, abbastaza poche, e perciò soo importati metodi umerici per il calcolo approssimato di tale itegrale. I metodi più comui cosistoo el discretizzare l itervallo [a,b], e, ad esempio, approssimare b a f (x)dx co la somma di Riema N 1 N f a + in (b a), i=1 dove 1/N è il passo della discretizzazioe. Tale approssimazioe igeua, basata direttamete sulla defiizioe di itegrale di Riema, può essere migliorata, i particolare quado siao ote ulteriori iformazioi su f come, ad esempio, la sua derivata. Per ua f sufficietemete buoa è possibile, ua volta fissato il massimo errore di approssimazioe tollerabile, determiare esattamete quato grade dev essere N per garatire di o superare tale soglia di errore. Gli algoritmi stocastici, ossia quelli che utilizzao geerazioe di umeri casuali, soo basati su u pricipio diverso. Vegoo fissati due umeri: la soglia di errore e la massima probabilità tollerabile di commettere u errore maggiore della soglia data. I altre parole, o si pretede la certezza di commettere u errore piccolo, ma soltato che sia estremamete improbabile commettere u errore maggiore della soglia fissata. Torado ai dettagli del problema i esame, siao X 1,...,X N U(a,b) idipedeti, I altre parole, X 1,...,X N soo N umeri casuali geerati co distribuzioe uiforme i [a,b]. Si oti che, per ogi i, E[ f (X i )] = 1 b f (x)dx. b a a La legge dei gradi umeri applicata alle variabili casuali f (X 1 ),..., f (X N ), ci dice che N lim P 1 N + N f (X i ) 1 b f (x)dx i=1 b a a > ε = 0, dove ε > 0. Duque, se N è sufficietemete grade, la quatità aleatoria N 1 N i=1 f (X i) è ua buoa approssimazioe dell itegrale ormalizzato b a 1 b a f (x)dx co probabilità elevata. Si può dire di più. Sia ε la soglia di errore el calcolo di b 1 b a a f (x)dx, e δ > 0 la probabilità co cui si accetta di compiere u errore maggiore di ε. Vogliamo determiare quati umeri casuali dobbiamo geerare affichè N 1 P N f (X i ) 1 b f (x)dx i=1 b a a > ε δ. (6.5) Dalla dimostrazioe della Proposizioe 6.1, sappiamo che la probabilità i (6.5) è miore o uguale a Var[ f (X 1)]. Suppoiamo sia ota ua costate M > 0 tale che ε 2 N f (x) M per ogi x [a,b]. Allora

4 142 6 Teoremi limite classici Var[ f (X 1 )] E[ f 2 (X 1 )] M 2. Ne segue che la disuguagliaza (6.5) vale se M 2 ε 2 N δ M2 N δε 2. (6.6) Duque, se geeriamo almeo M2 umeri casuali, sappiamo che co probabilità maggiore o uguale a 1 δ la quatità δε 2 N 1 N i=1 f (X i) dista o più di ε da 1 b b a a f (x)dx. Questo metodo per il calcolo approssimato di itegrali defiiti ha il vataggio di essere molto facile da implemetare, i quato richiede solo u geeratore di umeri casuali co distribuzioe uiforme. Tuttavia, bechè le disuguagliaze i (6.6) possao essere migliorate, per otteere ua precisioe accettabile è ecessario geerare molti umeri casuali, il che rede questo metodo meo efficiete degli algoritmi determiistici. Questo discorso cambia radicalmete quado si tratta di calcolare itegrali di fuzioi di molte variabili. I tal caso esistoo variati multidimesioali dell algoritmo appea descritto, che risultao, i dimesioe elevata, assai più efficieti degli algoritmi determiistici Il teorema di approssimazioe di Weierstrass Tra le cosegueze più iteressati della legge dei gradi umeri (o, più semplicemete, della disuguagliaza di Chebischev) è la seguete dimostrazioe costruttiva del teorema di approssimazioe di Weierstrass. I ciò che segue, per f C ([0,1]), cosideriamo la seguete successioe di poliomi, detti i Poliomi di Berstei di f : p (x)= k=0 f k k x k (1 x) k. Teorema 6.2. Se f C ([0, 1]), la successioe dei Poliomi di Berstei di f coverge uiformemete a f, cioè lim sup f (x) p (x) = 0. + x [0,1] Dimostrazioe. Ricordiamo che ua fuzioe cotiua su u itervallo chiuso e limitato di R è limitata e uiformemete cotiua, cioè M := sup x [0,1] f (x) < +, e per ogi ε > 0 esiste δ > 0 tale che y x < δ f (y) f (x) < ε. Fissiamo duque ε > 0, e sia δ tale che y x < δ f (y) f (x) < ε/2. Siao ioltre, per x [0,1], X 1,X 2,...,X Be(x) idipedeti. Sia ioltre A,ε := { X x ε}.

5 6.2 Il teorema limite cetrale: euciato e metodo dell approssimazioe ormale 143 Per lo stesso argometo usato ella dimostrazioe della legge dei gradi umeri P(A,ε ) x(1 x) ε 2 1 4ε 2, (6.7) dove si è usato il fatto che la fuzioe x x(1 x) ha massimo i x = 1/2. A questo puto, osservado che p (x)=e f (X ), e usado (6.7), si ha f (x) p (x) = f (x) E f (X ) = E f (x) f (X ) E f (x) f (X ) = E 1 A,ε f (x) f (X ) + E 1 A c,ε f (x) f (X ) 2MP(A,ε )+ ε 2 P A c M,ε 2ε 2 + ε 2 < ε se 0, per u opportuo 0. Poichè quest ultima stima è idipedete da x, la coclusioe segue facilmete. 6.2 Il teorema limite cetrale: euciato e metodo dell approssimazioe ormale La dimostrazioe del Teorema 6.1, come abbiamo visto, è basata sul fatto che X ha variaza che tede a 0 per +. Se la differeza X µ, dove µ = E(X i ), viee amplificata di ua quatità proporzioale a, si ottiee ua uova successioe di variabili casuali, Y = [X µ], (6.8) che hao media zero e variaza uguale a 2 = Var(X i ) (verificarlo!). Il teorema limite cetrale forisce la distribuzioe di Y el limite per +. Prima di euciare il teorema, osserviamo che le variabili casuali Gaussiae hao u comportameto peculiare rispetto l espressioe (6.8). Ifatti, applicado ricorsivamete la Proposizioe 5.4, si ha che se X 1,X 2,...,X N(µ, 2 ) idipedeti, allora X 1 + X X N(µ, 2 ), e quidi Y = [X µ] N(0, 2 ). Duque, se le X i hao distribuzioe Gaussiaa, Y ha ach essa distribuzioe Gaussiaa, e tale distribuzioe è idipedete da. Il teorema limite cetrale afferma che, ache se le X i o hao distribuzioe Gaussiaa, la distribuzioe di Y è vicia, i u seso opportuo, ad ua Gaussiaa. Seguedo la tradizioe più diffusa, euciamo il teorema limite cetrale usado la successioe ormalizzata (co variaza 1) Z = 1 Y, azichè Y.

6 144 6 Teoremi limite classici Teorema 6.3. (teorema limite cetrale). Sia (X ) ua successioe i.i.d. di variabili casuali che ammettoo mometo secodo e co variaza o ulla. Posto µ = E(X ), 2 = Var(X ) e Z X µ, allora per ogi x R dove Z N(0,1). lim P(Z x)=p(z x), + Il Teorema 6.3, la cui dimostrazioe verrà data el paragrafo successivo, può essere usato per effettuare calcoli approssimati di probabilità legate alla media campioaria. Lo schema, che chiameremo di approssimazioe ormale, è quello descritto ell esempio seguete. Esempio 6.2. Si lacia volte u dado equilibrato. (a) Se = 1000, qual è la probabilità che il puteggio totale sia miore o uguale di 3400? (b) Quato grade deve essere affichè co probabilità maggiore o uguale a 0.99 il puteggio totale sia almeo 3.3? (c) Quato grade deve essere affichè co probabilità maggiore o uguale a 0.99 il puteggio totale sia almeo 500? La strategia che si segue è la seguete, i tutti e tre i casi. Sia X i il puteggio otteuto all i-esimo lacio. Si esprime la probabilità i esame i termii di Z X µ. Successivamete, assumedo sufficietemete grade, si sostituisce a Z il limite Z, otteedo u valore approssimato, ma esplicitamete calcolabile. (a) Vogliamo calcolare o, equivaletemete, P(X X ) P X (6.9) Si oti azitutto che le variabili casuali X i assumoo i valori 1,2,3,4,5,6 oguo co probabilità1/6. Da ciò si trova facilmete che e E(X i )=µ = 3.5 Var(X i )= La probabilità i (6.9) si può riscrivere ella forma, co = 1000,

