PROCESSI STOCASTICI A.A. 2010/2011. DIARIO DELLE LEZIONI
|
|
- Gianfranco Casadei
- 5 anni fa
- Visualizzazioni
Transcript
1 PROCESSI STOCASTICI A.A. 2010/2011. DIARIO DELLE LEZIONI Martedì 19/10/2010 (14-16) Richiami di teoria della probabilità: spazio di probabilità, alcune consequenze della definizione di funzione di probabilità, teoremi limite per successioni monotone di eventi e applicazione al caso di infiniti lanci di una moneta, probabilità condizionata, legge delle probabilità composte, legge della probabilità totale, la probabilità condizionata è una funzione di probabilità, condizionamento di una probabilità condizionata, indipendenza di 2 o di 3 eventi. Mercoledì 20/10/2010 (9-10) Richiami di teoria della probabilità: indipendenza di una famiglia finita di eventi, variabile aleatoria (v.a.), v.a. discreta, valor medio di una v.a. discreta reale, valor medio di una funzione di v.a. discreta reale, indipendenza di 2 variabili aleatorie, indipendenza di 2 famiglie {X j } j J e {Y k } k K di variabili aleatorie, eventi determinabili da una famiglia {X j } j J di variabili aleatorie. Elementi di catene di Markov: spazio degli stati I, misura su I, distribuzione su I, matrice stocastica su I, rappresentazione grafica di una matrice stocastica. Esercizi: Dare la rappresentazione grafica della matrice stocastica P = Svolgere gli esercizi 1 e 2 dell eserciziario /2 1/4 1/4 1/3 2/3 0 Venerdì 22/10/2010 (9-11) Correzione degli esercizi. Definizione di catena di Markov a tempo discreto con spazio degli stati I, distribuzione iniziale λ e matrice di transizione P (caso n 0 e caso n : 0 n N). Fatto: (X n ) n 0 è CM(λ,P) se e solo se (X n ) 0 n N è CM(λ,P) per ogni N 0. Esempio 1: passeggiata dell ubriaco dal bar a casa passando per tre lampioni. Esempio 2: sia (X n ) n 0 una famiglia di v.a. IID a valori in I e sia µ(i) = P(X n = i). Allora (X n ) n 0 è CM(µ,P) dove p i,j = µ(j) [nella dinamica, oltre alla perdita di memoria del passato, non c è consapevolezza del presente]. Esempio 3: sia (Z n ) n 1 una famiglia di v.a. IID a valori in { 1,1}. Definiamo { 0 se n = 0, X n := Z 1 + Z Z n se n 1. Allora (X n ) n 0 è CM(δ 0,P) su Z dove, dati x,y Z, p se y = x + 1, p x,y := q se y = x 1, 0 altrimenti, e p := P(Z n = 1), q := 1 p = P(Z n = 1). (X n ) n 0 è passeggiata aleatoria su Z tra stati primi vicini, che salta a destra con probabilità p e a sinistra con probabilità q = 1 p. Theorem [N]. Esercizio. Considerare (X n ) n 0 CM(λ,P) su I := {1,2} con λ = (1/4,3/4) e 1.
2 2 ( 1/2 1/2 P = 1/3 2/3 0 k n). ). Determinare P(X 0 = 1,x 1 = 1,X 2 = 2) e P(X k = X 0 k : Martedì 26/10/2010 (14-16) Conclusione della dimostrazione del Teorema [N]. Altre regole di calcolo: Teorema [N]. Fatto: Se (X n ) n 0 è CM(λ,P) allora, dati 0 n 1 < n 2 < < n k e i 0,i 1,...,i k I, vale P(X n0 = i 0,X n1 = i 1,...,X nk = i k ) = λ i0 (P n 1 ) i0,i 1 (P n 2 n 1 ) i1,i 2 (P n k n k 1 ) ik 1,i k. Proprietà di Markov (a tempi deterministici): Teorema [N]. Mercoledì 27/10/2010 (9-10) Conclusione della dimostrazione del Teorema [N]. ( ) 1 α α Studio della CM con I = {1,2}. Paremetrizzando P = con β 1 β α,β [0,1], calcolo esatto di P n risolvendo equazioni ricorsive. Corollario: [Convergenza all equilibrio] Se α, β non sono entrambi nulli e non sono entrambi 1, allora lim P(X n = 1) = n β α + β, lim P(X n = 2) = n α α + β per ogni (X n ) n 0 CM(λ,P). Esercizi: Discutere la suddetta convergenza all equilibrio nel caso α = β = 0 e nel caso α = β = 1. Svolgere esercizio 6 eserciziario per Y n e Z n (prima parte). Svolgere esercizio 7 eserciziario. Venerdì 29/10/2010 (9-11) Correzione degli esercizi. Simulazione di della CM(λ,P) con spazio degli stati finito. Definizione di i conduce a j e di i comunica con j. Teorema [N]. Esercizi: svolgere l esercizio 6 dell eserciziario per T n. Martedì 2/11/2010 (14-16) Traccia per calcolare P n nel caso di I = 2 tramite diagonilizzazione. Catene di Markov a tempo discreto non omogenee nel tempo associate alla distribizione λ e alla successione di matrici stocastiche P (1),P (2),P (3),.... Correzione esercizio 6 dell eserciziario per T n e discussione in merito a CM non omogenee (vedi link da webpage). Classi comunicanti, classi comunicanti chiuse, stati assorbenti. Probabilità di visitare un dato sottinsieme A I per la CM (X n ) n 0. Probabilità di assorbimento. Enunciato del Teo di [N] e discussione di alcuni esempi con I <. Esercizi: svolgere l esercizio 5 dell eserciziario e l esercizio del [N].
