= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E
|
|
- Gianluca Bertolini
- 8 anni fa
- Visualizzazioni
Transcript
1 1. Previsione per modelli ARM A Questo capitolo è dedicato alla teoria della previsione lineare per processi stocastici puramente non deterministici, cioè per processi che ammettono una rappresentazione della classe ARMA causale e invertibile e per i quali, come si vedrà, la teoria della previsione risulta particolarmente semplice. Si consideri un processo stocastico a tempi discreti) X t, di media nulla e di cui sia nota la distribuzione. Si supponga di volerne predire il valore al tempo t k, noti i valori assunti dal processo ai tempi t, t 1, t 2... L individuazione del previsore ottimale, cioè del miglior stimatore del futuro, dipende, ovviamente, dal criterio di ottimalità scelto. Usualmente, si utilizza il criterio della minimizzazione dell errore quadratico medio di previsione e si chiede che il previsore di X tk sia tale da rendere minima la quantità 1.1) EX tk ˆX tk ) 2, essendo ˆX tk il previsore prescelto, funzione delle osservazioni passate. Questa scelta corrisponde all assunzione di una funzione di perdita di tipo quadratico lo scarto quadratico medio). È importante, però, tenere presente che si tratta comunque di una scelta e che, in base alla natura del problema che si affronta, potrebbe essere molto più adeguato e coerente ricorrere a funzioni di perdita differenti e quindi ad altri criteri di ottimalità nell individuazione del previsore. In molte situazioni concrete si è condotti a scegliere funzioni di perdita non simmetriche per esempio, eccedere nella previsione dell intensità di un terremoto è certamente meno grave che sottostimarne gli effetti) e con andamenti più articolati che non nel caso quadratico per esempio, con l esistenza di soglie oltre le quali la perdita diventa infinita, come nel caso in cui vi sia il rischio di perdere vite umane). Nel seguito della discussione, comunque, utilizzeremo il criterio della perdita quadratica e svilupperemo la teoria classica dei previsori ottimali. 2. Previsori 2.1. Previsore ottimale. Si voglia prevedere la variabile X tk conoscendo i valori assunti dalle variabili X t, X t 1, X t 2... Si tratta di individuare una funzione misurabile) fx t, X t 1,...) che renda minima, nell insieme di tutte le funzioni misurabili) del passato del processo, la perdita quadratica, cioè il seguente scarto quadratico medio: 2.1) E X tk fx t, X t 1,...) ) 2. Il problema è risolto dal teorema che segue: Teorema 2.1. La funzione fx t, X t 1,...) che rende minima la 2.1) è data dal valore atteso condizionato EX tk X t, X t 1,...). 1
2 2 Dimostrazione*. Poniamo X tk t EX tk X t, X t 1,...) e osserviamo, preliminarmente, che vale la seguente condizione: 2.2) E X tk X tk t ) X t, X t 1,... ) 0, essendo: E X tk X tk t ) X t, X t 1,... ) EX tk X t, X t 1,...) X tk t 0. Posto X t {X t, X t 1,...}, scriviamo la condizione di minimizzazione dello scarto quadratico medio nel modo seguente: E X tk fx t ) ) 2 E Xtk X tk t X tk t fx t ) ) 2 e sviluppiamo il secondo membro, ottenendo: E X tk fx t ) ) 2 EX tk X tk t ) 2 2E [ X tk X tk t ) Xtk t fx t ) )] E ˆXtk t fx t ) ). Il doppio prodotto che appare nello sviluppo precedente è nullo, in virtù della 2.2). Infatti, utilizzando le proprietà del valore atteso condizionato, possiamo sempre scrivere: E [ X tk X ) tk t Xtk t fx t ) )] [ Xtk E Xt {E X ) tk t Xtk t fx t ) ) ] } X t { E Xt Xtk t fx t ) ) [ Xtk E X ) ] } Xt tk t { E Xt Xtk t fx t ) ) } 0 0. In definitiva, otteniamo: E X tk fx t )) 2 E X tk X tk t ) 2 E Xtk t fx t )) 2. Essendo somma di due quantità non negative, quest espressione è minima se e solo se la funzione fx t ) annulla il secondo addendo, cioè se e solo se fx t ) X tk t quasi certamente).