7 6.2 Il teorema limite cetrale: euciato e metodo dell approssimazioe ormale 145 P Z 3.4 µ P(Z 1.85). Se è sufficietemete grade, la probabilità precedete è approssimativamete uguale a P(Z 1.85)=Φ( 1.85), dove co Φ deotiamo la fuzioe di ripartizioe di ua ormale stadard. I valori di Φ si possoo trovale i apposite tavole, che tipicamete foriscoo i valori di Φ(x) per x > 0. I rimaeti valori di Φ si ottegoo osservado che, essedo la desità di Z ua fuzioe pari, Cocludiamo allora che Φ( x)=p(z x)=p(z x)=1 Φ(x). P(X X ) 1 Φ(1.85) (b) Procediamo come sopra, ma lasciado icogito il valore di. Vogliamo che sia P(X X 3.3) 0.99 o, equivaletemete, 0.99 P(X 3.3)=P Z 3.3 µ P Z P Z = Φ(0.117 ). I altre parole vogliamo trovare per quali valori di Dalle tavole per Φ si vede che Φ(0.117 ) (6.10) Φ 1 (0.99) Essedo Φ strettamete crescete, (6.10) è equivalete a , (c) Vogliamo che sia P(X X 500) 0.99 P Z 500 µ Come prima, approssimiamo la precedete probabilità co quella corrispodete rimpiazzado Z co Z, otteedo

8 146 6 Teoremi limite classici 500 Φ µ 0.99, che equivale a che riscriviamo ella forma 500 µ 2.326, Risolvedo la precedete come disequazioe di secodo grado i, si trova Naturalmete, i risultati otteuti ell esempio precedete si possoo cosiderare affidabili se effettivamete Z è molto vicio al suo limite Z. Esistoo risultati che foriscoo stime esplicite per l errore i tale approssimazioe. Ci basta qui rimarcare che se la distribuzioe di X i o è troppo asimmetrica rispetto alla media, le probabilità del tipo P(Z I), co I itervallo di R, soo i termii pratici idistiguibili da P(Z I) quado è dell ordie di alcue decie. Nella gra parte dei casi 30 è sufficiete ad avere u ottima approssimazioe. Duque, se ell Esempio 6.2, co riferimeto ai quesiti b. e c., avessimo otteuto dei valori di miori di 30, tali valori si sarebbero dovuti scartare, i quato per essi il procedimeto di approssimazioe usato o è affidabile. Ua stima più precisa di quato dev essere grade per poter usare l approssimazioe ormale è ota el caso i cui le variabili casuali X i Be(p). I tal caso l approssimazioe è buoa se p 5. Se p = 1/2, per cui la distribuzioe di X i è esattamete simmetrica rispetto alla media, è sufficiete che sia 10. Nel caso di p molto vicio a 0 o a 1, per cui la distribuzioe è altamete asimmetrica, soo ecessari valori più gradi di. Ad esempio, per p = 0.01, occorre avere 500! Osservazioe 6.2. Nelle parti a. e c. dell esempio 6.2 abbiamo visto istaze del seguete problema: date variabili casuali i.i.d. a valori iteri X 1,X 2,...,X e m N calcolare, usado l approssimazioe ormale, P(X X m). (6.11) Posto µ = E(X i ) e 2 = Var(X i ), la probabilità i (6.11) è uguale a m µ Φ. (6.12) Tuttavia, usado il fatto che le X i soo a valori iteri, la probabilità i (6.11) è uguale a P(X X < m + 1)

9 6.3 Teorema limite cetrale: dimostrazioe 147 che, usado di uovo l approssimazioe ormale e la cotiuità di Φ, è approssimativamete uguale a m+1 µ Φ. (6.13) Nell esempio 6.2 la differeza tra (6.11) e (6.13) è pressoché irrilevate, ma o è sempre così. Suppoiamo, ad esempio, = 25, X i = Be(1/2) e m = 15. I questo caso µ = 1/2, = 1/2. Pertato m µ Φ = Φ(1) 0.841, metre Φ m+1 µ = Φ(1.4) La differeza è cosiderevole! Per avere comuque ua buoa approssimazioe è opportuo usare la cosidetta correzioe di cotiuità, che cosiste el rimpiazzare m i (6.11) co m Tale mediazioe tra (6.11) e (6.13), el caso delle distribuzioi usuali (Biomiale, Geometrica, Poisso, che hao u adameto sufficietemete regolare) migliora talvolta cosiderevolmete la precisioe ell approssimazioe. Nell esempio appea cosiderato m+1/2 µ Φ = Φ(1.2) Il valore esatto della probabilità stimata è k= , k da cui si vede l estrema accuratezza dell approssimazioe. 6.3 Teorema limite cetrale: dimostrazioe La dimostrazioe del Teorema 6.3 verrà divisa i più passi. Ioltre, dimostreremo prima il teorema sotto l ipotesi aggiutiva che le variabili casuali X i ammettao mometo terzo. Il caso geerale ecessita di u po più di attezioe, e verrà trattato alla fie di questo paragrafo. Iiziamo co alcui lemmi ausiliari. Lemma 6.1. Deotiamo co Cb 3 l isieme delle fuzioi di R i R le cui prime tre derivate esistoo cotiue e limitate. Sia (Z ) 1 ua successioe di variabili casuali, e Z ua variabile casuale la cui fuzioe di ripartizioe F Z è cotiua. Suppoiamo che per ogi g Cb 3 si abbia che

10 148 6 Teoremi limite classici lim E[g(Z )] = E[g(Z)]. + Allora per ogi x R lim F Z + (x)=f Z (x). 1 g k g k 0 x 1 k x x+ 1 k Figura 6.1 Ua rappresetazioe grafica delle fuzioi g k e g k, che approssimao dall alto e dal basso la fuzioe idicatrice 1 (,x] ( ). Dimostrazioe. Sia x R, ek 1. Deotiamo co g k e g k due elemeti di C 3 b tali che per ogi z R 1 (,x 1 k ] (z) g k(z) 1 (,x] (z) g k (z) 1 (,x+ 1 k ] (z). (vedi Figura 6.1). Ne segue che, per ogi variabile casuale W F W x 1 = E 1 k (,x 1k ] (W) E[ g k (W)] E 1 (,x] (W) = F W (x) E[g k (W)] E 1 (,x+ 1k ] (W) = F W x + 1 k Usado le disuguagliaze i (6.14) e l ipotesi, abbiamo lim supf Z (x) lim E[g k(z )] = E[g(Z )] F Z x k e lim if F Z + (x) lim E[ g k(z )] = E[ g(z )] F Z x 1. + k. (6.14)

11 6.3 Teorema limite cetrale: dimostrazioe 149 Pertato F Z x 1 limif k + F Z (x) limsup + F Z (x) F Z x + 1. k Prededo il limite per k + elle disuguagliaze precedeti e usado il fatto che, essedo F Z cotiua, lim F Z x 1 = lim k + k F Z x = 1 = F Z (x), k + k troviamo e si coclude. lim if F Z + (x)=limsupf Z (x)=f Z (x), + Lemma 6.2. Siao V,Y, Z tre variabili casuali idipedeti tali che Y, Z ammettoo mometo terzo, E(Y )=E(Z), E(Y 2 )=E(Z 2 ). Sia g Cb 3 ec= sup x R g(3) (x). Allora E[g(V +Y )] E[g(V + Z)] C E( Y 3 )+E( Z 3 ). 6 Dimostrazioe. La formula di Taylor per fuzioi di classe C 3 co resto itegrale ci dà, per ogi x,h R g(x + h)=g(x)+g (x)h g (x)h 2 + R 2 (x,h), dove I particolare R 2 (x,h)= 1 2 x+h x (x + h t) 2 g (3) (t)dt. R 2 (x,h) C 6 h 3. (6.15) Si ricava facilmete che g(x + h) g(x + k)=g (x)[h k]+ 1 2 g (x)[h 2 k 2 ]+R 2 (x,h) R 2 (x,k). (6.16) A questo puto poiamo, i (6.15), x = V,h = Y,k = Z e prediamo la media: E[g(V +Y )] E[g(V +Z)] = E[g (V )(Y Z)]+ 1 2 E[g (V )(Y 2 Z 2 )]+E[R 2 (V,Y ) R 2 (V,Z)]. Ma, essedo V,Y,Z idipedeti e E(Y )=E(Z), E(Y 2 )=E(Z 2 ), abbiamo E[g (V )(Y Z)] = E[g (V )]E[(Y Z)] = 0 E[g (V )(Y 2 Z 2 )] = E[g (V )]E[(Y 2 Z 2 )] = 0. Ne segue, ache usado (6.15),