3 3 Mercoledì 3/11/2010 (9-10) Correzione esercizi. Data CM (X n ) n 0 a valori in I e data f : I J, la successione di v.a. (f(x n )) n 0 non è necessariamente CM. Lo è se ad esempio f è mappa iniettiva. Dimostrazione del teorema in [N]. Rovina del giocatore (discussione parziale). Esercizi: svolgere l esercizio 8 dell eserciziario. Venerdì 5/11/2010 (9-11) Correzione degli esercizi. Teorema di Bayes. Rovina del giocatore: calcolo probabilità di rovina nei tre casi p > q, p = q, p < q. Applicazione del suddetto risultato per il calcolo della probabilità di visitare il sito x per la passeggiata aleatoria su Z tra siti primi vicini. Catene di nascita e morte. Calcolo della probabilità di estinzione. Esercizi dall eserciziario: esercizio 4 (tranne stati ricorrenti/transienti nel punto 2 e tranne il punto 5), esercizio 9, esercizio 13, esercizio 15. Martedì 16/11/2010 (14-17) Tempo aleatorio, tempo di arresto, proprietà forte di Markov (Teorema [N]) e relativa dimostrazione. Correzione degli esercizi 4,9,13. Mercoledì 17/11/2010 (9/10) Correzione esercizio 15, definizione stato ricorrente, definizione stato transiente, enunciato teorema di dicotomia ricorrente transiente (Teorema [N]) Mercoledì 19/11/2010 (9/10) Ulteriori commenti sull esercizio 15. Come calcolare P j (E H A < ) dove j I, A è un sottinsieme dello spazio degli stati, j A, H A := inf{n 0 : X n A}, E è un evento dipendente solo da X HA,X HA +1,X HA +2,..: 1) per la legge delle probabilità totali abbiamo P j (E H A < ) = i A P j (X HA = i H A < )P j (E X HA = i,h A < ) 2)per la proprietà di Markov forte si ha P j (E X HA = i,h A < ) = P i (E ) dove E = {F(X 0,X 1,... )} se E = {F(X HA,X HA +1, )} per qualche affermazione F. 3) invece, P j (X HA = i H A < ) = P j (H i < ), dove P j è la probabilità associata ad una nuova CM che inizia in j e che ha matrice di transizione P ottenuta dalla originaria matrice di transizione P rendendo assorbenti tutti gli stati di A. Fatto: se i è stato transiente, allora per ogni (X n ) n 0 CM(λ,P) si ha P(X n = i per un numero finito di n) = 1. Teorema 1.5.4, Teorema e Teorema in [N] (enunciato e dimostrazione). Corollario: Se I è finito, allora gli stati ricorrenti sono tutti e soli gli stati nelle classi comunicanti chiuse mentre gli stati transienti sono tutti e soli gli stati nelle classi comunicanti non chiuse.
4 4 Giovedì 25/11/2010 (15/17) Esonero parziale. Testo e soluzioni sono disponibili online. Martedì 30/11/2010 (14/14.30) Consegna esoneri corretti. A causa della protesta contro il DDL Gelmini la lezione è stata annullata e verrà recuperata in seguito. Ringrazio gli studenti che si sono mobilitati per tale nobile causa. Mercoledì 30/11/2010 (14/14.30) Dimostrazione del Teorema di Dicotomia ricorrenza/transienza (see Theorem in [N]). La conclusione della dimostrazione verrà spiegata Venerdì. Venerdì 3/12/2010 (9/11) Conclusione della dimostrazione del Teorema di Dicotomia ricorrenza/transienza (see Theorem in [N]). Fatto 1 (usato nella dimostrazione ed interessante indipendentemente): Dato un stato i, posto f i := P i (T i < ), vale P i (ritorno in i almeno k volte) = f k i. Fatto 2 (Teorema [N] rafforzato): Se P è ricorrente e irriducibile, allora P i ( visito j infinite volte ) = 1, i,j I. Come conseguenza del Fatto 2 e del Fatto giorno Mercoledì 19/11 abbiamo la seguente analisi qualitativa: se I <, con probabilità 1 la traiettoria (X n ) n 0 si troverà definitivamente dentro una classe comunicante chiusa e visiterà ciascun elemento di tale classe infinite volte. Fatto 3: Si consideri la passeggiata aleatoria tra primi vicini su Z con p probabilità di saltare a destra e q = 1 p probabilità di saltare a sinistra. Allora tutti gli stati sono ricorrenti nel caso simmetrico (p = q = 1/2), tutti gli stati sono transienti nel caso asimmetrico (p q). Del suddetto fatto abbiamo dato una dimostrazione come in [N, Sec. 1.6], una dimostrazione basata sul calcolo esplicito di f 0 = P 0 (T 0 < ) tramite la probabilità di raggiungere 0 nel modello della rovina del giocatore, una dimostrazione basata sulla legge forte dei grandi numeri e l esempio 3 del giorno 22/10 valida nel caso asimmetrico (p q). Il Fatto 3 fornisce esempi di catene di markov con classi comunicanti chiuse i cui stati sono tutti transienti (0 < p < 1 e p q). Enunciato teorema di Polya. Come conseguenza di tutti i risultati che conosciamo abbiamo per la passeggiata simmetrica semplice su Z d : P x ( visito y infinite volte) = 1, x,y Z d, (0.1) P x ( visito y infinite volte) = 0, x,y Z d. (0.2) Catena di Markov stazionaria, distribuzione invariante. Fatto 4:Una catena di Markov è stazionaria se e solo se la sua distribuzione iniziale è invariante rispetto alla matrice di transizione.