3 3 Osservazione Abbiamo impostato la discussione nei termini della previsione di X tk dato il suo passato. È chiaro che quanto mostrato ha una validità più generale: data una variabile casuale Y e un insieme qualunque di variabili casuali {X t }, il miglior previsore di Y date le X t è il valore atteso condizionato EY {X t }). In questo modo, per esempio, potremmo anche stimare un valore mancante nel passato, sulla base dei valori osservati, precedenti e seguenti il dato assente Previsore lineare. Nella maggior parte delle applicazioni, il calcolo esplicito di X tk t non è possibile, perché esso richiede la conoscenza completa delle distribuzioni congiunte del processo, mentre nello studio delle serie storiche spesso non si può andare oltre una stima della matrice di varianze e covarianze. Inoltre, anche se fosse nota la distribuzione congiunta, la manipolazione matematica delle grandezze coinvolte potrebbe risultare assai complicata. È preferibile, allora, sviluppare una metodo di previsione che sia più agevole, anche se meno preciso. La semplificazione avviene mantenendo il criterio della minimizzazione dell errore quadratico medio, ma restringendo l insieme di funzioni delle osservazioni passate al cui interno cercare il previsore ottimale che pertanto sarà ottimale non in assoluto, ma solo rispetto all insieme considerato). In particolare, ci restringiamo a funzioni lineari del passato del processo. Il generico previsore lineare di X tk, costruito sul passato del processo X t, X t 1..., ha la seguente forma: 2.3) ˆXtk t λ i X t i per un opportuna successione {λ i } di numeri reali. Si tratta quindi di individuare i coefficienti {λ i } per i quali sia soddisfatta la seguente condizione di ottimo: 2.4) E X tk ˆX tk t ) 2 min. Tali coefficienti si ottengono semplicemente regredendo X tk sul proprio passato, esattamente coma avviene per l usuale regressione multipla, benché in questo caso si sia in presenza di un infinità numerabile di regressori. Naturalmente, la regressione sul passato del processo può essere fatta anche scegliendo, come variabili di regressione, le innovazioni ε t, ε t 1, ε t 2,... che, come già discusso in precedenza, costituiscono un sistema di regressori equivalente a quello costituito dalle variabili X t, X t 1, X t 2,... In tal caso, il generico previsore lineare ha la seguente
4 4 forma: 2.5) ˆXtk t ν i ε t i e l obiettivo è quello di individuare i coefficienti {ν i } per i quali esso soddisfi la 2.4). Vedremo che la costruzione del previsore in questa forma è particolarmente semplice e naturale quando il processo sia espresso in forma media mobile. Anzi, cominceremo la trattazione precisamente da questo caso e da qui, con facilità, otterremo i previsori nel caso di processi puramente non deterministici in forma AR o in forma ARMA. Prima di passare alla costruzione esplicita dei previsori, vogliamo però sottolineare un fatto importante. La scelta di limitarsi a previsori costruiti come funzioni lineari del passato deriva dalla difficoltà operativa di calcolare i previsori ottimali assoluti, cioè le medie condizionate. Ciò non significa che costruire i previsori lineari sia sempre e comunque una scelta adeguata, come mostra il seguente esempio. Esempio. Siano X e Z due variabili casuali gaussiane, standardizzate, fra loro indipendenti. Sia k 1 un numero naturale e definiamo una nuova variabile Y : Y X 2k Z. Costruiamo il previsore ottimale assoluto ed il previsore ottimale fra i lineari e confrontiamone gli errori quadratici medi. Il previsore ottimale di Y condizionatamente a X è semplicemente: EY X) EX 2k Z X) EX 2k X) EZ X) X 2k giacché Z è una variabile a media nulla indipendente da X. L errore di previsione coincide, evidentemente, con la variabile Y X 2k Z e la sua varianza è quindi pari a 1. Costruiamo, adesso, il previsore lineare. A questo scopo, dobbiamo regredire Y su X. Poiché X ha varianza unitaria e tutte le variabili hanno media nulla, la regressione Ŷ di Y su X si riduce alla seguente espressione: Ŷ CovY, X)X EY ) CovY, X)X EX 2k ).
5 5 La covarianza è immediatamente calcolata, notando che X ha tutti i momenti di ordine dispari nulli, essendo una variabile simmetrica a media nulla 1 : CovY, X) CovX 2k, X) CovZ, X) CovX 2k, X) EX 2k1 ) 0. Quindi il previsore lineare ottimale è semplicemente: e l errore di previsione è dato da Ŷ EX 2k ) Y Ŷ X2k Z EX 2k ). La sua varianza, grazie all indipendenza tra le variabili, è semplicemente: e diverge all infinito al crescere di k. V ary Ŷ ) V arx2k ) 1 2k)! 2 k k! 1 L esempio mostra come il previsore lineare, paragonato a quello ottimale, possa dare risultati insoddisfacenti, se utilizzato in circostanze non adeguate. Si noti, in particolare, che al crescere di k la variabile Y si discosta progressivamente dalla normalità Previsione lineare per i processi MA. Consideriamo un processo stazionario {X t } posto nella forma di una media mobile infinita: 2.6) X t con i1 θ2 i <. θ i ε t i La forma del previsore lineare ottimale basato sul passato fino al tempo t è fornita dalla seguente proposizione si noti che, in questo caso, è conveniente esprimere il previsore come combinazione lineare delle innovazioni): 1 Poiché X è distribuita come X, X 2k1 è distribuita come X) 2k1 X 2k1 e dunque, dovendo essere EX 2k1 ) E X 2k1 ) EX 2k1 ) è necessariamente EX 2k1 ) 0.