12 150 6 Teoremi limite classici E[g(V +Y )] E[g(V + Z)] = E[R 2 (V,Y ) R 2 (V,Z)] E[ R 2 (V,Y ) ]+E[ R 2 (V,Z) ] C E( Y 3 )+E( Z 3 ), 6 che completa la dimostrazioe. La seguete proposizioe rappreseta il cuore della dimostrazioe del Teorema 6.3. Proposizioe 6.2. Siao Y 1,Y 2,...,Y variabili casuali i.i.d., che ammettoo mometo terzo, e tali che E(Y 1 )=0, E(Y1 2)=1. Siao ioltre W 1,W 2,...,W variabili casuale co le medesime proprietà, cioè soo i.i.d., E(W 1 )=0, E(W1 2 )=1. Sia ioltre g Cb 3 ec:= sup x R g(3) (x). Allora g E Y1 + +Y W1 + +W E g C E( Y 1 3 )+E( W 1 3 ). 6 Dimostrazioe. Sia Y :=(Y 1,Y 2,...,Y ) e W :=(W 1,W 2,...,W ). Il risultato da dimostrare dipede solo dalle distribuzioi margiali di Y e W, ma o dalla distribuzioe cogiuta di Y e W. No è perciò restrittivo assumere che Y e W siao idipedeti, cioè le variabili casuali Y 1,Y 2,...,Y,W 1,W 2,...,W soo tutte idipedeti tra loro. L idea chiave cosiste ello scrivere la seguete somma telescopica: Y1 + +Y E g E g = = 1 k=0 1 k=0 dove abbiamo posto Per il Lemma 6.2 g E Pertato E g W1 + +W Y1 + +Y k +Y k+1 +W k+2 + +W Y1 + +Y k +W k+1 +W k+2 + +W E g. E g V k + Y k+1 E g V k + W k+1, V k + Y k+1 E V k := Y 1 + +Y k +W k+2 + +W. g V k + W k+1 C 6 E( Y 1 3 )+E( W 1 3 ).

13 6.3 Teorema limite cetrale: dimostrazioe 151 g E Y1 + +Y W1 + +W E g 1 g E V k + Y k+1 E g V k + W k+1 k=0 C 6 che è quato volevamo dimostrare. lim + E( Y 1 3 )+E( W 1 3 ) = C 6 E( Y 1 3 )+E( W 1 3 ), Dalla proposizioe precedete segue il fatto, assolutamete o baale e o ituitivo, che Y1 + +Y W1 + +W E g E g = 0 (6.17) idipedetemete dalle distribuzioi delle Y i e delle W i. Dimostrazioe (Dimostrazioe del Teorema 6.3 co l ipotesi aggiutiva E( X 1 3 ) < + ). Usado le otazioi ell euciato del Teorema 6.3, poiamo Y i := X i µ. Sia ioltre (W ) ua successioe di variabili casuali i.i.d. co distribuzioe N(0,1). Per quato visto ella Proposizioe 5.4, W 1 + +W N(0,1). Quidi, se Z N(0,1) e g C 3 b, W1 + +W E g = E[g(Z)] ed è quidi idipedete da. Quidi possiamo applicare (6.17) e otteiamo lim E Y1 + +Y g = E[g(Z)]. + A questo puto, per completare la dimostrazioe e dimostrare la covergeza delle fuzioi di ripartizioe, basta applicare il Lemma 6.1. Nella parte restate di questo paragrafo vedremo come modificare la precedete dimostrazioe al fie di dimostrare il Teorema 6.3 seza l ipotesi aggiutiva E( X 1 3 ) < +. La modifica fodametale è costituita da ua versioe più raffiata del Lemma 6.2

14 152 6 Teoremi limite classici Lemma 6.3. Siao V,Y,Z tre variabili casuali idipedeti tali che Z ammette mometo terzo, E(Y )=E(Z), E(Y 2 )=E(Z 2 ). Sia g Cb 3 ec 3 = sup x R g (3) (x), C 2 := sup x R g (x). Allora, per ogi ε > 0 E[g(V +Y )] E[g(V + Z)] C 3 2 E Y 3 1 { Y ε} + C 2 2 E Y 2 1 { Y >ε} + C 3 6 E Z 3 Dimostrazioe. La formula di Taylor arrestata al primo ordie ci dà x+h g(x + h)=g(x)+g (x)h + (x + h t)g (t)dt x = g(x)+g (x)h g (x)h 2 + x+h x (x + h t)[g (t) g (x)]dt = g(x)+g (x)h g (x)h 2 + R 2 (x,h), dove x+h R 2 (x,h) := (x + h t)[g (t) g (x)]dt, x e dove abbiamo usato il fatto che x+h x (x + h t)dt = h2 2. Per stimare R 2 (x,h) osserviamo azitutto che x+h R 2 (x,h) sup g (t) g (x) (x + h t)dt = h2 t [x,x+h] x 2 sup t [x,x+h] g (t) g (x). Ora, usiamo due diverse stime della differeza g (t) g (x). per t [x,x + h]. I modo baale g (t) g (x) 2C 2 (6.18) Ioltre, per il teorema del valor medio g (t) g (x) C 3 t x C 3 h. (6.19) Ora, usiamo (6.18) se h > ε e (6.19) se h ε. Otteiamo R 2 (x,h) C 2 h 2 1 [ ε,ε] c(h)+ C 3 2 h 3 1 [ ε,ε] (h). (6.20) Applicado (6.16) esattamete come el Lemma 6.2, ma usado il resto R 2 per g(v +Y ) e R 2 per g(v + Z), otteiamo: E[g(V +Y )] E[g(V +Z)] = E[g (V )(Y Z)]+ 1 2 E[g (V )(Y 2 Z 2 )]+E[ R 2 (V,Y ) R 2 (V,Z)].

15 6.3 Teorema limite cetrale: dimostrazioe 153 Come el Lemma 6.2, essedo V,Y,Z idipedeti e E(Y )=E(Z), E(Y 2 )=E(Z 2 ), abbiamo E[g (V )(Y Z)] = E[g (V )]E[(Y Z)] = 0 E[g (V )(Y 2 Z 2 )] = E[g (V )]E[(Y 2 Z 2 )] = 0. Pertato, E[g(V +Y )] E[g(V + Z)] = E[ R 2 (V,Y ) R 2 (V,Z)] E[ R 2 (V,Y ) ]+E[ R 2 (V,Z) ] che completa la dimostrazioe. C 2 E Y 2 1 [ ε,ε] c(y ) + C 3 2 E Y 3 1 [ ε,ε] (Y ) + C 6 E( Z 3 ) Prima di completare la dimostrazioe del Teorema 6.3 dimostriamo il seguete Lemma. Lemma 6.4. Sia (Ω,A,P) uo spazio di probabilità, e X L 1 (Ω,A,P). Allora lim E X 1 [ a,a] c(x) = 0. a + Dimostrazioe. Dimostriamo la tesi solo el caso i cui (Ω,A,P) =(Ω,P) è uo spazio di probabilità discreto. Il caso geerale richiede argometi u po più avazati, o trattati i questo corso. Usado la defiizioe di somma ifiita E[ X ]= X(ω) P({ω})= ω Ω sup A Ω: A <+ ω A X(ω) P({ω}). Pertato, per ogi ε > 0, esiste u sottoisieme fiito A ε di Ω tale che ω A ε X(ω) P({ω}) E[ X ] ε. Sia a ε := max{ X(ω) : ω A ε }, che ovviamete è fiito poichè A ε è u isieme fiito. Abbiamo X(ω) P({ω}) X(ω) P({ω}) E[ X ] ε, ω: X(ω) a ε ω A ε quidi E X 1 [ aε,a ε ] c(x) = E[ X ] X(ω) P({ω}) ε. ω: X(ω) a ε Da questo la tesi del Lemma segue immediatamete. Dimostrazioe (Dimostrazioe del Teorema 6.3). Seguiamo l argometo e le otazioi usate ella Proposizioe 6.2. Poiamo Y i := X i µ, W 1,W 2,...,W N(0,1)