5 5 Esercizio: sia C I una classe comunicante chiusa. Provare che ˆP = (p i,j ) i,j C è una matrice stocastica irriducibile. Provare che se C è ricorrente (transiente) per P allora lo è anche per ˆP. Martedì 7/12/2010 (14/17) Teorema di struttura per le distribuzioni invarianti (vedi integrazioni, available online). Esercizio: determinare misure e distrubuzioni invarianti per la passeggiata aleatoria su Z tra siti primi vicini. Venerdì 10/12/2010 (9/10) Conclusione del teorema di struttura (dimostrazione che se I è finito e P è irriducibile allora P ammette un unica distribuzione invariante). Misure e distribuzioni reversibili. Equazione del bilancio dettagliato. Catena di Marvov reversibile. Fatto. Una catena di Markov CM(λ,P) è reversibile se e solo se λ è reversibile rispetto a P. Matrice stocastica regolare. Teorema di convergenza all equilibrio per catene di Markov su spazio degli stati finito con matrice stocastica regolare. Esercizio 1. Per la passeggiata aleatoria su Z tra primi vicini determinare misure e distribuzioni reversibili. Esercizio 2. Si consideri la passeggiata aleatoria sullo spazio quoziente Z/M Z dove, fissato p [0, 1], vale p se y = x + 1, P x,y = q := 1 p se y = x 1, 0 altrimenti. Determinare misure e distribuzioni invarianti, determinare misure e distribuzioni reversibili. Esercizio 3. Si consideri la matrice stocastica P = 1/ / / / /2 1/ /4 3/ /7 1/7 1/7 1/7 1/7 1/7 1/7 Determinare misure e distribuzioni invarianti, determinare misure e distribuzioni reversibili (rispetto a P). Martedì 14/12/2010 (14/17) Dimostrazione completa del teorema di struttura per distribuzioni reversibili. Periodo di uno stato, Fatto 1. Gli stati di una matrice irridicubile hanno tutti lo stesso periodo. Periodo di una matrice irriducibile. Fatto 2. Una matrice irriducibile e aperiodica è regolare
6 6 I Fatti 1 e 2 sono trattati a pagina 8 del testo disponibile online Teorema ergodico: Sia I finito e P irriducibile. Allora, per ogni distribuzione iniziale e per ogni funzione f : I R vale P ( lim n n 1 1 f(x k ) = ) f(i)π i = 1 n k=0 i I dove π denota l unica distribuzione invariante. Del teorema ergodico è richiesto solo l enunciato. Nel caso in cui (X n ) n 0 è una successione di v.a. IID a valori in I = {i 1,i 2,...,i k } R si può ottenere la legge forte dei grandi numeri come caso particolare del teorema ergodico prendendo f(x) = x. Infatti (X n ) n 0 è CM(λ,P) dove λ i = P(X 0 = i) e P i,j = P(X 0 = j). Si verifica che λ è anche la distribuzione invariante e che λ(f) = E(X 0 ). Processo a tempi continui con cammini continui a destra e avente limite a sinistra (càdlàg) su spazio degli stati I numerabile, avente topologia discreta. Esercizio 1. Determinare le distribuzioni reversibili dell esempio discusso nelle note integrative nella sezione applicazioni. Esercizio 2. Determinare il periodo degli stati 1, 2 di una generica matrice stocastica sullo spazio I = {1,2}. Mercoledì 15/12/2010 (9/10) Sezione 2.2 in [N]: Tempi di salto J n e tempi di permanenza S n, tipologia delle traiettorie càdlàg a valori in I, tempo di esplosione. Definizione del processo a tempi continui (X t ) t 0 a valori in I càdlàg e minimale in termini dello spazio esteso I { } dove è lo stato cimitero. Variabili aleatorie esponenziali. Esercizio: svolgere gli esercizi 10, 12 e 16 dell eserciziario (nell es.16 omettere la determinazione degli stati ricorrenti positivi e ricorrenti nulli al punto 3). Venerdì 17/12/2010 (9/10) Correzione esercizi 12,16 dell eserciziario. Discussioni del periodo degli stati rispetto ad una matrice stocastica con spazio degli stati I = {1,2}. ( ) 0 1 Osservazione: se T (x) =, come nel caso di T (1) per P =, diciamo 0 1 che il periodo di 1 è indefinito. Nel caso di P irriducibile abbiamo T (x) per ogni x I (vedi dimostrazione che tutti gli stati hanno lo stesso periodo). Osservazione: per processi (X t ) t 0 a tempo continuo a valori in I insieme numerabile essere càdlàg e minimali oppure continui a destra e minimali (come in [N], cap. 2) è la stessa cosa. Caratterizzazione delle v.a. esponenziali con la perdita di memoria (th [N]). Definizione del processo di salto [N, Sec. 2.2]. Definizione di una Q matrice e della matrice di salto Π ad essa associata [N, Sec. 2.3]. Definizione di catena di Markov a tempi continui con generatore Q e distribuzione iniziale λ [N, p.88].