6 6 Proposizione 2.2. Il miglior previsore lineare ˆX tk t per il processo 2.6), basato sul passato sino al tempo t, è dato dalla seguente espressione: 2.7) ˆXtk t θ k ε t θ k1 ε t 1... θ ik ε t i. Dimostrazione. Scelto un generico previsore lineare ν iε t 1, scriviamo l errore di previsione nel seguente modo: η tk θ i ε tk i ν i ε t i j0 ik k 1 θ i ε tk i θ i ε tk i ν i ε t i k 1 θ i ε tk i θ ik ν i )ε t i. In virtù dell incorrelazione fra le innovazioni, l errore quadratico medio del previsore lineare è immediatamente calcolato: 2.8) Eηtk 2 ) k 1 σ2 ε θi 2 σε 2 θ ik ν i ) 2. Essendo somma di due addendi non negativi, l espressione precedente è minima se e solo se i coefficienti ν i rendono nulli entrambi gli addendi, cioè se: 2.9) ν i θ ik i 0, 1, 2... Il previsore lineare è corretto, cioè il valore atteso del suo errore è nullo: Eη tk ) E k 1 ) θ i ε tk i 0. La varianza dell errore di previsione è immediatamente ricavata come: k ) V arη tk ) σε 2 θi 2. Naturalmente, la previsione peggiora man mano che l orizzonte previsivo viene spostato in avanti. Se k tende all infinito, il previsore tende, in media quadratica, alla media
7 del processo. Infatti: ) 2 lim E ˆXtk t lim k k σ2 ε θ 2 ik lim k σ2 ε θj 2 0, giacché jk θ2 j è il resto di una serie convergente. Contemporaneamente, l errore quadratico medio di previsione cresce e tende alla varianza del processo: lim V arη k 1 tk) lim k k σ2 ε θi 2 σε 2 θi 2 V arx t ). È possibile dare una forma mnemonica molto comoda al previsore lineare ottimale appena ricavato. Sia ΘB) il polinomio che definisce la rappresentazione M A ) del processo: X t ΘB)ε t. Poniamo simbolicamente: ΘB) B k θ i B i k e introduciamo il seguente operatore di annichilazione [ ] : [ ] ΘB) θ i B i k. B k L operatore di annichilazione agisce ponendo uguali a zero i coefficienti dei termini con esponenti negativi. A questo punto, è chiaro che il previsore può essere scritto come segue: [ ] ΘB) ˆX tk t B k ε t. ik jk 7 La teoria appena sviluppata permette di costruire facilmente anche i previsori per processi media mobile di ordine finito. Un processo media mobile di ordine q, infatti, non è altro che un caso particolare di processo MA ), nel quale tutti i coefficienti θ q1, θ q2,... sono nulli. Pertanto, per la costruzione del previsore possiamo utilizzare le formule appena discusse, che in questo caso assumeranno una forma ancora più semplice. Se k q: ˆX tk t θ k ε t θ k1 ε t 1... θ q ε tk q q θ i ε tk i ; ik
8 8 X tk ˆX k 1 tk t θ i ε tk i ; V ar X tk ˆX ) k 1 tk t σε 2 θi 2. Viceversa, se k > q, il previsore coincide con la media del processo e la varianza dell errore di previsione coincide con la varianza del processo. Quindi, per un processo MAq), la previsione su un orizzonte temporale più lungo di q istanti si banalizza. La previsione per i processi M A è dunque molto semplice, essenzialmente grazie al fatto che la formulazione mediante medie mobili rappresenta il processo su un sistema di regressori incorrelati e di varianza identica. In generale, però, noi non osserviamo direttamente gli shock casuali ε t, ma i valori assunti dalle variabili X t, X t 1, X t 2... e quindi è necessario individuare il modo di costruire il previsore lineare ottimale non come funzione degli ε t, ma come funzione esplicita del passato del processo effettivamente osservato. Se, come abbiamo supposto sin dall inizio, il processo stazionario è anche invertibile, allora possiamo passare dalla rappresentazione media mobile alla corrispondente rappresentazione autoregressiva, in generale di ordine infinito: X t ϕ i X t i ε t dove ε t ΦB)X t ΘB) 1 X t. Ora possiamo riesprimere il previsore ˆX tk t in funzione delle osservazioni passate: [ ] [ ] [ ] ΘB) ΘB) ΘB) 2.11) ˆXtk t B k ε t B k ΦB)X t B k ΘB) 1 X t. Questa formula è nota come formula di Wiener-Kolmogorov. Applicando il previsore di Wiener-Kolmogorov al modello M Aq), otteniamo per k q: [ 1 θ1 B... θ q B ˆX q ] tk t µ B k 1 θ 1 B... θ q B q ) 1 X t.
9 Esempio: processo M A1). Nel caso di un processo media mobile di ordine 1, la previsione per k > 1 coincide con la media del processo, mentre per k 1 si ottiene, con un applicazione diretta della formula di Wiener-Kolmogorov: 9 [ ] 1 θ1 B ˆX t1 t 1 θ 1 B) 1 X t θ 1 1 θ 1 B) 1 X t. B Esempio: processo M A2). Consideriamo un generico processo M A2) invertibile e di media nulla: X t ε t θ 1 ε t 1 θ 2 ε t 2 e calcoliamo i previsori ˆXt1 t, ˆXt2 t e ˆX t3 t, applicando la formula di Wiener- Kolmogorov. Otteniamo facilmente: ˆX t1 t [ 1 θ1 B θ 2 B 2 ] 1 θ 1 B θ 2 B 2 ) 1 X t B θ 1 θ 2 B)1 θ 1 B θ 2 B 2 ) 1 X t ; ˆX t2 t [ 1 θ1 B θ 2 B 2 ] B 2 1 θ 1 B θ 2 B 2 ) 1 X t θ 2 1 θ 1 B θ 2 B 2 ) 1 X t ; ˆX t3 t [ 1 θ1 B θ 2 B 2 ] B 3 1 θ 1 B θ 2 B 2 ) 1 X t 0 1 θ 1 B θ 2 B 2 ) 1 X t 0. I previsori a lag superiori a 3, ovviamente, coincidono con la media del processo.