16 154 6 Teoremi limite classici idipedeti. Allora, come ella dimostrazioe della Proposizioe 6.2, per g C 3 b si ha Y1 + +Y E g E g = 1 k=0 E g W1 + +W Y1 + +Y k +Y k+1 +W k+2 + +W Y1 + +Y k +W k+1 +W k+2 + +W E g. co = 1 k=0 E g V k + Y k+1 E g V k + W k+1, V k := Y 1 + +Y k +W k+2 + +W. Per il Lemma 6.3 g E V k + Y k+1 E g V k + W k+1 C 2 1 E Y1 2 1 [ ε, ε] c(y 1 ) + C 3 2 E Y [ ε, ε] (Y ) + C 6 E( W 1 3 ). Perciò g E C 2 E Y1 + +Y E g Y1 2 1 [ ε, ε] c(y 1 ) + C 3 lim + C 2 E W1 + +W 2 E Y [ ε, ε] (Y 1 ) Y [ ε, ε] c(y 1 ) + C 6 E( W 1 3 ) + C 3 2 ε + C 6 E( W 1 3 ), dove abbiamo usato il fatto che Y [ ε, ε] (Y 1 ) ε Y 1 2. Madado + e usado l arbitrarietà di ε, cocludiamo che Y1 + +Y W1 + +W E g E g = 0. Da qui i poi la dimostrazioe è idetica a quella vista i precedeza co l ipotesi aggiutiva.

SUCCESSIONI NUMERICHE

SUCCESSIONI NUMERICHE SUCCESSIONI NUMERICHE LORENZO BRASCO. Teoremi di Cesaro Teorema di Stolz-Cesaro. Siao {a } N e {b } N due successioi umeriche, co {b } N strettamete positiva, strettamete crescete e ilitata. Se esiste

Dettagli

SUCCESSIONI NUMERICHE

SUCCESSIONI NUMERICHE SUCCESSIONI NUMERICHE Ua fuzioe reale di ua variabile reale f di domiio A è ua legge che ad ogi x A associa u umero reale che deotiamo co f(x). Se A = N, la f è detta successioe di umeri reali. Se co si

Dettagli

Analisi statistica dell Output

Analisi statistica dell Output Aalisi statistica dell Output IL Simulatore è u adeguata rappresetazioe della Realtà! E adesso? Come va iterpretato l Output? Quado le Osservazioi soo sigificative? Quati Ru del Simulatore è corretto effettuare?

Dettagli

SUCCESSIONI e LIMITI DI SUCCESSIONI. c Paola Gervasio - Analisi Matematica 1 - A.A. 15/16 Successioni cap3b.pdf 1

SUCCESSIONI e LIMITI DI SUCCESSIONI. c Paola Gervasio - Analisi Matematica 1 - A.A. 15/16 Successioni cap3b.pdf 1 SUCCESSIONI e LIMITI DI SUCCESSIONI c Paola Gervasio - Aalisi Matematica 1 - A.A. 15/16 Successioi cap3b.pdf 1 Successioi Def. Ua successioe è ua fuzioe reale (Y = R) a variabile aturale, ovvero X = N:

Dettagli

SERIE NUMERICHE Con l introduzione delle serie vogliamo estendere l operazione algebrica di somma ad un numero infinito di addendi.

SERIE NUMERICHE Con l introduzione delle serie vogliamo estendere l operazione algebrica di somma ad un numero infinito di addendi. Serie SERIE NUMERICHE Co l itroduzioe delle serie vogliamo estedere l operazioe algebrica di somma ad u umero ifiito di addedi. Def. Data la successioe {a }, defiiamo la successioe {s } poedo s = a k.

Dettagli

SUCCESSIONI E SERIE NUMERICHE

SUCCESSIONI E SERIE NUMERICHE SUCCESSIONI E SERIE NUMERICHE. Successioi umeriche a. Defiizioi: successioi aritmetiche e geometriche Cosideriamo ua sequeza di umeri quale ad esempio:,5,8,,4,7,... Tale sequeza è costituita mediate ua

Dettagli

CONCETTI BASE DI STATISTICA

CONCETTI BASE DI STATISTICA CONCETTI BASE DI STATISTICA DEFINIZIONI Probabilità U umero reale compreso tra 0 e, associato a u eveto casuale. Esso può essere correlato co la frequeza relativa o col grado di credibilità co cui u eveto

Dettagli

Teoremi limite classici

Teoremi limite classici Capitolo 5 Teoremi limite classici I Teoremi limite classici, la legge dei gradi umeri e il teorema limite cetrale, costituiscoo il ucleo del Calcolo delle Probabilità, per la loro portata sia teorica

Dettagli

LA VERIFICA DELLE IPOTESI SUI PARAMETRI

LA VERIFICA DELLE IPOTESI SUI PARAMETRI LA VERIFICA DELLE IPOTESI SUI PARAMETRI E u problema di ifereza per molti aspetti collegato a quello della stima. Rispode ad u esigeza di carattere pratico che spesso si preseta i molti campi dell attività

Dettagli

Successioni. Grafico di una successione

Successioni. Grafico di una successione Successioi Ua successioe di umeri reali è semplicemete ua sequeza di ifiiti umeri reali:, 2, 3,...,,... dove co idichiamo il termie geerale della successioe. Ad esempio, discutedo il sigificato fiaziario

Dettagli

Matematica II: Calcolo delle Probabilità e Statistica Matematica

Matematica II: Calcolo delle Probabilità e Statistica Matematica Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docete: dott. F. Zucca Esercitazioe # 4 1 Distribuzioe Espoeziale Esercizio 1 Suppoiamo che la durata della vita di ogi membro di

Dettagli

Campi vettoriali conservativi e solenoidali

Campi vettoriali conservativi e solenoidali Campi vettoriali coservativi e soleoidali Sia (x,y,z) u campo vettoriale defiito i ua regioe di spazio Ω, e sia u cammio, di estremi A e B, defiito i Ω. Sia r (u) ua parametrizzazioe di, fuzioe della variabile

Dettagli

SERIE NUMERICHE Esercizi risolti. 2 b) n=1. n n 2 +n

SERIE NUMERICHE Esercizi risolti. 2 b) n=1. n n 2 +n SERIE NUMERICHE Esercizi risolti. Applicado la defiizioe di covergeza di ua serie stabilire il carattere delle segueti serie, e, i caso di covergeza, trovare la somma: = + b) = + +. Verificare utilizzado

Dettagli

Successioni. Capitolo 2. 2.1 Definizione

Successioni. Capitolo 2. 2.1 Definizione Capitolo 2 Successioi 2.1 Defiizioe Ua prima descrizioe, più ituitiva che rigorosa, di quel che itediamo per successioe cosiste i: Ua successioe è ua lista ordiata di oggetti, avete u primo ma o u ultimo

Dettagli

5. Le serie numeriche

5. Le serie numeriche 5. Le serie umeriche Ricordiamo che ua successioe reale è ua fuzioe defiita da N, evetualmete privato di u umero fiito di elemeti, a R. Solitamete si idica ua successioe co la lista dei suoi valori: (a

Dettagli

PARTE QUARTA Teoria algebrica dei numeri

PARTE QUARTA Teoria algebrica dei numeri Prerequisiti: Aelli Spazi vettoriali Sia A u aello commutativo uitario PARTE QUARTA Teoria algebrica dei umeri Lezioe 7 Cei sui moduli Defiizioe 7 Si dice modulo (siistro) su A (o semplicemete, A-modulo)

Dettagli

Esercizi riguardanti limiti di successioni

Esercizi riguardanti limiti di successioni Esercizi riguardati iti di successioi Davide Boscaii Queste soo le ote da cui ho tratto le esercitazioi del gioro 27 Ottobre 20. Come tali soo be lugi dall essere eseti da errori, ivito quidi chi e trovasse