7 7 Martedì 11/01/2011 (14/17) Richiamata e commentata definizione di CM a tempi continui. Fatto: Sia (X t ) t 0 una CM(λ,Q). Allora P(E) = λ i0 Π i0,i 1 Π i1,i 2 Π in 1,i n e q(i 0)t 1 q(i 0 )e q(i 1)(t 2 t 1 ) q(i 1 ) e q(i n 1)(t n t n 1 ) q(i n 1 )e q(in)(t tn) dt 1 dt 2 dt n = λ i0 Q i0,i 1 Q i1,i 2 Q in 1,i n e q(i 0)t 1 e q(i 1)(t 2 t 1) e q(i n 1)(t n t n 1 ) e q(in)(t tn) dt 1 dt 2 dt n dove, fissati n = 0,1,2,... and tempi 0 < t 1 < t 2 < < t n t e stati i 0,i 1,...,i n, l evento E è definito come l evento che nell intervallo [0,t] il processo fa esattamente n salti, partendo da i 0 poi saltando a i 1 poi saltando a i 2 e così via fino a saltare a i n all n esimo salto, ed inoltre avendo J 1 [t 1,t 1 + dt 1 ], J 2 [t 2,t 2 + dt 2 ],..., J n [t n,t n + dt n ]. Esempio: sia (X t ) t 0 CM(λ,Q), con I = {1,2,3}, λ = (2/3,1/3,0) e Q = Abbiamo calcolato la probabilità dei seguenti eventi: 1) nell intervallo [0,t] non vi sono salti; 2) nell intervallo [0,t] vi è esattamente un salto; 3) nell intervallo [0,t] vi è esattamente un salto e in tale salto si passa da 1 a 2; 4) X J2 = 3. Esercizio per venerdì: si consideri la CM dell esempio precedente. 1) Calcolare P(S 1 = 10). 2) Calcolare P(al tempo 10 avviene un salto). 3) Calcolare E(S 1 ). 4) Determinare la legge del vettore aleatorio (S 1,S 2 ) (cioè la sua funzione di partizione o la sua densità di probabilità). 5) Calcolare E(S 3 ) Esercizio per mercoledì: sia (X t ) t 0 CM(λ,Q), con I = {1,2,3}, λ = (1/4,1/4,2/4) e Q = Calcolare la probabilità dei seguenti eventi: 1) S 1 > t, 2) nell intervallo [0,t] vi è esattamente un salto e in tale salto si passa da 1 a 2. Costruzione CM a tempi continui (fine p.88, inizio p.89 in [N]). Definizione di tempo di arresto rispetto (X t ) t 0 (vedi righe prima del Th in [N]). Semigruppo generato da una matrice quadrata finita e sue proprietà (th in
8 8 [N]). Teorema in [N] (notare che la dimostrazione in [N] non è corretta). Mercoledì 12/01/2011 (9/10) Proprietà di Markov forte per CM a tempi continui (Th in [N]). Solo enunciato. Th in [N], escluso punto (iii). Correzione esercizi. Con riferimento al secondo esercizio di martedì: provare che con probabilità 1 X t è definitivamente pari allo stato 2. Esercizio.Con riferimento al primo esercizio di martedì: 1) Determinare la probabilità che non vi siano salti in [J 3,J ]. 2) Posto T := inf{t 0 : X t = 3}, determinare la probabilità che in [T,T + 100] vi sia almeno un salto e il primo tra questi porti il sistema nello stato 2. 3) Determinare la probabilità che al primo salto effettuato dopo il tempo T il sistema passi nello stato 1. Venerdì 14/01/2011 (9/11) Correzione degli esercizi. Enunciato Teorema in [N] e iniziata la dimostrazione. Martedì 18/01/2011 (14/17) Conclusa la dimostrazione del Teorema in [N]. Provato per CM(λ,Q) che P i (S 1 < t,y 1 = j) = Π i,j (1 e q(i)t ) e dedotto da questo che gli eventi {S 1 < t} e {Y 1 = j} sono indipendenti rispetto a P i. Definizione processo di Poisson di parametro λ > 0 [brevemente PP(λ)] (see Section 2.4 in [N]). Provato che (X t ) t 0 è PP(λ) se e solo se è CM(δ 0,Q) su N := {0,1,2,... } con generatore Q come a pag. 74 del [N]. Proprietà di Markov per PP(λ), see Theorem Iniziata dimostrazione. Mercoledì 19/01/2011 (9/10) Conclusa dimostrazione del Theorem in [N] [la versione di [N] manca di diverse precisazioni]. Provato che PP(λ) non ha esplosione quasi certamente: P(lim n J n = ) = 1. Ricordato il fatto provato martedì 11/01 e dedotto da esso che la definizione di CM(λ, Q) data in [N][p.88] determina univocalmente la legge del processo, cioè la probabilità dei singoli eventi. References [N] J.R. Norris. Markov Chains. Cambridge series on Statistical and Probabilistic Mathematics. Cambridge University Press, 1997.
PROCESSI STOCASTICI 1: ESERCIZI
PROCESSI STOCASTICI 1: ESERCIZI (1) ESERCIZIO: Date P e Q matrici stocastiche, dimostrare che la matrice prodotto P Q è una matrice stocastica. Dedurre che la potenza P n e il prodotto P 1 P 2 P n sono
DettagliPROCESSI STOCASTICI 1: ESERCIZI
PROCESSI STOCASTICI 1: ESERCIZI (1) ESERCIZIO: Date P e Q matrici stocastiche, dimostrare che la matrice prodotto P Q è una matrice stocastica. Dedurre che la potenza P n e il prodotto P 1 P 2 P n sono
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2013/2014 www.mat.uniroma2.it/~caramell/did 1314/ps.htm 04/03/2014 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2014/2015 www.mat.uniroma2.it/~caramell/did 1415/ps.htm 02/03/2015 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
DettagliTeoria delle Probabilità e Applicazioni programma 2004/05
Teoria delle Probabilità e Applicazioni programma 2004/05 Capitolo 1: esempio guida Lezioni: 8/3, 9/3 (5h) 1. Come modellizzare l esperimento infiniti lanci di una moneta equilibrata oppure l esperimento
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2012/2013 www.mat.uniroma2.it/~caramell/did 1213/ps.htm 05/03/2013 - Lezioni 1, 2, 3 Breve introduzione al corso. Fenomeni deterministici
DettagliCatene di Markov - Foglio 1
Catene di Markov - Foglio 1 1. Una pedina si muove su un circuito circolare a 4 vertici, numerati da 1 a 4. La pedina si trova inizialmente nel vertice 1. Ad ogni passo un giocatore lancia un dado equilibrato:
DettagliCorso di Laurea Magistrale in Ingegneria Informatica A.A. 2016/17 Processi stocastici e analisi di serie temporali