10 Previsione lineare per i processi AR. Consideriamo ora un processo stazionario causale autoregressivo di ordine infinito: 2.12) ΦB)X t X t ϕ i X t 1 ε t. Il previsore lineare ottimale per tale modello si ottiene facilmente dal previsore di Wiener-Kolmogorov, costruito nel caso di rappresentazioni media mobile. Infatti, in virtù dell invertibilità dell operatore ΦB), la rappresentazione 2.12) può essere riscritta in forma di media mobile i1 2.13) X t ΦB) 1 ε t e il previsore lineare ottimale è subito ottenuto dalla 2.11): [ ] ΦB) ) ˆXtk t B k ΦB)X t. Il caso della previsione per un processo ARp) è, naturalmente, un caso particolare della 2.14), come si vede subito ponendo uguali a zero i coefficienti ϕ i per i > p. Si noti che, a differenza del caso MA, il previsore di un processo autoregressivo di ordine finito non si banalizza mai, giacché la corrispondente rappresentazione media mobile è di ordine infinito. Esempio: processo AR1). In questo caso, è ΦB) 1 ϕ 1 B, con ϕ 1 < 1. Inserendo questa espressione nel previsore e utilizzando lo sviluppo per l inverso di I ϕ 1 B), otteniamo: ˆX tk t [ 1 ϕ1 B ϕ 2 ] 1 B2... B k ΦB)X t ϕ k 1 ϕ k1 1 B...)ΦB)X t ϕ k 11 ϕ 1 B ϕ 2 1B 2...)ΦB)X t ϕ k 1ΦB) 1 ΦB)X t ϕ k 1X t. All allontanarsi dell orizzonte previsivo, il previsore tende in media quadratica alla media del processo: lim k V ar ˆX tk t VarX t ) lim k ϕ2k 1 0
11 11 e l errore di previsione è dato da: X tk ˆX tk t ε tk ϕ 1 X tk 1 ϕ k 1X t ε tk ϕ 1 ε tk 1 ϕ 2 1X tk 2 ϕ k 1X t ε tk ϕ 1 ε tk 1 ϕ 2 1ε tk 2... ϕ1 k 1 ε t1. La varianza dell errore di previsione è pari a σε 2 k 1 ϕ2i 1 e, al crescere dell orizzonte previsivo, tende alla varianza del processo: k 1 lim k σ2 ε ϕ 2i 1 σ2 ε 1 ϕ 2 1 VarX t ) Previsione lineare per i processi ARM A. Consideriamo un generico processo stazionario e invertibile, che soddisfi la seguente rappresentazione ARM Ap, q): 2.15) ΦB)X t ΘB)ε t. In virtù dell invertibilità degli operatori ΦB) e ΘB), possiamo scrivere le seguenti due forme alternative per X t : ΘB) 1 ΦB)X t ε t ΦB) 1 ΘB)ε t X t e quindi utilizzare le formule per il previsore di Wiener-Kolmogorov già presentate per i processi autoregressivi: [ ΦB) ˆX 1 ] ΘB) t1 t B k ΘB) 1 ΦB)X t. Esempio: processo ARM A1, 1). Consideriamo un processo stazionario, causale e invertibile espresso nella rappresentazione ARM A1, 1): 1 ϕb)x t 1 θb)ε t. Il calcolo del previsore lineare ottimale è immediatamente ricondotto alle formule precedenti grazie all ipotesi d invertibilità, per la quale possiamo porre 1θB) 1 1 ϕb) ωb), ottenendo: [ ] ωb) ) ˆXtk t B k ωb)x t.
12 12 Sviluppiamo il primo fattore, contenente l operatore di annichilazione: [ ] [ ωb) 1 1 θb)1 ϕb ϕ 2 B 2 ]...) B k B k [ 1 ϕb ϕ 2 B 2 ]... ik B k ϕ i B i k θ ϕ i 1 B i k ik ϕ k ϕ i k B i k θϕ k 1 ϕ i k B i k ik ϕ k θϕ k 1 ) [ B ϕb 2 ϕ 2 B 3 ]...) θ ik ϕ i k B i k ϕ k θϕ k 1 )1 ϕb) 1. Sostituendo questa relazione nella formula del previsore, otteniamo: ik B k 2.17) ˆXtk t ϕ k θϕ k 1 )1 θb) 1 X t. È evidente che al tendere di k all infinito, il previsore tende, in media quadratica, a zero, cioè, in generale, al valor medio del processo. Parallelamente, la varianza dell errore di previsione tende alla varianza del processo. 3. Previsione finita La questione della previsione così come è stata impostata e risolta nei paragrafi precedenti soffre di un problema operativo: sono necessarie infinite osservazioni per poter applicare i previsori lineari ottimali. Naturalmente, si tratta di una condizione che non è possibile soddisfare nella realtà ed è quindi necessario ottenere formule alternative per i previsori, basate su un passato finito Previsori approssimati*. Una prima possibilità è quella di utilizzare i previsori ottimali appena descritti e troncarne l espressione all ultimo istante temporale osservato. Questa soluzione equivale ad immaginare di osservare tutto il passato, supponendo che le osservazioni precedenti quelle realmente effettuate siano nulle.