Dettagli

Soluzione La media aritmetica dei due numeri positivi a e b è data da M

Soluzione La media aritmetica dei due numeri positivi a e b è data da M Matematica per la uova maturità scietifica A. Berardo M. Pedoe 6 Questioario Quesito Se a e b soo umeri positivi assegati quale è la loro media aritmetica? Quale la media geometrica? Quale delle due è

Dettagli

Anno 5 Successioni numeriche

Anno 5 Successioni numeriche Ao 5 Successioi umeriche Itroduzioe I questa lezioe impareremo a descrivere e calcolare il limite di ua successioe. Ma cos è ua successioe? Come si calcola il suo limite? Al termie di questa lezioe sarai

Dettagli

1 Successioni 1 1.1 Limite di una successione... 2. 2 Serie 3 2.1 La serie armonica... 6 2.2 La serie geometrica... 6

1 Successioni 1 1.1 Limite di una successione... 2. 2 Serie 3 2.1 La serie armonica... 6 2.2 La serie geometrica... 6 SUCCESSIONI Successioi e serie Idice Successioi. Limite di ua successioe........................................... Serie 3. La serie armoica................................................ 6. La serie

Dettagli

Corso di Laurea Magistrale in Ingegneria Informatica A.A. 2014/15. Complementi di Probabilità e Statistica. Prova scritta del del 23-02-15

Corso di Laurea Magistrale in Ingegneria Informatica A.A. 2014/15. Complementi di Probabilità e Statistica. Prova scritta del del 23-02-15 Corso di Laurea Magistrale i Igegeria Iformatica A.A. 014/15 Complemeti di Probabilità e Statistica Prova scritta del del 3-0-15 Puteggi: 1. 3+3+4;. +3 ; 3. 1.5 5 ; 4. 1 + 1 + 1 + 1 + 3.5. Totale = 30.

Dettagli

STATISTICA INFERENZIALE SCHEDA N. 2 INTERVALLI DI CONFIDENZA PER IL VALORE ATTESO E LA FREQUENZA

STATISTICA INFERENZIALE SCHEDA N. 2 INTERVALLI DI CONFIDENZA PER IL VALORE ATTESO E LA FREQUENZA Matematica e statistica: dai dati ai modelli alle scelte www.dima.uige/pls_statistica Resposabili scietifici M.P. Rogati e E. Sasso (Dipartimeto di Matematica Uiversità di Geova) STATISTICA INFERENZIALE

Dettagli

II-9 Successioni e serie

II-9 Successioni e serie SUCCESSIONI II-9 Successioi e serie Idice Successioi. Limite di ua successioe........................................... Serie 3. La serie armoica................................................ 6. La

Dettagli

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DI UN GRUPPO DI OSSERVAZIONI O DI ESPERIMENTI, SI PERVIENE A CERTE CONCLUSIONI, LA CUI VALIDITA PER UN COLLETTIVO Più AMPIO E ESPRESSA

Dettagli

V Tutorato 6 Novembre 2014

V Tutorato 6 Novembre 2014 1. Data la successioe V Tutorato 6 Novembre 01 determiare il lim b. Data la successioe b = a = + 1 + 1 8 6 + 1 80 + 18 se 0 se < 0 scrivere i termii a 0, a 1, a, a 0 e determiare lim a. Data la successioe

Dettagli

Foglio di esercizi N. 1 - Soluzioni

Foglio di esercizi N. 1 - Soluzioni Foglio di esercizi N. - Soluzioi. Determiare il domiio della fuzioe f) = log 3 + log 3 3)). Deve essere + log 3 3) > 0, ovvero log 3 3) >, ovvero prededo l espoeziale i base 3 di etrambi i membri) 3 >

Dettagli

Random walk classico. Simulazione di un random walk

Random walk classico. Simulazione di un random walk Radom walk classico Il radom walk classico) è il processo stocastico defiito da co prob. S S0 X k, co X k k co prob. e le X soo tra di loro idipedeti. k Si tratta di u processo a icremeti idipedeti e ideticamete

Dettagli

Statistica I, Laurea triennale in Ing. Gestionale, a.a. 2011/12 Registro delle lezioni

Statistica I, Laurea triennale in Ing. Gestionale, a.a. 2011/12 Registro delle lezioni Statistica I, Laurea trieale i Ig. Gestioale, a.a. 2011/12 Registro delle lezioi Lezioe 1 (28/9, ore 11:30). Vedere la registrazioe di Barsati, dispoibile alla pagia http://users.dma.uipi.it/barsati/statistica_2011/idex.html.

Dettagli

Capitolo Decimo SERIE DI FUNZIONI

Capitolo Decimo SERIE DI FUNZIONI Capitolo Decimo SERIE DI FUNZIONI SUCCESSIONI DI FUNZIONI I cocetti di successioe e di serie possoo essere estesi i modo molto aturale al caso delle fuzioi DEFINIZIONE Sia E u sottoisieme di  e, per ogi

Dettagli

STATISTICA 1 parte 2/2 STATISTICA INFERENZIALE

STATISTICA 1 parte 2/2 STATISTICA INFERENZIALE STATISTICA parte / U test statistico è ua regola di decisioe Effettuare u test statistico sigifica verificare IPOTESI sui parametri. STATISTICA INFERENZIALE STIMA PUNTUALE STIMA PER INTERVALLI TEST PARAMETRICI

Dettagli

52. Se in una città ci fosse un medico ogni 500 abitanti, quale sarebbe la percentuale di medici? A) 5 % B) 2 % C) 0,2 % D) 0,5% E) 0,02%

52. Se in una città ci fosse un medico ogni 500 abitanti, quale sarebbe la percentuale di medici? A) 5 % B) 2 % C) 0,2 % D) 0,5% E) 0,02% RISPOSTE MOTIVATE QUIZ D AMMISSIONE 2000-2001 MATEMATICA 51. L espressioe log( 2 ) equivale a : A) 2log B) log2 C) 2log D) log E) log 2 Dati 2 umeri positivi a e b (co a 1), si defiisce logaritmo i base

Dettagli

ANALISI MATEMATICA 1 Area dell Ingegneria dell Informazione. Appello del 5.02.2013 TEMA 1. f(x) = arcsin 1 2 log 2 x.

ANALISI MATEMATICA 1 Area dell Ingegneria dell Informazione. Appello del 5.02.2013 TEMA 1. f(x) = arcsin 1 2 log 2 x. ANALISI MATEMATICA Area dell Igegeria dell Iformazioe Appello del 5.0.0 TEMA Esercizio Si cosideri la fuzioe f(x = arcsi log x. Determiare il domiio di f e discutere il sego. Discutere brevemete la cotiuità

Dettagli

LA DERIVATA DI UNA FUNZIONE

LA DERIVATA DI UNA FUNZIONE LA DERIVATA DI UNA FUNZIONE OBIETTIVO: Defiire lo strumeto matematico ce cosete di studiare la cresceza e la decresceza di ua fuzioe Si comicia col defiire cosa vuol dire ce ua fuzioe è crescete. Defiizioe:

Dettagli

Terzo appello del. primo modulo. di ANALISI 18.07.2006

Terzo appello del. primo modulo. di ANALISI 18.07.2006 Terzo appello del primo modulo di ANALISI 18.7.26 1. Si voglioo ifilare su u filo delle perle distiguibili tra loro solo i base alla dimesioe: si hao a disposizioe perle gradi di diametro di 2 cetimetri

Dettagli

Random walk classico. Simulazione di un random walk

Random walk classico. Simulazione di un random walk Radom walk classico Il radom walk classico) è il processo stocastico defiito da co prob. S = S0 X k, co X k = k= co prob. e le X soo tra di loro idipedeti. k Si tratta di u processo a icremeti idipedeti

Dettagli

Risposte. f v = φ dove φ(x,y) = e x2. f(x) = e x2 /2. +const. Soluzione. (i) Scriviamo v = (u,w). Se f(x) è la funzione richiesta, si deve avere

Risposte. f v = φ dove φ(x,y) = e x2. f(x) = e x2 /2. +const. Soluzione. (i) Scriviamo v = (u,w). Se f(x) è la funzione richiesta, si deve avere Eserciio 1 7 puti. Dato il campo vettoriale v, + 1,, i si determii ua fuioe f > i modo tale che il campo vettoriale f v sia irrotaioale, cioè abbia le derivate icrociate uguali; ii si spieghi se i risultati