Corso di Laurea Magistrale in Ingegneria Informatica A.A. 206/7 Processi stocastici e analisi di serie temporali PROVA DI ESONERO SUI PROCESSI DI MARKOV DEL 6 DICEMBRE 206 Punteggi: : + + 4 2; 2: 2 5;
DettagliI appello di CP per Informatica 19/6/2006
I appello di CP per Informatica 9/6/26 Istruzioni: per l esame completo occorre svolgere il primo esercizio e il terzo o (in alternativa al terzo) il quarto; a sostituzione del I esonero occorre svolgere
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di PS-Probabilità P.Baldi Tutorato 9, 19 maggio 11 Corso di Laurea in Matematica Esercizio 1 a) Volendo modellizzare l evoluzione della disoccupazione in un certo ambito
DettagliIII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2018/19
III Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 8/9 Martedì luglio 9 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliESERCIZI DATI A LEZIONE TPA - anno 2006 CAPITOLO 2
ESECIZI DATI A LEZIONE TPA - anno 2006 CAPITOLO 2 1. Una σ algebra è chiusa rispetto a intersezioni finite e numerabili, e rispetto a differenze e differenze simmetriche. 2. Una σ algebra è anche un algebra,
DettagliCalcolo delle Probabilità 2017/18 Foglio di esercizi 8
Calcolo delle Probabilità 07/8 Foglio di esercizi 8 Catene di Markov e convergenze Si consiglia di svolgere gli esercizi n 9,,,, 5 Catene di Markov Esercizio (Baldi, Esempio 5) Si consideri il grafo costituito
DettagliNote sulle Catene di Markov
Note sulle Catene di Markov ELAUT Prof. Giuseppe C. Calafiore Sommario Queste note contengono un estratto schematico ridotto di parte del materiale relativo alle Catene di Markov a tempo continuo e a tempo
DettagliUniversità di Roma Tor Vergata Corso di Teoria dei Fenomeni Aleatori, AA 2012/13. Catene di Markov
Catene di Markov SISTEMI CASUALI DINAMICI (PROCESSI) - UN ESEMPIO: I GUASTI Frequenza dei guasti: N GUASTI 0 T N T 0 T! Catene di Markov SISTEMI CASUALI DINAMICI (PROCESSI) - UN ESEMPIO: I GUASTI Campionando
DettagliDATI DELLO STUDENTE: NomeeCognome:... NumerodiMatricola:... PROCESSI STOCASTICI 09/09/2015, ESAME SCRITTO
DATI DELLO STUDENTE: NomeeCognome:... NumerodiMatricola:... PROCESSI STOCASTICI 09/09/20, ESAME SCRITTO L uso di testi, appunti, formulari e gadget elettronici non è autorizzato. Avete 2 ore di tempo a
DettagliCALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica. Leggere attentamente le seguenti note
CALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica Leggere attentamente le seguenti note Modalità d esame. L esame consta di uno scritto con esercizi (bisogna prenotarsi su infostud). Chi passa questo
DettagliPROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI
PROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI Settimana 5-9 marzo. Elementi di analisi combinatoria (vedasi capitolo I del Ross). Integrazioni: triangolo di Tartaglia, dimostrazione diretta della
DettagliProcessi stocastici A.A Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo
Processi stocastici A.A. 09 0 Corso di laurea Magistrale in Statistica Univ. degli Studi di Palermo G. Sanfilippo 20 maggio 200 Registro delle lezioni. Lezione del 3 Marzo 200, 8-, ore complessive 3 Richiami
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2015/2016 www.mat.uniroma2.it/~caramell/did 1516/ps.htm 01/03/2016 - Lezioni 1, 2 [Caramellino] Breve introduzione al corso. Fenomeni
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliPROCESSI STOCASTICI 1: INTEGRAZIONI
PROCESSI STOCASTICI 1: INTEGRAZIONI 1. Definizioni e risultati sparsi Def. Dato un insieme I, si chiama processo stocastico con spazio degli stati I una famiglia {X t } t T di variabili aleatorie a valori
DettagliV Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2014/15 Nome: 7 gennaio
V Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 24/5 Nome: 7 gennaio 26 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile usare
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE CATENE DI MARKOV TEMPO CONTINUE Definizioni Sia dato un processo stocastico x(t) che può assumere valori discreti appartenenti ad un insieme se accade che il processo è una catena
DettagliV Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2012/13 Nome: 18 ottobre
V Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 202/ Nome: 8 ottobre 20 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile usare
DettagliCorrezione di Esercizi 4 di Calcolo delle Probabilità e Statistica. Mercoledì 4 maggio 2016
Correzione di Esercizi di Calcolo delle Probabilità e Statistica. Mercoledì maggio 6 Chun Tian. Answer of Exercise Figure. Catena di Markov.. (a) Le classi di equivalenza e i loro periodi. Da Figure, si
DettagliCorso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 2018/19 - Prova scritta
Corso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 208/9 - Prova scritta 209-0-09 La durata della prova è di due ore e mezzo. Le risposte devono essere
DettagliCorso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 2018/19 - Esercitazione
Corso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (55AA) A.A. 28/9 - Esercitazione 28--9 La durata della prova è di due ore e mezzo. Le risposte devono essere
Dettagli5. Catene di Markov a tempo discreto (CMTD)
5. Catene di Markov a tempo discreto (CMTD) Carla Seatzu, 8 Marzo 2008 Definizione: CATENA Le catene sono p.s. in cui lo stato è discreto : X{x,x 2, }. L insieme X può essere sia finito sia infinito numerabile.