13 Il problema, in questo caso, è che la bontà dell approssimazione deve essere valutata di caso in caso, giacché dipende dal numero di osservazioni fatte e dal valore dei parametri dei modelli in esame. Consideriamo, per esempio, il previsore lineare ottimale per il modello M A1): ˆX t1 t θ 1 1 θ 1 B) 1 X t θ 1 1 θ 1 B θ 2 1B 2...)X t. 13 Se sono disponibili le osservazioni da t h sino a t, l espressione del previsore avrà la seguente forma: ˆX h) t1 t θ 11 θ 1 B θ 2 1B ) h θ h 1 B h )X t. Per valutare la bontà dell approssimazione, dobbiamo confrontare gli errori di previsione del previsore esatto e di quello troncato. Nel primo caso, sappiamo dalla 2.10) che la varianza è pari a σε. 2 Per calcolare l errore di previsione nel caso troncato, osserviamo che vale la seguente relazione, che si dimostra per verifica diretta: 1 θ 1 B θ 2 1B ) h θ h 1 B h )X t 1 θ 1 B... 1) h θ h 1 B h )1 θ 1 B)ε t 1 1) h θ h1 1 B h1 )ε t. L errore di previsione risulta, in tal modo: X t1 la cui varianza, pari a ˆX h) t1 t ε t1 θ 1 ε t θ 1 ε t θ 1 1) h1 θ h1 ε t h 1 ε t1 1) h1 θ h2 1 ε t h 1 σ 2 ε 1 θ 2h2) 1 ), è superiore a quella del previsore non troncato. Al crescere di h, il previsore troncato tende, in media quadratica, al previsore infinito e la varianza dell errore di previsione tende a σ 2 ε dato che, per la condizione di invertibilità, θ 1 < 1. Per k finito, l approssimazione troncata è tanto migliore quanto più θ 1 è piccolo, in modo che il termine θ h2 1 ε t h 1 converga rapidamente a zero, al crescere di h.
14 Previsori esatti. Conoscendo solo una parte finita del passato del processo, cerchiamo di costruire il previsore lineare esatto, basato su un numero finito di osservazioni. Questo è un semplice problema di regressione multipla, dove l insieme dei regressori è costituito dal passato finito {X t,..., X t s }. Fissato l orizzonte previsivo k, dobbiamo pertanto cercare i coefficienti ω k) 1,..., ωk) s per i quali sia soddisfatta la seguente uguaglianza: con η k) tk s ωk) i X t i. X tk s ω k) i X t i η k) tk I coefficienti si ricavano impostando il seguente sistema di equazioni, detto sistema di Yule-Walker, ottenuto uguagliando le covarianze tra le variabili X t j, 0 j s e i due membri della precedente relazione: s ) CovX tk, X t j ) Cov ω k) i X t i, X t j s s ω k) i CovX t i, X t j ) ω k) i γ i j 0 j s. Il membro di sinistra non è altro che γ kj, pertanto possiamo scrivere: γ kj s ω k) i γ i j 0 j s che in forma matriciale diventa, ricordando che la matrice di varianze-covarianze è simmetrica: 3.1) γ k) Γω k) dove: γ k) γ k γ k1. γ ks γ 0 γ 1... γ s ; Γ γ 1 γ 0... γ s ; ωk) γ s γ s 1... γ 0 ω k) 0 ω k) 1. ω k) s.
15 Dalla 3.1) ricaviamo il vettore ω per inversione della matrice Γ che per processi stazionari non deterministici è sempre invertibile): 3.2) ω k) Γ 1 γ k). La forma esplicita del previsore è quindi: 3.3) ˆXtk t ω k) i ε t i con g ij generico elemento della matrice Γ 1. i,j0 g ij γ k) j ε t i, Osservazione. Notiamo che al variare dell orizzonte previsivo varia il vettore γ k), ma non la matrice Γ che rimane fissa. Quindi, se dobbiamo calcolare il previsore per diversi orizzonti temporali, date le variabili osservate nel passato, è sufficiente calcolare una volta per tutte Γ e poi applicarla a differenti vettori γ k). Osservazione. Sia il previsore troncato che il previsore esatto basati sulla medesima parte finita di storia del processo sono una combinazione lineare delle variabili osservate più una costante). La differenza tra i due è che i coefficienti del previsore troncato non sono ottimali, nel senso che non definiscono la regressione della variabile da prevedere sulla porzione di passato osservata e quindi non minimizzano la varianza dell errore di previsione. Se indichiamo con: s θ k) i X t i il previsore troncato, allora l informazione lineare) presente nel passato osservato che il previsore troncato non è in grado di catturare è sintetizzata dalla seguente variabile δ: s s s δ tk t θ k) i X t i ω k) i X t i θ k) i ω k) i )X t i. La sua varianza è data da: V arδ tk t ) s g k) i i,j0 ω k) i )γ ij g k) j ω k) j ). 15 Osservazione. In tutta la discussione che abbiamo svolto, abbiamo supposto che il passato osservato fosse composto da s osservazioni consecutive. È chiaro che tutto quanto detto rimarrebbe inalterato se le osservazioni riguardassero un numero finito di istanti temporali sparsi nel passato del processo. Se avessimo osservato le variabili X t1,..., X ts, per costruire il previsore esatto basterebbe regredire sulle s variabili conosciute e tutto rimarrebbe identico alla discussione precedente.