Dettagli

Calcolo della risposta di un sistema lineare viscoso a più gradi di libertà con il metodo dell Analisi Modale

Calcolo della risposta di un sistema lineare viscoso a più gradi di libertà con il metodo dell Analisi Modale Calcolo della risposta di u sistema lieare viscoso a più gradi di libertà co il metodo dell Aalisi Modale Lezioe 2/2 Prof. Adolfo Satii - Diamica delle Strutture 1 La risposta a carichi variabili co la

Dettagli

3.4 Tecniche per valutare uno stimatore

3.4 Tecniche per valutare uno stimatore 3.4 Teciche per valutare uo stimatore 3.4. Il liguaggio delle decisioi statistiche, stimatori corretti e stimatori cosisteti La teoria delle decisioi forisce u liguaggio appropriato per discutere sulla

Dettagli

Teorema 13. Se una sere converge assolutamente, allora converge:

Teorema 13. Se una sere converge assolutamente, allora converge: Apputi sul corso di Aalisi Matematica complemeti (a) - prof. B.Bacchelli Apputi 03: Riferimeti: R.Adams, Calcolo Differeziale.- Si cosiglia vivamete di fare gli esercizi del testo. Covergeza assoluta e

Dettagli

1 Limiti di successioni

1 Limiti di successioni Esercitazioi di matematica Corso di Istituzioi di Matematica B Facoltà di Architettura Ao Accademico 005/006 Aa Scaramuzza 4 Novembre 005 Limiti di successioi Esercizio.. Servedosi della defiizioe di ite

Dettagli

DISTRIBUZIONI DOPPIE

DISTRIBUZIONI DOPPIE DISTRIBUZIONI DOPPIE Fio ad ora abbiamo visto teciche di aalisi dei dati per il solo caso i cui ci si occupi di u solo carattere rilevato su u collettivo (distribuzioi semplici). I termii formali fio ad

Dettagli

Numerazione binaria Pagina 2 di 9 easy matematica di Adolfo Scimone

Numerazione binaria Pagina 2 di 9 easy matematica di Adolfo Scimone Numerazioe biaria Pagia di 9 easy matematica di Adolfo Scimoe SISTEMI DI NUMERAZIONE Sistemi di umerazioe a base fissa Facciamo ormalmete riferimeto a sistemi di umerazioe a base fissa, ad esempio el sistema

Dettagli

STATISTICA DESCRITTIVA

STATISTICA DESCRITTIVA STATISTICA DESCRITTIVA La statistica descrittiva serve per elaborare e sitetizzare dati. Tipicamete i dati si rappresetao i tabelle. Esempio. Suppoiamo di codurre u idagie per cooscere gli iscritti al

Dettagli

I appello - 29 Giugno 2007

I appello - 29 Giugno 2007 Facoltà di Igegeria - Corso di Laurea i Ig. Iformatica e delle Telecom. A.A.6/7 I appello - 9 Giugo 7 ) Studiare la covergeza putuale e uiforme della seguete successioe di fuzioi: [ ( )] f (x) = cos (

Dettagli

Tutti i diritti di sfruttamento economico dell opera appartengono alla Esselibri S.p.A. (art. 64, D.Lgs. 10-2-2005, n. 30)

Tutti i diritti di sfruttamento economico dell opera appartengono alla Esselibri S.p.A. (art. 64, D.Lgs. 10-2-2005, n. 30) Copyright 2005 Esselibri S.p.A. Via F. Russo, 33/D 8023 Napoli Azieda co sistema qualità certificato ISO 400: 2003 Tutti i diritti riservati. È vietata la riproduzioe ache parziale e co qualsiasi mezzo

Dettagli

Dispense di Analisi Matematica II

Dispense di Analisi Matematica II Dispese di Aalisi Matematica II Domeico Cadeloro (Prima Parte) Itroduzioe Queste dispese trattao la prima parte del corso di Aalisi Matematica II. Nel primo capitolo si discutoo gli itegrali geeralizzati

Dettagli

Modelli multiperiodali discreti. Strategie di investimento

Modelli multiperiodali discreti. Strategie di investimento Modelli multiperiodali discreti Cosideriamo ora modelli discreti cioè co u umero fiito di stati del modo multiperiodali, cioè apputo co più periodi. Il prototipo di questa classe di modelli è il modello

Dettagli

Statistica di base. Luca Mari, versione 31.12.13

Statistica di base. Luca Mari, versione 31.12.13 Statistica di base Luca Mari, versioe 31.12.13 Coteuti Moda...1 Distribuzioi cumulate...2 Mediaa, quartili, percetili...3 Sigificatività empirica degli idici ordiali...3 Media...4 Acora sulla media...4

Dettagli

LE MISURE DI VARIABILITÀ DI CARATTERI QUANTITATIVI

LE MISURE DI VARIABILITÀ DI CARATTERI QUANTITATIVI Apputi di Statistica Sociale Uiversità ore di Ea LE MISURE DI VARIABILITÀ DI CARATTERI QUATITATIVI La variabilità di u isieme di osservazioi attiee all attitudie delle variabili studiate ad assumere modalità

Dettagli

Metodi statistici per l analisi dei dati

Metodi statistici per l analisi dei dati Metodi statistici per l aalisi dei dati due ttameti Motivazioi ttameti Obbiettivo: Cofrotare due diverse codizioi (ache defiiti ttameti) per cui soo stati codotti gli esperimeti. due ttameti Esempio itroduttivo

Dettagli

Statistica 1 A.A. 2015/2016

Statistica 1 A.A. 2015/2016 Corso di Laurea i Ecoomia e Fiaza Statistica 1 A.A. 2015/2016 (8 CFU, corrispodeti a 48 ore di lezioe frotale e 24 ore di esercitazioe) Prof. Luigi Augugliaro 1 / 19 Iterdipedeza lieare fra variabili quatitative

Dettagli

ARGOMENTO: SERIE NUMERICHE 1. Dott.ssa Sandra Lucente

ARGOMENTO: SERIE NUMERICHE 1. Dott.ssa Sandra Lucente Corso di Laurea i Matematica LEZIONI PER IL CORSO DI ANALISI MATEMATICA..2 A.A. 2007-2008 ARGOMENTO: SERIE NUMERICHE Dott.ssa Sadra Lucete Idice :. Prime geeralità sulle serie. 2. Serie a termii o egativi:

Dettagli

EQUAZIONI ALLE RICORRENZE

EQUAZIONI ALLE RICORRENZE Esercizi di Fodameti di Iformatica 1 EQUAZIONI ALLE RICORRENZE 1.1. Metodo di ufoldig 1.1.1. Richiami di teoria Il metodo detto di ufoldig utilizza lo sviluppo dell equazioe alle ricorreze fio ad u certo

Dettagli

Serie numeriche e serie di potenze

Serie numeriche e serie di potenze Serie umeriche e serie di poteze Sommare u umero fiito di umeri reali è seza dubbio u operazioe che o può riservare molte sorprese Cosa succede però se e sommiamo u umero ifiito? Prima di dare delle defiizioi

Dettagli

Serie numeriche: esercizi svolti

Serie numeriche: esercizi svolti Serie umeriche: esercizi svolti Gli esercizi cotrassegati co il simbolo * presetao u grado di difficoltà maggiore. Esercizio. Dopo aver verificato la covergeza, calcolare la somma delle segueti serie:

Dettagli

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia per manager. Prima versione, marzo 2013; versione aggiornata, marzo 2014)

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia per manager. Prima versione, marzo 2013; versione aggiornata, marzo 2014) Itroduzioe all assicurazioe. (Dispesa per il corso di Microecoomia per maager. Prima versioe, marzo 2013; versioe aggiorata, marzo 2014) Massimo A. De Fracesco Uiversità di Siea March 14, 2014 1 Prezzo

Dettagli

APPUNTI DI MATEMATICA ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1)

APPUNTI DI MATEMATICA ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1) ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1) I umeri aturali hao u ordie; ogi umero aturale ha u successivo (otteuto aggiugedo 1), e ogi umero aturale diverso da zero ha u precedete (otteuto sottraedo 1).

Dettagli

Successioni ricorsive di numeri

Successioni ricorsive di numeri Successioi ricorsive di umeri Getile Alessadro Laboratorio di matematica discreta A.A. 6/7 I queste pagie si voglioo predere i esame alcue tra le più famose successioi ricorsive, presetadoe alcue caratteristiche..

