TEOREMA CENTRALE DEL LIMITE PER MARTINGALE
|
|
- Chiara Ferri
- 5 anni fa
- Visualizzazioni
Transcript
1 UNIVERSITÀ DEGLI STUDI ROMA TRE Facoltà di Scienze Matematiche Fisiche e Naturali Corso di Laurea in Matematica Sintesi della Tesi di Laurea TEOREMA CENTRALE DEL LIMITE PER MARTINGALE Relatore: Prof. PIETRO CAPUTO Laureando: GIORGIO GRAVELA Classificazione AMS: 60G40, 60G42, 60G44, 60G45, 60Fxx, 60F05. Parole chiavi: martingale, moti browniani, principio d invarianza, teorema centrale del limite. ANNO ACCADEMICO Maggio 2006
2 Indice Indice 1 1 T.C.L. Per Martingale Il Principio D Invarianza Bibliografia 11 1
3 Capitolo 1 T.C.L. Per Martingale Il Teorema Centrale del Limite (T.C.L.) è uno dei più importanti risultati nella teoria del calcolo delle probabilità. In breve, nella sua forma più elementare afferma che la distribuzione della somma di un numero elevato di variabili casuali indipendenti e identicamente distribuite (i.i.d.) è approssimata da una distribuzione normale, indipendentemente dalla distribuzione delle singole variabili, purchè queste abbiano momento secondo finito. La teoria matematica delle martingale può essere considerata un estensione della teoria delle variabili aleatorie indipendenti, ed il nostro lavoro ha lo scopo di dimostrare un T.C.L. per martingale. Sia S n, n 1, una martingala rispetto alla filtrazione {F n } n, con ES n = 0, ESn 2 <, e sia X n = S n S n 1, n 2, con S 0 = 0, detta martingala differenze. Introduciamo la varianza condizionata per martingale V n = n E(Xi 2 F i 1 ), 1 che gioca un ruolo cruciale nella teoria di limite per martingale. Essa rappresenta una delle numerose stime della varianza ES 2 n e questo im- 2
4 CAPITOLO 1. T.C.L. PER MARTINGALE 3 plica che il comportamento al limite di S n è strettamente legato a quello di V n. Quindi se il comportamento di V n non è buono, potrebbe non essere possibile ottenere un T.C.L. Nota. Osserviamo che V n = nσ 2 se le X i sono i.i.d. con la varianza di X i uguale a σ 2. Nel teorema centrale del limite per martingale si richiede che la varianza condizionata sia asintoticamente costante: dove σ 2 n = EV n = ES 2 n. σ 2 n V n 1 in probabilità, (1.1) Un modo conveniente per introdurre V n è attraverso la decomposizione di Doob delle submartingale {S 2 n, F n }. Possiamo scrivere S 2 n = M n + A n, dove {M n, F n } è una martingala e {A n } è una successione crescente di v.a. non negative, con A n F n 1. Allora la decomposizione è unicamente determinata (q.c.) dalla seguente relazione: A n A n 1 = E(A n A n 1 F n 1 ) = E(S 2 n F n 1 ) S 2 n 1 = E((S n S n 1 ) 2 F n 1 ) = E(X 2 n F n 1 ). Quindi A n = V n.