DettagliCP110 Probabilità: Esame del 25 gennaio, Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2009-2010, II semestre 25 gennaio, 2011 CP110 Probabilità: Esame del 25 gennaio, 2011 Testo e soluzione 1. (6 pts Un mazzo di 20 carte contiene 15 carte
DettagliCP110 Probabilità: Esame del 15 settembre Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2009-2010, II semestre 15 settembre, 2010 CP110 Probabilità: Esame del 15 settembre 2010 Testo e soluzione 1. (6 pts) 10 carte numerate da 1 a 10 vengono
DettagliEsercizio 1. Una obbligazione può avere rating A, B, C o D e passare da un rating all altro secondo la matrice di transizione
Esercizi di Calcolo delle Probabilità della 10 a Matematica, Università degli Studi di Padova). settimana (Corso di Laurea in Esercizio 1. Una obbligazione può avere rating A, B, C o D e passare da un
DettagliAnalisi Stocastica Programma del corso 2008/09
Analisi Stocastica Programma del corso 2008/09 [13/01] Introduzione. 0. Preludio (1 ora) [1] Descrizione del corso: obiettivi, prerequisiti, propedeuticità. Un esempio euristico: lavoro di una forza, valore
DettagliConvergenza di martingale - La convergenza in L p, p > 1 equivale alla limitatezza in L p : disuguaglianza per submg non negative; disuguaglianza di
1. martedì 10 marzo Convergenza di martingale - La convergenza in L p, p > 1 equivale alla limitatezza in L p : disuguaglianza per submg non negative; disuguaglianza di Doob; una mg è L p limitata se e
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliPROCESSI STOCASTICI: INTEGRAZIONI
PROCESSI STOCASTICI: INTEGRAZIONI 1. Definizioni e risultati sparsi Def. Dato un insieme I, si chiama processo stocastico con spazio degli stati I una famiglia {X t } t T di variabili aleatorie a valori
DettagliSISTEMI CASUALI DINAMICI (PROCESSI) ESEMPIO: I GUASTI (Ipotesi Markoviana) Frequenza dei guasti: N Guasti = N/T X X X X X X X
CATENE DI MARKOV SISTEMI CASUALI DINAMICI (PROCESSI) ESEMPIO: I GUASTI (Ipotesi Markoviana) Frequenza dei guasti: N Guasti = N/T X X X X X X X X X 0 T 0 T! Δ 0, 1,, 0 Δ 1 Δ Δ 1Δ Δ Δ ESEMPIO: I GUASTI (Ipotesi
DettagliAnalisi Stocastica Programma del corso 2009/10
Analisi Stocastica Programma del corso 2009/10 [13/01a] Introduzione. 0. Preludio (1 ora) [1] Descrizione del corso: obiettivi, prerequisiti, propedeuticità. Un esempio euristico: lavoro di una forza,
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 29-2, II semestre 25 maggio, 2 CP Probabilità: Esonero 2 Testo e soluzione . (7 pt) Siano T, T 2 variabili esponenziali indipendenti, di parametri λ =
DettagliI Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2012/13 Nome: 30 gennaio
I Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica /3 Nome: 3 gennaio 3 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile usare
DettagliI Sessione I Prova Scritta o Recupero Esonero di Probabilità e Statistica a.a. 2012/ Giugno 2013
I Sessione I Prova Scritta o Recupero Esonero di Probabilità e Statistica a.a. / 9 Giugno Recupero I esonero o prova scritta di Probabilità da 5 cfu o di Probabilità e Statistica da cfu: esercizio ; esercizio
DettagliCatene di Markov. Richiami teorici
Catene di Marov Richiami teorici Pagina di 4 Alcune definizioni L insieme di tutti i possibili risultati di un esperimento è detto spazio degli eventi dell esperimento. Lo spazio si indica con Ω ed un
DettagliDiario Complementi di Probabilità a.a. 2017/2018
Diario Complementi di Probabilità a.a. 2017/2018 Testi di riferimento: [W] Probability with martingales, D.Williams [Bi] Probability and measure, P.Billingsley [Ba] Appunti del corso di Calcolo delle Probabilità
DettagliCalcolo di Probabilità e Processi Stocastici, Laurea magistrale in Ing. Robotica e dell Automazione, a.a. 2011/12 Registro delle lezioni
Calcolo di Probabilità e Processi Stocastici, Laurea magistrale in Ing. Robotica e dell Automazione, a.a. 2011/12 Registro delle lezioni Lezione 1 (26/9). Introduzione al corso; materiale e comunicazioni
DettagliUNIVERSITA` di ROMA TOR VERGATA
UNIVERSITA` di ROMA TOR VERGATA Corso di PS2-Probabilità 2 PBaldi appello, 23 giugno 29 Corso di Laurea in Matematica Esercizio Per α 2 consideriamo la catena di Markov su {, 2, 3} associata alla matrice
DettagliProva scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 2015/ Settembre 2016
Prova scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 205/206 20 Settembre 206 Esercizio. Un dado equilibrato viene lanciato ripetutamente. Indichiamo con X n il risultato dell n-esimo
DettagliIII Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2013/14 Nome: 16 luglio
III Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 013/14 Nome: 16 luglio 014 Email: Quando non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliIII Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2014/15 Nome: 14 luglio
III Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 14/15 Nome: 14 luglio 15 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliPROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI
PROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI Settimana 5-9 marzo. Elementi di analisi combinatoria (vedasi capitolo I del Ross). Integrazioni: triangolo di Tartaglia, dimostrazione diretta della
DettagliIntroduzione generale. Cenni storici. 1 Problema di de Mèrè e soluzione. martedì 27 febbraio 2007
Corso di Calcolo delle probabilità - SIGAD -A.A. 2007/2008 Registro provvisorio delle Lezioni tenute da: Giuseppe Sanfilippo Settimana Giorno Lezione Lez N. Argomento Effettuata =SI Introduzione generale.
DettagliI Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
I Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 3 gennaio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliVETTORI DI VARIABILI ALEATORIE
VETTOI DI VAIABILI ALEATOIE E. DI NADO 1. Funzioni di ripartizione congiunte e marginali Definizione 1.1. Siano X 1, X 2,..., X n v.a. definite su uno stesso spazio di probabilità (Ω, F, P ). La n-pla
DettagliII Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2013/14 Nome: 20 febbraio
II Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 3/4 Nome: febbraio 4 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile usare
DettagliEsame di Calcolo delle Probabilità del 11 dicembre 2007 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova).