16 16 Esempio: previsione di un processo AR1). Consideriamo il seguente processo stazionario di media nulla, in forma autoregressiva: 3.4) X t φx t 1 ε t con φ < 1. Supponiamo di aver osservato solo la variabile X 0 e diamo le previsioni per tutti i tempi successivi. La funzione di covarianza per questo processo ha la seguente forma: γ k φ k γ 0 e a sua volta γ 0 è rapidamente ricavato dalla definizione del processo: γ 0 φ 2 γ 0 σ 2 ε da cui si ottiene: γ 0 σ2 ε 1 φ 2. Avendo a disposizione una sola osservazione, il parametro s è pari a 0, pertanto la matrice Γ si riduce allo scalare Γ γ 0 Analogamente, il vettore γ k) è semplicemente γ k) γ k. Il sistema di Yule-Walker si banalizza e si ottiene si noti che, volendo prevedere il futuro k è positivo e quindi uguale a k ) e la previsione di X k è semplicemente: ω 0 γ k γ 0 ρ k φ k ˆX k 0 φ k X 0. La varianza dell errore di previsione è fornita dalla seguente espressione: V arx k ˆX k 0 ) V arφx k 1 ε k φ k X 0 ) φ 2 γ 0 σ 2 ε φ 2k γ 0 2φ k1 γ k 1 φ 2 γ 0 σ 2 ε φ 2k γ 0 2φ k1 φ k 1 γ 0 φ 2 1 φ 2 σ2 ε σε 2 φ2k 1 φ 2 σ2 ε 2φ2k 1 φ 2 σ2 ε ) 1 φ σε 2 2k 1 φ 2.
17 17 Dalle espressioni appena fornite si vede che: se k 1, la varianza dell errore di previsione coincide con la varianze di σ 2 ε, come ovvio attendersi, data la forma AR1) del processo; se k, il previsore tende a zero in media quadratica cioè alla media del processo) e la varianza del previsore tende al valore σ 2 ε/1 φ 2 ), cioè alla varianza del processo. Esempio. La costruzione del previsore dipende esclusivamente dalla funzione di covarianza, non dallo specifico processo che la realizza. Pertanto, per costruire il previsore esatto basta che sia assegnata γ k. Supponiamo che sia: 3.5) γ k 2E k e calcoliamo la matrice Γ nel caso in cui siano disponibili le osservazioni ai tempi t t 1 e t t 2. Evidentemente, è γ 0 2 e γ t1 t 2 2E t 1 t 2, pertanto: 2 2E 3.6) Γ t ) 1 t 2 2E t 1 t 2 2 da cui si ricava immediatamente Γ 1 : 2 1 e t 1 t 2 e t 1 t ) Γ e t ) 1 t 2 21 e 2 t 1 t 2 ) e t 1 t 2. 1 Per prevedere il processo al generico tempo t 3, è sufficiente applicare Γ 1 al vettore: 3.8) γ ricavando γ t3 t 1 γ t3 t 2 ) ) e t 3 t 1 2, e t 3 t 2 e t 3 t 1 3.9) ω e t ) 1 t 2 t 3 t 2 e t 1 t 2 t 3 t 1 e t 1 t 2. )
18 18 Vale la pena notare che se, per esempio, poniamo t 3 t 1, il vettore ω si riduce a: e t 1 t 1 ω e t ) 1 t 2 t 1 t 2 1 e e t 1 t 2 t 1 t 1 e t 1 t 2 2 t ) 1 t 2 1 e t 1 t 2 e t 1 t 2 0) cioè il previsore per il tempo t 1 coincide con la variabile X t1 che è stata osservata e, come lecito attendersi, in questo caso la varianza dell errore di previsione si annulla.
Parte 2. Determinante e matrice inversa
Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice
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
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
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
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
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
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....................................
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
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
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
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
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)
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
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
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
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
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
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
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
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
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
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
Dettagli1 Applicazioni Lineari tra Spazi Vettoriali
1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!
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
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
DettagliESERCIZI DI ALGEBRA LINEARE E GEOMETRIA
ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai
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
DettagliCorrispondenze e funzioni
Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei
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
Dettagli11. Analisi statistica degli eventi idrologici estremi
. Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche
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
DettagliMICROECONOMIA La teoria del consumo: Alcuni Arricchimenti. Enrico Saltari Università di Roma La Sapienza
MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti Enrico Saltari Università di Roma La Sapienza 1 Dotazioni iniziali Il consumatore dispone ora non di un dato reddito monetario ma di un ammontare
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
DettagliEquazioni alle differenze finite (cenni).
AL 011. Equazioni alle differenze finite (cenni). Sia a n } n IN una successione di numeri reali. (Qui usiamo la convenzione IN = 0, 1,,...}). Diremo che è una successione ricorsiva o definita per ricorrenza
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.....................
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano
DettagliSERIE 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.........
DettagliParte 6. Applicazioni lineari
Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R
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
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
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:
Dettaglilezione 18 AA 2015-2016 Paolo Brunori
AA 2015-2016 Paolo Brunori Previsioni - spesso come economisti siamo interessati a prevedere quale sarà il valore di una certa variabile nel futuro - quando osserviamo una variabile nel tempo possiamo
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
Dettagli2 + (σ2 - ρσ 1 ) 2 > 0 [da -1 ρ 1] b = (σ 2. 2 - ρσ1 σ 2 ) = (σ 1
1 PORTAFOGLIO Portafoglio Markowitz (2 titoli) (rischiosi) due titoli rendimento/varianza ( μ 1, σ 1 ), ( μ 2, σ 2 ) Si suppone μ 1 > μ 2, σ 1 > σ 2 portafoglio con pesi w 1, w 2 w 1 = w, w 2 = 1- w 1
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
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
DettagliEsponenziali elogaritmi
Esponenziali elogaritmi Potenze ad esponente reale Ricordiamo che per un qualsiasi numero razionale m n prendere n>0) si pone a m n = n a m (in cui si può sempre a patto che a sia un numero reale positivo.