5 CAPITOLO 1. T.C.L. PER MARTINGALE Il Principio D Invarianza Con il termine principio d invarianza indicheremo i T.C.L. per funzionali. Mentre con il T.C.L. si studia la convergenza delle somme S n ad una normale standard 1, con un principio di invarianza studieremo la convergenza del processo S t, con t parametro continuo, al moto browniano B t. Nel 1978 Durret ha presentato un approccio unificato per ottenere vari principi di invarianza per S n partendo dal teorema di rappresentazione di Skorokhod. Di solito nei vari metodi usati per stabilire principi d invarianza, è necessario provare sia (a) la convergenza di distribuzioni finito-dimensionali che (b) la tightness 2. Il teorema di rappresentazione di Skorokhod permette invece di stabilire il principio di invarianza direttamente, senza usare le due parti (a) e (b). Nel nostro lavoro abbiamo seguito l approccio di Durrett. Abbiamo iniziato mostrando il legame tra le martingale e i moti browniani per poi fornire alcuni utili strumenti di calcolo per i tempi di primo ingresso per i moti browniani. Teorema Sia X t una martingala continua a destra adattata ad una filtrazione continua a destra. Se T è uno stopping time limitato allora EX T = EX 0. 1 con le opportune normalizzazioni. 2 Una successione {µ n } n di misure di probabilità si dice tight se ɛ > 0 k tale che: inf µ n([ k, k]) 1 ɛ n
6 CAPITOLO 1. T.C.L. PER MARTINGALE 5 Teorema B t è una martingala rispetto alla filtrazione F t 3. Teorema Se a < x < b allora P x (T a 4 < T b ) = (b x) (b a) Teorema B 2 t t è una martingala rispetto alla filtrazione F t. Teorema Sia T = inf{t : B t / (a, b)}, dove a < 0 < b. Allora E 0 T = ab. Teorema exp(θb t (θ 2 t/2)) è una martingala rispetto alla filtrazione F t. Teorema Sia T = inf{t : B t / ( a, a)}. Allora E 0 (exp( λt )) = 1/ cosh(a 2λ) Teorema B 3 t 3tB t,b 4 t 6tB 2 t + 3t 2,... sono martingale rispetto alla filtrazione F t. Teorema Sia T = inf{t : B t / ( a, a)}. Allora 3 Sia F 0 t = σ(b r : r t), allora E(T 2 ) = 5a 4 /3 F t = s>t F 0 s. 4 T a = inf{t : B t = a}
7 CAPITOLO 1. T.C.L. PER MARTINGALE 6 Nel terzo capitolo siamo partiti dal teorema di rappresentazione di Skorokhod per dimostrare il primo generale principio d invarianza per somme di variabili aleatorie indipendenti e identicamente distribuite (Teorema di Donsker) di cui un immediato corollario è il T.C.L classico. Teorema (di rappresentazione di Skorokhod) Sia X una variabile aleatoria con EX = 0 e EX 2 <. Allora esiste uno stopping time T per un moto Browniano B t con B 0 = 0 tale che B T = d X e ET = EX 2. Il teorema di rappresentazione di Skorokhod si generalizza facilmente ottenendo il seguente: Teorema Siano X 1, X 2,... i.i.d. con funzione di distribuzione F, EX = 0 e EX 2 = 1, e sia S n = X X n. Allora esiste una successione di stopping times T 0 = 0, T 1, T 2,... tale che S n = d B Tn e T n T n 1 sono i.i.d.. Teorema (di Donsker) Sotto le ipotesi di , se definiamo S k S (u) = lineare su [k, k + 1] dove N è l insieme dei naturali, allora se u = k N per k N S (n ) n B ( )
8 CAPITOLO 1. T.C.L. PER MARTINGALE 7 Con la notazione S (n ) / n B ( ) intendiamo la convergenza debole della misura su C[0, 1] 5 associata al processo S (n ) / n alla misura su C[0, 1] associata al moto browniano B ( ). La topologia su C[0, 1] è quella determinata dalla norma ω = sup{ ω(s) : s [0, 1]}, che rende C[0, 1] uno spazio metrico completo separabile. Ricordiamo inoltre la seguente: Definizione Una successione di misure di probabilità µ n su C[0, 1] converge debolmente ad un limite µ se per ogni funzione continua limitata ϕ : C[0, 1] R, ϕdµ n ϕdµ. Vediamo come si passa da un principio d invarianza al T.C.L. Vale il seguente corollario del teorema di Donsker: Corollario Sia ψ : C[0, 1] R è continua P 0 -q.c. 6, allora ψ(s (n ) / n) ψ(b ( ) ) (1.2) Quindi basta porre ψ(ω) = ω(1). Infatti in questo caso ψ : C[0, 1] R è continua, e quindi applicando il corollario al teorema di donsker otteniamo il T.C.L. Con un procedimento del tutto analogo, nel quarto e ultimo capitolo siamo partiti dal teorema di Strassen, che è un estensione per martingale 5 C[0, 1] = {ω : [0, 1] R, con ω funzione continua }. 6 P 0 è la misura sotto la quale B t è un moto browniano che parte da 0 cioè P 0 (B 0 = 0) = 1.