Esame di Calcolo delle Probabilità del dicembre 27 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova). Cognome Nome Matricola Es. Es. 2 Es. Es. 4 Somma Voto finale Attenzione:
Dettaglic) Ancora in corrispondenza allo stesso valore di p e ponendo Y = minorazione, fornita dalla diseguaglianza di Chebichev, per la probabilita
Laurea Triennale in Matematica Corso di Calcolo delle Probabilita I A.A. 00/00 (Docenti: M. Piccioni, F. Spizzichino) a prova di esonero 6 giugno 00 Risolvere almeno tre dei seguenti esercizi.. Indichiamo
DettagliEsame di Calcolo delle Probabilità del 4 luglio 2006 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova).
Esame di Calcolo delle Probabilità del 4 luglio 26 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione:
DettagliAppunti di Simulazione
Appunti di Simulazione M. Gianfelice Corso di modelli probabilistici per le applicazioni Master di II livello in Matematica per le Applicazioni a.a. 2004/2005 1 Simulazione di numeri aleatori con distribuzione
DettagliLEZIONE 12. v = α 1 v α n v n =
LEZIONE 12 12.1. Combinazioni lineari. Definizione 12.1.1. Sia V uno spazio vettoriale su k = R, C e v 1,..., v n V vettori fissati. Un vettore v V si dice combinazione lineare di v 1,..., v n se esistono
Dettagliy = cos x y = (y ) 2 + c : giustifichino le due affermazioni. y = y y = y 2 y = y(1 y) y = xy Applicazioni Equazioni delle cinetica chimica:
Corso di laurea in Chimica Industriale Matematica II A.A. 2015/2016 Argomenti delle lezioni Giovedí 3 marzo - 2 ore. Richiami sulle equazioni e sui metodi utilizzati nel risolverle. Equazioni differenziali.
DettagliUniversità degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliProgramma delle lezioni svolte nel corso CLEM di Matematica Generale, Lettere M-Z, Prof. F. Manzini.
Programma delle lezioni svolte nel corso CLEM di Matematica Generale, Lettere M-Z, Prof. F. Manzini. 1. Generalità sul corso e sulle modalità di esame. Insiemi ed operazioni sugli insiemi. Applicazioni
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità M. Pratelli e M. Romito Gli esercizi che seguono sono stati proposti nel corso Probabilità dell Università di Pisa negli a.a. 2012-13 e 2013-14 (M. Romito) e 2014-15
DettagliCalcolo delle Probabilità e Statistica, Ing. Informatica e dell Automazione 15/9/2010
Calcolo delle Probabilità e Statistica, Ing. Informatica e dell Automazione 5/9/ Nota. E obbligatorio sia scegliere le risposte (numeriche, o le formule nali a seconda del caso) negli appositi spazi, sia
DettagliAppunti sulle Catene di Markov
Appunti sulle Catene di Markov Calcolo delle Probabilità, L.S. in Informatica, A.A. 2006/2007 A.Calzolari 1 Indice 1 Definizioni di base 3 2 Classificazione degli stati 20 3 Misure invarianti e proprietà
DettagliPROGRAMMA DI CALCOLO DELLE PROBABILITÀ(1 o modulo) periodo: I Semestre, A. A. 2002/03 docente: Giovanna Nappo, (ufficio n.109, tel.
PROGRAMMA DI CALCOLO DELLE PROBABILITÀ(1 o modulo) periodo: I Semestre, A. A. 2002/03 docente: Giovanna Nappo, (ufficio n.109, tel. 49913262, e-mail: nappo@mat.uniroma1.it) Prerequisiti: Nozioni di base
DettagliTutorato XI Probabilità e Statistica a.a. 2014/2015
Tutorato XI Probabilità e Statistica a.a. 4/5 Argomenti: catene di Markov: probabilità e tempi medi di passaggio. Esercizio. Un topolino si sposta sui vertici di un grafo come nella Figura. 4 5 7 6 Ad
DettagliEsercizi con catene di Markov Pietro Caputo 12 dicembre 2006
Esercizi con catene di Markov Pietro Caputo dicembre 006 Esercizio. Si considerino i lanci di un dado (6 facce equiprobabili). Sia X n il minimo tra i risultati ottenuti nei lanci,,..., n. Si calcoli la
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 29 maggio, 2012 CP110 Probabilità: Esonero 2 Testo e soluzione 1. (8 punti) La freccia lanciata da un arco è distribuita uniformemente
DettagliMatematica. Dr. Luca Secondi a.a. 2014/15. Presentazione del corso
Matematica Dr. Luca Secondi a.a. 2014/15 Presentazione del corso IL CORSO Corso di laurea in Tecnologie Alimentari ed Enologiche (TAE): MATEMATICA (6 CFU) Corso di laurea in Scienze Forestali e Ambientali
DettagliMATEMATICA GENERALE - Canale III
MATEMATICA GENERALE - Canale III Prof A Ramponi - AA 211/212 Riepilogo argomenti trattati Settimana 1 (3/5 - Ottobre) Introduzione al corso Elementi base di teoria degli insiemi: definizioni ed operazioni
DettagliUniversità degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1 Lezione 1 - Mercoledì 27 Settembre 2017 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliIstituzioni di Probabilità Laurea magistrale in Matematica a.a. 2013/14 Registro delle lezioni
Istituzioni di Probabilità Laurea magistrale in Matematica a.a. 2013/14 Registro delle lezioni Lezione 1 (25/2). Introduzione al corso. Prime definizioni sui processi stocastici (processo stocastico, distribuzioni
DettagliLICEO SCIENTIFICO STATALE G. MARCONI FOGGIA
LICEO SCIENTIFICO STATALE G. MARCONI FOGGIA PROGRAMMA DI MATEMATICA Classe VB Anno Scolastico 014-015 Insegnante: Prof.ssa La Salandra Incoronata 1 Nozioni di topologia su Intervalli; Estremo superiore
DettagliDiario Complementi di Probabilità a.a. 2018/2019
Diario Complementi di Probabilità a.a. 2018/2019 Testi di riferimento: [W] Probability with martingales, D.Williams [Bi] Probability and measure, P.Billingsley [Ba] Appunti del corso di Calcolo delle Probabilità
DettagliCorso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 2018/19 - Prova in itinere