Dettagli

Serie numeriche. Lorenzo Pisani Facoltà di Scienze Mm.Ff.Nn. A.A. 2007/08

Serie numeriche. Lorenzo Pisani Facoltà di Scienze Mm.Ff.Nn. A.A. 2007/08 Serie umeriche Lorezo Pisai Facoltà di Scieze Mm.Ff.N. A.A. 2007/08 Il problema di sommare i iti addedi è uo dei problemi classici dell aalisi matematica. Azi si tratta di u problema che ell atichità ha

Dettagli

IL CALCOLO COMBINATORIO

IL CALCOLO COMBINATORIO IL CALCOLO COMBINATORIO Calcolo combiatorio è il termie che deota tradizioalmete la braca della matematica che studia i modi per raggruppare e/o ordiare secodo date regole gli elemeti di u isieme fiito

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2006

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2006 ESAME DI STAT DI LICE SCIENTIFIC CRS DI RDINAMENT 006 Il cadidato risolva uo dei due problemi e 5 dei 0 quesiti i cui si articola il questioario. PRBLEMA U filo metallico di lughezza l viee utilizzato

Dettagli

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia)

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia) Itroduzioe all assicurazioe. (Dispesa per il corso di Microecoomia) Massimo A. De Fracesco Uiversità di Siea December 18, 2013 1 ichiami su utilità attesa e avversioe al rischio Prima di cosiderare il

Dettagli

Campionamento stratificato. Esempio

Campionamento stratificato. Esempio ez. 3 8/0/05 Metodi Statiici per il Marketig - F. Bartolucci Uiversità di Urbio Campioameto ratificato Ua tecica molto diffusa per sfruttare l iformazioe coteuta i ua variabile ausiliaria (o evetualmete

Dettagli

ESERCIZI SULLE SERIE NUMERICHE

ESERCIZI SULLE SERIE NUMERICHE ESERCIZI SULLE SERIE NUMERICHE a cura di Michele Scaglia RICHIAMI TEORICI Richiamiamo brevemete i pricipali risultati riguardati le serie umeriche. Teorema (Codizioe Necessaria per la Covergeza) Sia a

Dettagli

SERIE NUMERICHE. (Cosimo De Mitri) 1. Definizione, esempi e primi risultati... pag. 1. 2. Criteri per serie a termini positivi... pag.

SERIE NUMERICHE. (Cosimo De Mitri) 1. Definizione, esempi e primi risultati... pag. 1. 2. Criteri per serie a termini positivi... pag. SERIE NUMERICHE (Cosimo De Mitri. Defiizioe, esempi e primi risultati... pag.. Criteri per serie a termii positivi... pag. 4 3. Covergeza assoluta e criteri per serie a termii di sego qualsiasi... pag.

Dettagli

Capitolo V : Successioni e serie numeriche

Capitolo V : Successioni e serie numeriche Liceo Lugao, 0-0 3N Luca Rovelli) Capitolo V : Successioi e serie umeriche La cosiddetta aalisi matematica, sviluppata iizialmete i maiera idipedete da Newto e Leibitz a partire dalla fie del XVII secolo,

Dettagli

Percorsi di matematica per il ripasso e il recupero

Percorsi di matematica per il ripasso e il recupero Giacomo Pagia Giovaa Patri Percorsi di matematica per il ripasso e il recupero 2 per la Scuola secodaria di secodo grado UNITÀ CAMPIONE Edizioi del Quadrifoglio à t i U 2 Radicali I questa Uità affrotiamo

Dettagli

ESERCIZI SULLE SERIE

ESERCIZI SULLE SERIE ESERCIZI SULLE SERIE Studiare la atura delle segueti serie. ) cos 4 + ; ) + si ; ) + ()! 4) ( ) 5) ( ) + + 6) ( ) + + + 7) ( log ) 8) ( ) + 9) log! 0)! Studiare al variare di x i R la atura delle segueti

Dettagli

Strumenti di indagine per la valutazione psicologica

Strumenti di indagine per la valutazione psicologica Strumeti di idagie per la valutazioe psicologica 1.2 - Richiami di statistica descrittiva Davide Massidda davide.massidda@gmail.com Descrivere i dati Dovedo scegliere u esame opzioale, uo studete ha itezioe

Dettagli

Metodi statistici per l'analisi dei dati

Metodi statistici per l'analisi dei dati Metodi statistici per l aalisi dei dati due Motivazioi Obbiettivo: Cofrotare due diverse codizioi (ache defiiti ) per cui soo stati codotti gli esperimeti. Metodi tatistici per l Aalisi dei Dati due Esempio

Dettagli

Capitolo Terzo. rappresenta la rata di ammortamento del debito di un capitale unitario. Si tratta di risolvere un equazione lineare nell incognita R.

Capitolo Terzo. rappresenta la rata di ammortamento del debito di un capitale unitario. Si tratta di risolvere un equazione lineare nell incognita R. 70 Capitolo Terzo i cui α i rappreseta la rata di ammortameto del debito di u capitale uitario. Si tratta di risolvere u equazioe lieare ell icogita R. SIANO NOTI IL MONTANTE IL TASSO E IL NUMERO DELLE

Dettagli

Convergenza di variabili aleatorie

Convergenza di variabili aleatorie Covergeza di variabili aleatorie 1 Covergeza quasi certa Ua successioe (X ) 1 di v.a. coverge quasi certamete alla v.a. X se: X X (P-q.c.), cioè P(X X) = 1, ove {X X} = {ω : X (ω) X(ω)} è l issieme di

Dettagli

Le carte di controllo

Le carte di controllo Le carte di cotrollo Dott.ssa Bruella Caroleo 07 dicembre 007 Variabilità ei processi produttivi Le caratteristiche di qualsiasi processo produttivo soo caratterizzate da variabilità Le cause di variabilità

Dettagli

8) Sia Dato un mazzo di 40 carte. Supponiamo che esso sia mescolato in modo

8) Sia Dato un mazzo di 40 carte. Supponiamo che esso sia mescolato in modo ESERCIZI DI CALCOLO DELLE PROBABILITÁ ) Qual e la probabilita che laciado dadi a facce o esca essu? Studiare il comportameto asitotico di tale probabilita per grade. ) I u sacchetto vi soo 0 pallie biache;

Dettagli

5 ln n + ln. 4 ln n + ln. 6 ln n + ln

5 ln n + ln. 4 ln n + ln. 6 ln n + ln DOMINIO FUNZIONE Determiare il domiio della fuzioe f = l e e + e + e Deve essere e e + e + e >, posto e = t si ha t e + t + e = per t = e e per t = / Il campo di esisteza è:, l, + Determiare il domiio

Dettagli

Corsi di Laurea in Ingegneria Edile e Architettura Prova scritta di Analisi Matematica 1 del 6/02/2010. sin( x) log((1 + x 2 ) 1/2 ) = 1 3.

Corsi di Laurea in Ingegneria Edile e Architettura Prova scritta di Analisi Matematica 1 del 6/02/2010. sin( x) log((1 + x 2 ) 1/2 ) = 1 3. Corsi di Laurea i Igegeria Edile e Architettura Prova scritta di Aalisi Matematica del 6// ) Mostrare che + si( ) cos () si( ) log(( + ) / ) = 3. Possibile soluzioe: Cosiderado dapprima il deomiatore otiamo

Dettagli

Selezione avversa e razionamento del credito

Selezione avversa e razionamento del credito Selezioe avversa e razioameto del credito Massimo A. De Fracesco Dipartimeto di Ecoomia politica e statistica, Uiversità di Siea May 3, 013 1 Itroduzioe I questa lezioe presetiamo u semplice modello del

Dettagli

Sintassi dello studio di funzione

Sintassi dello studio di funzione Sitassi dello studio di fuzioe Lavoriamo a perfezioare quato sapete siora. D ora iazi pretederò che i risultati che otteete li SCRIVIATE i forma corretta dal puto di vista grammaticale. N( x) Data la fuzioe:

Dettagli

PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2013

PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2013 PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 3 Prova scritta del 6//3 Esercizio Suppoiamo che ua variabile aleatoria Y abbia la seguete desita : { hx e 3/x, x > f Y (y) =, x, co h opportua costate positiva.