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
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,
DettagliSia data la rete di fig. 1 costituita da tre resistori,,, e da due generatori indipendenti ideali di corrente ed. Fig. 1
Analisi delle reti 1. Analisi nodale (metodo dei potenziali dei nodi) 1.1 Analisi nodale in assenza di generatori di tensione L'analisi nodale, detta altresì metodo dei potenziali ai nodi, è un procedimento
DettagliESERCIZI DI MATEMATICA FINANZIARIA DIPARTIMENTO DI ECONOMIA E MANAGEMENT UNIFE A.A. 2015/2016. 1. Esercizi: lezione 24/11/2015
ESERCIZI DI MATEMATICA FINANZIARIA DIPARTIMENTO DI ECONOMIA E MANAGEMENT UNIFE A.A. 2015/2016 1. Esercizi: lezione 24/11/2015 Valutazioni di operazioni finanziarie Esercizio 1. Un operazione finanziaria
DettagliCRITERI DI CONVERGENZA PER LE SERIE. lim a n = 0. (1) s n+1 = s n + a n+1. (2) CRITERI PER LE SERIE A TERMINI NON NEGATIVI
Il criterio più semplice è il seguente. CRITERI DI CONVERGENZA PER LE SERIE Teorema(condizione necessaria per la convergenza). Sia a 0, a 1, a 2,... una successione di numeri reali. Se la serie a k è convergente,
Dettagli3 GRAFICI DI FUNZIONI
3 GRAFICI DI FUNZIONI Particolari sottoinsiemi di R che noi studieremo sono i grafici di funzioni. Il grafico di una funzione f (se non è specificato il dominio di definizione) è dato da {(x, y) : x dom
DettagliAnalisi di scenario File Nr. 10
1 Analisi di scenario File Nr. 10 Giorgio Calcagnini Università di Urbino Dip. Economia, Società, Politica giorgio.calcagnini@uniurb.it http://www.econ.uniurb.it/calcagnini/ http://www.econ.uniurb.it/calcagnini/forecasting.html
DettagliEsercizi di Macroeconomia per il corso di Economia Politica
Esercizi di Macroeconomia per il corso di Economia Politica (Gli esercizi sono suddivisi in base ai capitoli del testo di De Vincenti) CAPITOLO 3. IL MERCATO DEI BENI NEL MODELLO REDDITO-SPESA Esercizio.
Dettagli4. Operazioni elementari per righe e colonne
4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:
Dettaglix 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0.
Problema. Sia W il sottospazio dello spazio vettoriale R 4 dato da tutte le soluzioni dell equazione x + x 2 + x = 0. (a. Sia U R 4 il sottospazio dato da tutte le soluzioni dell equazione Si determini
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
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
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.
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
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
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
DettagliCome visto precedentemente l equazione integro differenziale rappresentativa dell equilibrio elettrico di un circuito RLC è la seguente: 1 = (1)
Transitori Analisi nel dominio del tempo Ricordiamo che si definisce transitorio il periodo di tempo che intercorre nel passaggio, di un sistema, da uno stato energetico ad un altro, non è comunque sempre
DettagliIntorni Fissato un punto sull' asse reale, si definisce intorno del punto, un intervallo aperto contenente e tutto contenuto in
Intorni Fissato un punto sull' asse reale, si definisce intorno del punto, un intervallo aperto contenente e tutto contenuto in Solitamente si fa riferimento ad intorni simmetrici =, + + Definizione: dato
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,
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
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
DettagliSchemi delle Lezioni di Matematica Generale. Pierpaolo Montana
Schemi delle Lezioni di Matematica Generale Pierpaolo Montana A volte i fenomeni economici che ci interessano non variano con continuitá oppure non possono essere osservati con continuitá, ma solo a intervalli
Dettagli13. Campi vettoriali
13. Campi vettoriali 1 Il campo di velocità di un fluido Il concetto di campo in fisica non è limitato ai fenomeni elettrici. In generale il valore di una grandezza fisica assegnato per ogni punto dello
DettagliESERCIZI APPLICAZIONI LINEARI
ESERCIZI APPLICAZIONI LINEARI PAOLO FACCIN 1. Esercizi sulle applicazioni lineari 1.1. Definizioni sulle applicazioni lineari. Siano V, e W spazi vettoriali, con rispettive basi B V := (v 1 v n) e B W
DettagliTeoria delle code. Sistemi stazionari: M/M/1 M/M/1/K M/M/S
Teoria delle code Sistemi stazionari: M/M/1 M/M/1/K M/M/S Fabio Giammarinaro 04/03/2008 Sommario INTRODUZIONE... 3 Formule generali di e... 3 Leggi di Little... 3 Cosa cerchiamo... 3 Legame tra N e le
DettagliApplicazioni lineari
Applicazioni lineari Esempi di applicazioni lineari Definizione. Se V e W sono spazi vettoriali, una applicazione lineare è una funzione f: V W tale che, per ogni v, w V e per ogni a, b R si abbia f(av
DettagliMacroeconomia, Esercitazione 2. 1 Esercizi. 1.1 Moneta/1. 1.2 Moneta/2. 1.3 Moneta/3. A cura di Giuseppe Gori (giuseppe.gori@unibo.