9 CAPITOLO 1. T.C.L. PER MARTINGALE 8 del teorema di rappresentazione di Skorokhod, per dimostrare un principio di invarianza per martingale di cui un immediato corollario è il T.C.L. per martingale. Teorema (di Strassen) Se S n è una martingala con S 0 = 0 e B t è un moto browniano, allora esiste una successione di stopping times 0 = T 0 T 1 T 2... per B t tale che (S 0, S 1,..., S k ) = d (B T0, B T1,..., B Tk ) k 0. In analogia a quanto visto nel teorema , introduciamo la seguente notazione: 1. X n,m,1 m n, è una martingala vettore differenze rispetto ad F n,m, se X n,m F n,m e E(X n,m F n,m 1 ) = 0 per 1 m n, dove F n,0 = {, Ω}. 2. V n,k = 1 m k E(X 2 n,m F n,m 1 ) è la varianza condizionata di X n,m. 3. B ( ) è un moto browniano con B 0 = S n,(n ) denota l interpolazione lineare di S n,m definita da S n,m se u = m N S n,(u) = lineare per u [m, m + 1] per m N Un principio d invarianza per martingale è dato dal seguente: Teorema (di Freedman) Sia X n,m una martingala vettore differenze rispetto ad F n,m, e sia S n,m = X n, X n,m. Se valgono le seguenti affermazioni:
10 CAPITOLO 1. T.C.L. PER MARTINGALE 9 (i) X n,m ɛ n, m, con ɛ n 0 (ii) t, V n,[nt] t in probabilità allora S n,(n ) B ( ) Con ipotesi meno forti rispetto a quelle del teorema di Freedman, abbiamo dimostrato il seguente principio d invarianza per martingale, da cui poi con facili calcoli, si ottiene il T.C.L. per martingale. Teorema (di Lindeberg-Feller per martingale) Sia X n,m una martingala vettore differenze rispetto ad F n,m, 1 m n, e sia S n,m = X n, X n,m. Se valgono le seguenti affermazioni: (i) t [0, 1] V n,[nt] t in probabilità (ii) ɛ > 0 m n E(X 2 n,m1 ( Xn,m >ɛ) F n,m 1 ) 0 in probabilità allora S n,(n ) B ( ). Dal teorema si dimostra facilmente il seguente principio d invarianza per martingale: Teorema Sia X n una martingala successione differenze rispetto alla filtrazione {F n } n, cioè E(X n F n 1 ) = 0, e sia V k = k n=1 E(Xn 2 F n 1 ). Se valgono (i) V k /k σ 2 > 0 in probabilità (ii) n 1 n m=1 E(Xm1 2 ( Xm >ɛ n)) 0
11 CAPITOLO 1. T.C.L. PER MARTINGALE 10 allora S (n ) n σb ( ). Alla luce di quanto detto fin ora, dimostriamo il T.C.L. per martingale. Teorema Sotto le stesse ipotesi di si ha S n n σχ dove χ è la normale standard. Dimostrazione. Basta applicare il corollario alla ψ : C[0, 1] R con ψ(ω) = ω(1) e ricordarsi che B 1 è una normale standard.