Dettagli

Il test parametrico si costruisce in tre passi:

Il test parametrico si costruisce in tre passi: R. Lombardo I. Cammiatiello Dipartimeto di Ecoomia Secoda Uiversità degli studi Napoli Facoltà di Ecoomia Ifereza Statistica La Verifica delle Ipotesi Obiettivo Verifica (test) di u ipotesi statistica

Dettagli

Sommario lezioni di Probabilità versione abbreviata

Sommario lezioni di Probabilità versione abbreviata Sommario lezioi di Probabilità versioe abbreviata C. Frachetti April 28, 2006 1 Lo spazio di probabilità. 1.1 Prime defiizioi I possibili risultati di u esperimeto costituiscoo lo spazio dei campioi o

Dettagli

Il confronto tra DUE campioni indipendenti

Il confronto tra DUE campioni indipendenti Il cofroto tra DUE camioi idiedeti Il cofroto tra DUE camioi idiedeti Cofroto tra due medie I questi casi siamo iteressati a cofrotare il valore medio di due camioi i cui i le osservazioi i u camioe soo

Dettagli

Capitolo 8 Le funzioni e le successioni

Capitolo 8 Le funzioni e le successioni Capitolo 8 Le fuzioi e le successioi Prof. A. Fasao Fuzioe, domiio e codomiio Defiizioe Si chiama fuzioe o applicazioe dall isieme A all isieme B ua relazioe che fa corrispodere ad ogi elemeto di A u solo

Dettagli

Principi base di Ingegneria della Sicurezza

Principi base di Ingegneria della Sicurezza Pricipi base di Igegeria della Sicurezza L aalisi delle codizioi di Affidabilità del sistema si articola i: (i) idetificazioe degli sceari icidetali di riferimeto (Eveti critici Iiziatori - EI) per il

Dettagli

Equazioni e contrazioni: un punto fisso //

Equazioni e contrazioni: un punto fisso // * 010 Equazioi e cotrazioi: u puto fisso // Nicola Chiriao Docete al Liceo Scietifico L. Siciliai di Catazaro [Nicola Chiriao] Nicola Chiriao è docete di Matematica e Fisica al Liceo Scietifico Siciliai

Dettagli

(DA COMPLETARE!!) Esercizi per il corso di Calcolo delle Probabilità e Statistica Matematica per Scienze dell Informazione

(DA COMPLETARE!!) Esercizi per il corso di Calcolo delle Probabilità e Statistica Matematica per Scienze dell Informazione (DA COMPLETARE!!) Esercizi per il corso di Calcolo delle Probabilità e Statistica Matematica per Scieze dell Iformazioe NOTA Quado i problemi soo formulati el liguaggio ordiario, teere presete che la soluzioe

Dettagli

Approfondimenti di statistica e geostatistica

Approfondimenti di statistica e geostatistica Approfodimeti di statistica e geostatistica APAT Agezia per la Protezioe dell Ambiete e per i Servizi Tecici Cos è la geostatistica? Applicazioe dell aalisi di Rischio ai siti Cotamiati Geostatistica La

Dettagli

CAPITOLO UNDICESIMO VARIABILI CASUALI 1. INTRODUZIONE

CAPITOLO UNDICESIMO VARIABILI CASUALI 1. INTRODUZIONE CAPITOLO UNDICESIMO VARIABILI CASUALI SOMMARIO:. Itroduzioe. -. Variabili casuali discrete. - 3. La variabile casuale di Beroulli. - 4. La variabile casuale biomiale. -. La variabile casuale di Poisso.

Dettagli

Distribuzioni di probabilità Unità 79

Distribuzioni di probabilità Unità 79 Prerequisiti: - Primi elemeti di probabilità e statistica. - Nozioi di calcolo combiatorio. - Rappresetazioe di puti e rette i u piao cartesiao. Questa uità iteressa tutte le scuole ad eccezioe del Liceo

Dettagli

Limiti di successioni

Limiti di successioni Argometo 3s Limiti di successioi Ua successioe {a : N} è ua fuzioe defiita sull isieme N deiumeriaturaliavalori reali: essa verrà el seguito idicata più brevemeteco{a } a èdettotermie geerale della successioe

Dettagli

Università degli Studi di Bologna. Appunti del corso di Analisi Matematica Anno Accademico 2013 2014. prof. Daniele Ritelli

Università degli Studi di Bologna. Appunti del corso di Analisi Matematica Anno Accademico 2013 2014. prof. Daniele Ritelli Uiversità degli Studi di Bologa Scuola di Ecoomia Maagemet e Statistica Corso di Laurea i Scieze Statistiche Apputi del corso di Aalisi Matematica Ao Accademico 03 04 f b y prof. Daiele Ritelli f a a b

Dettagli

( ) n > n. Ora osserviamo che 2 1. ( ) è vera. ( ) una proposizione riguardante il numero intero n. Se avviene che:

( ) n > n. Ora osserviamo che 2 1. ( ) è vera. ( ) una proposizione riguardante il numero intero n. Se avviene che: ARITMETICA 1 U importate ramo della matematica è l aritmetica, o teoria dei umeri, qui itesi come umeri iteri. Ci si poe il problema di stabilire se certe relazioi possao essere soddisfatte da umeri iteri,

Dettagli

8. Quale pesa di più?

8. Quale pesa di più? 8. Quale pesa di più? Negli ultimi ai hao suscitato particolare iteresse alcui problemi sulla pesatura di moete o di pallie. Il primo problema di questo tipo sembra proposto da Tartaglia el 1556. Da allora

Dettagli

Angelo Negro. Teoria della Misura. Istituzioni di Analisi Superiore

Angelo Negro. Teoria della Misura. Istituzioni di Analisi Superiore gelo Negro Teoria della Misura Istituzioi di alisi Superiore a.a. 2000-2001 Prefazioe Questa breve moografia si propoe di presetare i modo piao e sitetico, ma co dimostrazioi rigorose e complete, i pricipali

Dettagli

1 Metodo della massima verosimiglianza

1 Metodo della massima verosimiglianza Metodo della massima verosimigliaza Estraedo u campioe costituito da variabili casuali X i i.i.d. da ua popolazioe X co fuzioe di probabilità/desità f(x, θ), si costruisce la fuzioe di verosimigliaza che

Dettagli

Corso di laurea in Matematica Corso di Analisi Matematica 1-2 Dott.ssa Sandra Lucente 1 Funzioni potenza ed esponenziale.

Corso di laurea in Matematica Corso di Analisi Matematica 1-2 Dott.ssa Sandra Lucente 1 Funzioni potenza ed esponenziale. Corso di laurea i Matematica Corso di Aalisi Matematica -2 Dott.ssa Sadra Lucete Fuzioi poteza ed espoeziale. Teorema. Teorema di esisteza della radice -esima. Sia N. Per ogi a R + esiste uo ed u solo

Dettagli

STIME E LORO AFFIDABILITA

STIME E LORO AFFIDABILITA TIME E LORO AFFIDABILITA L idea chiave su cui si basa l aalisi statistica è che si ossoo eseguire osservaioi su u camioe di soggetti e che da questo si ossoo comiere iferee sulla oolaioe raresetata da

Dettagli

19 31 43 55 67 79 91 103 870,5 882,5 894,5 906,5 918,5 930,5 942,5 954,5

19 31 43 55 67 79 91 103 870,5 882,5 894,5 906,5 918,5 930,5 942,5 954,5 Il 16 dicembre 015 ero a Napoli. Ad u agolo di Piazza Date mi soo imbattuto el "matematico di strada", come egli si defiisce, Giuseppe Poloe immerso el suo armametario di tabelle di umeri. Il geiale persoaggio

Dettagli

Prova scritta di Statistica per Biotecnologie. 29 Aprile Programma Cristallo 1

Prova scritta di Statistica per Biotecnologie. 29 Aprile Programma Cristallo 1 Prova scritta di Statistica per Biotecologie 9 Aprile Programma Cristallo. Uo dei processi di purificazioe impiegati i ua certa sostaza chimica prevede di metterla i soluzioe e di filtrarla co ua resia

Dettagli

Formula per la determinazione della Successione generalizzata di Fibonacci.

Formula per la determinazione della Successione generalizzata di Fibonacci. Formula per la determiazioe della uccessioe geeralizzata di Fiboacci. A cura di Eugeio Amitrao Coteuto dell articolo:. Itroduzioe......... uccessioe di Fiboacci....... 3. Formula di Biet per la successioe

Dettagli