acroeconomia, Esercitazione 2. A cura di Giuseppe Gori (giuseppe.gori@unibo.it) 1 Esercizi. 1.1 oneta/1 Sapendo che il PIL reale nel 2008 è pari a 50.000 euro e nel 2009 a 60.000 euro, che dal 2008 al
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
Dettagli2 Argomenti introduttivi e generali
1 Note Oltre agli esercizi di questa lista si consiglia di svolgere quelli segnalati o assegnati sul registro e genericamente quelli presentati dal libro come esercizio o come esempio sugli argomenti svolti
DettagliSegnali e Sistemi. Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici. Gianni Borghesan e Giovanni Marro
Segnali e Sistemi Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici Gianni Borghesan e Giovanni Marro Indice Introduzione 2. Notazione............................. 2 2 Classificazione
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,
Dettagli11) convenzioni sulla rappresentazione grafica delle soluzioni
2 PARAGRAFI TRATTATI 1)La funzione esponenziale 2) grafici della funzione esponenziale 3) proprietá delle potenze 4) i logaritmi 5) grafici della funzione logaritmica 6) principali proprietá dei logaritmi
DettagliUna ricetta per il calcolo dell asintoto obliquo. Se f(x) è asintotica a mx+q allora abbiamo f(x) mx q = o(1), da cui (dividendo per x) + o(1), m =
Una ricetta per il calcolo dell asintoto obliquo Se f() è asintotica a m+q allora abbiamo f() m q = o(1), da cui (dividendo per ) m = f() q + 1 f() o(1) = + o(1), mentre q = f() m = o(1). Dunque si ha
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE SISTEMI M/G/1 e M/D/1 Sistemi M/G/1 Nei sistemi M/G/1: i clienti arrivano secondo un processo di Poisson con parametro λ i tempi di servizio hanno una distribuzione generale della
Dettagli4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI
119 4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI Indice degli Argomenti: TEMA N. 1 : INSIEMI NUMERICI E CALCOLO
DettagliProbabilità discreta
Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che
Dettagli0. Piano cartesiano 1
0. Piano cartesiano Per piano cartesiano si intende un piano dotato di due assi (che per ragioni pratiche possiamo scegliere ortogonali). Il punto in comune ai due assi è detto origine, e funziona da origine
DettagliIndice. 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo... 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità...
Indice 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo............................. 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità.............. 5 i Capitolo 1 Introduzione
DettagliSe x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2
NLP -OPT 1 CONDIZION DI OTTIMO [ Come ricavare le condizioni di ottimo. ] Si suppone x* sia punto di ottimo (minimo) per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J la condizione
DettagliLE FIBRE DI UNA APPLICAZIONE LINEARE
LE FIBRE DI UNA APPLICAZIONE LINEARE Sia f:a B una funzione tra due insiemi. Se y appartiene all immagine di f si chiama fibra di f sopra y l insieme f -1 y) ossia l insieme di tutte le controimmagini
DettagliIl metodo della regressione
Il metodo della regressione Consideriamo il coefficiente beta di una semplice regressione lineare, cosa significa? È una differenza tra valori attesi Anche nel caso classico di variabile esplicativa continua
DettagliLe funzioni continue. A. Pisani Liceo Classico Dante Alighieri A.S. 2002-03. A. Pisani, appunti di Matematica 1
Le funzioni continue A. Pisani Liceo Classico Dante Alighieri A.S. -3 A. Pisani, appunti di Matematica 1 Nota bene Questi appunti sono da intendere come guida allo studio e come riassunto di quanto illustrato
Dettagli1 Alcuni criteri di convergenza per serie a termini non negativi
Alcuni criteri di convergenza per serie a termini non negativi (Criterio del rapporto.) Consideriamo la serie a (.) a termini positivi (ossia a > 0, =, 2,...). Supponiamo che esista il seguente ite a +
DettagliVerifica di ipotesi e intervalli di confidenza nella regressione multipla
Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2014 Rossi MRLM Econometria - 2014 1 / 23 Sommario Variabili di controllo
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
DettagliIl Campionameto dei segnali e la loro rappresentazione. 1 e prende il nome frequenza di
Il Campionameto dei segnali e la loro rappresentazione Il campionamento consente, partendo da un segnale a tempo continuo ovvero che fluisce con continuità nel tempo, di ottenere un segnale a tempo discreto,
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
DettagliLEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1
LEZIONE 14 141 Dimensione di uno spazio vettoriale Abbiamo visto come l esistenza di una base in uno spazio vettoriale V su k = R, C, permetta di sostituire a V, che può essere complicato da trattare,
DettagliProdotto libero di gruppi
Prodotto libero di gruppi 24 aprile 2014 Siano (A 1, +) e (A 2, +) gruppi abeliani. Sul prodotto cartesiano A 1 A 2 definiamo l operazione (x 1, y 1 ) + (x 2, y 2 ) := (x 1 + x 2, y 1 + y 2 ). Provvisto
Dettagli4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0
Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice
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
DettagliRaccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata, Matematica
DIPARTIMENTO DI MATEMATICA Università degli Studi di Trento Via Sommarive - Povo (TRENTO) Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata,
Dettagli