12 Bibliografia [1] Dvoretsky A. Asymptotic normality for sums of dependent random variables. In Proc. 6th Berkeley Symp., volume II, pages , [2] Freedman D. Brownian motion and diffusion. Springer-Verlag, New York, [3] Root D.H. The existence of certain stopping times on brownian motion. In Ann.Mat.Statist. 40, pages , [4] Dubins L.E. On a theorem of skorokhod. In Ann.Math.Statist. 39, pages , [5] Donsker M. An invariance principle for certain probability limit theorems. In Memoirs of the AMS, No.6, [6] Billingsley P. Probability and measure. John Wiley and Sons, New York, [7] Hall P. and Heyde C.C. Martingale limit theory and its application. Academic Press, New York, [8] Durrett R. Probability:Theory and Examples. Duxbury, terza edizione,
13 BIBLIOGRAFIA 12 [9] Durrett R. and Resnick S. Functional limit theorems for dependent random variables. In Ann.Probab. 6, pages , [10] Strassen V. Almost sure behavior of the sum of independent random variables and martingales. In Proc. 5th Berkeley Symp., volume II, pages , 1967.
Istituzioni di Probabilità Laurea magistrale in Matematica prova scritta del 22/7/2013
Istituzioni di Probabilità Laurea magistrale in Matematica prova scritta del 22/7/213 Exercise 1 (punti 1 circa Diremo che un processo X = (X t t [,1] a valori reali è un ponte browniano se è un processo
DettagliPrimo appello prova scritta di Calcolo delle probabilità Laurea Triennale in Matematica 01/02/2016
Primo appello prova scritta di Calcolo delle probabilità Laurea Triennale in Matematica 0/0/06 COGNOME e NOME... N. MATRICOLA... Esercizio. (9 punti) Sia {S n } n N una passeggiata aleatoria standard (cioè
DettagliIstituzioni di Probabilità - A.A
Istituzioni di Probabilità - A.A. 25-26 Prima prova di verifica intermedia - 29 aprile 25 Esercizio. Sia (X n ) n una successione di v.a. i.i.d. centrate con < X P-q.c., sia λ R ed F una v.a. integrabile
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,
DettagliIstituzioni di Probabilità Laurea magistrale in Matematica prova scritta del 14/2/2013
Istituzioni di Probabilità Laurea magistrale in Matematica prova scritta del 14/2/213 Exercise 1. punti 9+) Sia X = X t, x)) t,x un processo stocastico a valori reali, avente come parametro la coppia t,
DettagliPrima prova in itenere di Istituzioni di Probabilità
Prima prova in itenere di Istituzioni di Probabilità 14 novembre 2012 Esercizio 1. Un processo di Ornstein-Uhlenbec modificato (OUM) è un processo reale, con R come insieme dei tempi, con traiettorie continue,
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
DettagliCP410: Esame 2, 3 febbraio 2015
Dipartimento di Matematica, Roma Tre Pietro Caputo 2014-15, I semestre 3 febbraio, 2015 CP410: Esame 2, 3 febbraio 2015 Cognome Nome Matricola Firma 1. Sia (Ω, F, P) lo spazio di probabilità definito da
DettagliIstituzioni di Probabilità Laurea magistrale in Matematica prova scritta del 2/12/2013
Istituzioni di Probabilità Laurea magistrale in Matematica prova scritta del /1/13 Exercise 1 punti 1 circa Un foglio browniano è un processo gaussiano a valori reali X s, t, indicizzato da s, t in [,
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
DettagliI Appello di Processi Stocastici Cognome: Laurea Magistrale in Matematica 2014/15 Nome: 23 Giugno
I Appello di Processi Stocastici Cognome: Laurea Magistrale in Matematica 014/15 Nome: 3 Giugno 015 Email: Quando non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliIstituzioni di Probabilità Laurea magistrale in Matematica 16 Febbraio 2015
Istituzioni di Probabilità Laurea magistrale in Matematica 16 Febbraio 15 sercizio 1. (punti 1 ) ) Basandosi sul noto concetto di integrale di Itô, ogni studente esponga, preliminarmente, una ragionevole
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
DettagliLa funzione caratteristica nel calcolo delle probabilità
UNIVERSITÀ DEGLI STUDI DI ROMA TRE FACOLTÀ DI S.M.F.N. Sintesi della Tesi di Laurea in Matematica di Sinforosa Di Lascio La funzione caratteristica nel calcolo delle probabilità Relatore esterno : Prof.