Corso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 208/9 - Prova in itinere 208--2 La durata della prova è di due ore e mezzo. Le risposte devono essere
DettagliMarkov Chains and Markov Chain Monte Carlo (MCMC)
Markov Chains and Markov Chain Monte Carlo (MCMC) Alberto Garfagnini Università degli studi di Padova December 11, 2013 Catene di Markov Discrete dato un valore x t del sistema ad un istante di tempo fissato,
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
DettagliCorsi di Laurea Magistrale in Matematica, A.A Calcolo stocastico e applicazioni (Docente: Bertini) Esercizi settimanali
Settimana 1 Esercizio 1. [Unicità della misura di Wiener] Sia C([0, 1]) l insieme delle funzioni continue sull intervallo [0, 1] con la topologia (metrizzabile) indotta dalla convergenza uniforme. Sia
DettagliUNIVERSITA` di ROMA TOR VERGATA
UNIVERSITA` di ROMA TOR VERGATA Corso di PS2-Probabilità 2 P.Baldi appello, 7 giugno 200 Corso di Laurea in Matematica Esercizio Siano X, Y v.a. indipendenti di legge Ŵ(2, λ). Calcolare densità e la media
DettagliTeoria delle File di Attesa
Teoria delle File di Attesa Una coda, o fila di attesa, si forma quando degli utenti attendono di essere serviti da uno o più serventi. Esempi: Studenti agli sportelli della segreteria Utenti di un centro
DettagliCP210 Introduzione alla Probabilità: Esame 2
Dipartimento di Matematica, Roma Tre Pietro Caputo 2018-19, II semestre 9 luglio, 2019 CP210 Introduzione alla Probabilità: Esame 2 Cognome Nome Matricola Firma Nota: 1. L unica cosa che si può usare durante
DettagliDiario Complementi di Probabilità a.a. 2016/2017
Diario Complementi di Probabilità a.a. 2016/2017 Testi di riferimento: [W] Probability with martingales, D.Williams [Bi] Probability and measure, P.Billingsley [Ba] Appunti del corso di Calcolo delle Probabilità
DettagliMetodi Stocastici per la Finanza
Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2013-2014 Lezione 4 Indice 1 Convergenza in legge di processi stocastici 2
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 212-13, II semestre 23 maggio, 213 CP11 Probabilità: Esonero 2 Testo e soluzione 1. (7 punti) Una scatola contiene 1 palline, 5 bianche e 5 nere. Ne vengono
DettagliRichiami di TEORIA DELLE PROBABILITÀ
corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A. 015-016 Richiami di TEORIA DELLE PROBABILITÀ Prof. Ing. Umberto Crisalli Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma.it
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prima prova in itinere
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica 69AA) A.A. 06/7 - Prima prova in itinere 07-0-03 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
DettagliMMMPG 2008/09 Registro delle lezioni
MMMPG 2008/09 Registro delle lezioni Lezione 1 (1/10). Introduzione al corso; materiale e comunicazioni alla pag. di Flandoli. Pur soggetto a conferma, di dovrebbe tenere un (singolo) compitino a dicembre.
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE CATENE DI MARKOV TEMPO DISCRETE Definizioni Catena: Processo stocastico in cui lo spazio degli stati è discreto o numerabile Processo stocastico tempo discreto: Si considerano
DettagliEsercizi di preparazione alla PFB
Università degli Studi Roma Tre - Corso di Laurea in Matematica Esercizi di preparazione alla PFB A.A. 0-03 - Docenti: A. Bruno e G. Gentile Tutori: Sara Lamboglia e Maria Chiara Timpone Parte : Analisi
DettagliI Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2013/14 Nome: 6 febbraio
I Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 03/4 Nome: 6 febbraio 04 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliUniversità degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
Dettagli) la sua densità discreta sarà della forma. p X (0) = 1 2, p X(1) = 1 2,
Esercizi settimana 6 Esercizi applicati Esercizio. Siano X e Y due v.a. discrete indipendenti tali che X B(, ) e Y B(, ), n 0. (i) Si calcoli la legge di X + Y ; (ii) Si calcoli la legge di X Y ; (iii)
DettagliCalcolo delle Probabilità e Statistica, Ing. Informatica e dell Automazione, a.a. 2009/10 30/6/2010
Calcolo delle Probabilità e Statistica, Ing. Informatica e dell Automazione, a.a. 29/ /6/2 Nota. E obbligatorio sia scegliere le risposte numeriche, o le formule nali a seconda del caso) negli appositi
Dettagli. iii) Cosa si può dire di esatto (non approssimato) su P X 1
Corsi di Probabilità, Statistica e Processi stocastici per Ing. dell Automazione, Informatica e Inf.Gest.Azienda 30/06/0 Esercizio. Dieci persone si iscrivono ad un torneo di tennis. Quattro di loro hanno
DettagliDiario Complementi di Probabilità a.a. 2007/2008
Diario Complementi di Probabilità a.a. 2007/2008 Testi di riferimento: Probability with martingales, D.Williams Probability and measure, P.Billingsley Esercizi con soluzione distribuiti a lezione 1. 23
DettagliIl fenomeno del cuto nelle catene di Markov
Candidato: Diego Stucchi Relatore: prof. Francesco Caravenna Università degli studi di Milano-Bicocca 29-11-2016 1 Catene di Markov 2 Il fenomeno del cuto 3 Stime dall'alto per il t mix 1 Catene di Markov
DettagliDiario delle lezioni. 1. Analisi di Fourier discreta e applicazioni alla statistica e alla probabilità: Lezioni I IV
1 Diario delle lezioni 1. Analisi di Fourier discreta e applicazioni alla statistica e alla probabilità: Lezioni I IV (a) Richiami sui numeri complessi. Spazi vettoriali con prodotto scalare. Teorema di
DettagliProcessi di Markov. Processi di Markov
Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Un
Dettagli