DettagliMattia Zanella. Ferrara, April
Department of Mathematical Sciences Politecnico di Torino, Italy http://www.mattiazanella.eu Ferrara, April 5 217 Programma della lezione Seminario I Introduzione a Matlab U(, 1): metodo di inversione
DettagliPrimo appello di Calcolo delle probabilità Laurea Triennale in Matematica 01/02/2019
Primo appello di Calcolo delle probabilità Laurea Triennale in Matematica 01/02/2019 COGNOME e NOME... N. MATRICOLA... Esercizio 1. Costruire, se esiste, un esempio con le seguenti proprietà 1. {F n }
DettagliCP410: Esame 2, 30 gennaio Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 23-4, I semestre 3 gennaio, 24 CP4: Esame 2, 3 gennaio 24 Testo e soluzione Cognome Nome Matricola Firma . Per ogni n N, sia X n la variabile aleatoria
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
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
DettagliSi noti che questa definizione dice esattamente che
DISUGUAGLIANZA INTEGRALE DI JENSEN IN DIMENSIONE FINITA LIBOR VESELY integrazione. Prima disuguaglianza integrale di Jensen.. Motivazione. Siano un insieme convesso in uno spazio vettoriale, f : (, + ]
Dettagli9. Test del χ 2 e test di Smirnov-Kolmogorov. 9.1 Stimatori di massima verosimiglianza per distribuzioni con densità finita
9. Test del χ 2 e test di Smirnov-Kolmogorov 9. Stimatori di massima verosimiglianza per distribuzioni con densità finita Supponiamo di avere un campione statistico X,..., X n e di sapere che esso è relativo
DettagliCORSO DI GEOMETRIA DETERMINANTE A.A. 2018/2019 PROF. VALENTINA BEORCHIA
CORSO DI GEOMETRIA DETERMINANTE AA 2018/2019 PROF VALENTINA BEORCHIA INDICE 1 Definizione induttiva di determinante 1 2 Caratterizzazione delle matrici quadrate di rango massimo 5 3 Regole di Laplace 6
DettagliTLC Locale per un modello di cammino aleatorio in mezzo aleatorio fluttuante
TLC Locale per un modello di cammino aleatorio in mezzo aleatorio fluttuante Sintesi della Tesi di Laurea in Matematica di Alessandra Lionetti Relatore Prof. Alessandro Pellegrinotti L obiettivo della
DettagliIII Appello di Processi Stocastici Cognome: Laurea Magistrale in Matematica 2014/15 Nome: 15 Settembre
III Appello di Processi Stocastici Cognome: Laurea Magistrale in Matematica 2014/15 Nome: 15 Settembre 2015 Email: Quando non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliCondizionamento e martingale
Capitolo 3 Condizionamento e martingale 31 Condizionamento Sia (Ω, F, P) uno spazio di probabilità Dunque, ricordiamo, Ω è un insieme (lo spazio campionario); F è una σ-algebra di sottoinsiemi di Ω (gli
DettagliProprietà asintotiche dello stimatore OLS
Università di Pavia Proprietà asintotiche dello stimatore OLS Eduardo Rossi Sequenze Consideriamo un infinita sequenza di variabili indicizzate con i numeri naturali: X 1, X 2, X 3,...,X N,... = {X N }
DettagliLa famiglia di distribuzioni normali asimmetriche
Università Roma Tre Facoltà Scienze Matematiche, Fisiche e Naturali Corso di Laurea in Matematica Tesi di Laurea in Matematica La famiglia di distribuzioni normali asimmetriche Alcune proprietà Relatore:
DettagliTraccia della soluzione degli esercizi del Capitolo 4
Traccia della soluzione degli esercizi del Capitolo 4 Esercizio 6 Sia X una v.c. uniformenente distribuita nell intervallo ( π, π ), cioè f X (x) = π ( π, π ) (x). Posto Y = cos(x), trovare la distribuzione
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 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
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
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
Dettagli10 Proprietà di Equipartizione Asintotica
FX Teoria dell Informazione e della Trasmissione 0 Proprietà di Equipartizione Asintotica Docente: Nicolò Cesa-Bianchi versione 6 aprile 206 Come nel caso della codifica sorgente, anche nel caso della
DettagliNote di Teoria della Probabilità.
Note di Teoria della Probabilità. In queste brevi note, si richiameranno alcuni risultati di Teoria della Probabilità, riguardanti le conseguenze elementari delle definizioni di probabilità e σ-algebra.
DettagliSerie numeriche. Riccarda Rossi. Analisi I. Università di Brescia
Serie numeriche Riccarda Rossi Università di Brescia Analisi I Sommatoria Siano Con il simbolo I : insieme finito di indici (a i ) i I famiglia finita di numeri, al variare di i in I indichiamo la somma
DettagliUSO DELL ORTOGONALITÀ E DELLE UNITÀ APPROSSIMANTI
1. C INFINITO CI 1 USO ELL ORTOGONALITÀ E ELLE UNITÀ APPROSSIMANTI Umberto Marconi ipartimento di Matematica Pura e Applicata Padova 1 C infinito ci Consideriamo la funzione reale di variabile reale: {
DettagliCP410: Esonero 1, 7 novembre, 2018
Dipartimento di Matematica, Roma Tre Pietro Caputo 2018-19, I semestre 7 novembre, 2018 CP410: Esonero 1, 7 novembre, 2018 Cognome Nome Matricola Firma 1. Sia X una variabile aleatoria su uno spazio di
DettagliMassimo limite e minimo limite di una funzione
Massimo limite e minimo limite di una funzione Sia f : A R una funzione, e sia p DA). Per ogni r > 0, l insieme ) E f p r) = { fx) x A I r p) \ {p} } è non vuoto; inoltre E f p r ) E f p r ) se 0 < r r.
Dettagli6 Sesta lezione: Compattezza sequenziale nelle topologie deboli. Dualità e convergenze deboli negli spazi L p.
6 Sesta lezione: Compattezza sequenziale nelle topologie deboli. Dualità e convergenze deboli negli spazi L p. Metrizzabilità delle topologie deboli Anche se le topologie deboli non sono mai metrizzabili,
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
DettagliX (o equivalentemente rispetto a X n ) è la
Esercizi di Calcolo delle Probabilità della 5 a settimana (Corso di Laurea in Matematica, Università degli Studi di Padova). Esercizio 1. Siano (X n ) n i.i.d. di Bernoulli di parametro p e definiamo per
Dettagli! X (92) X n. P ( X n X ) =0 (94)
Convergenza in robabilità Definizione 2 Data una successione X 1,X 2,...,X n,... di numeri aleatori e un numero aleatorio X diremo che X n tende in probabilità a X escriveremo X n! X (92) se fissati comunque
Dettaglif(x) := lim f n (x) Se introduciamo la norma uniforme di una funzione f (sull insieme A) mediante := sup f(x)
Capitolo 2 Successioni e serie di funzioni 2. Convergenza puntuale e orme Supponiamo che sia un sottoinsieme di R N e supponiamo che per ogni intero n sia data una funzione f n : R M. Diremo in questo
DettagliX n = αx n 1 + Y n. Si dimostri che. Usando la precedente relazione si dimostri che. e che. e si determini il limite di media e varianza quando n +.
Problema 1. Siano X, Y 1, Y,... variabili aleatorie indipendenti. Si supponga che X abbia media m e varianza σ e che le Y i abbiano distribuzione gaussiana con media µ e varianza σ. Dato α in (, 1, si
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
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
Dettagli8. Completamento di uno spazio di misura.
8. Completamento di uno spazio di misura. 8.1. Spazi di misura. Spazi di misura completi. Definizione 8.1.1. (Spazio misurabile). Si chiama spazio misurabile ogni coppia ordinata (Ω, A), dove Ω è un insieme
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Energia immessa da un white noise Ricordiamo la motivazione applicativa della volta scorsa: un white noise additivo, messo in un equazione che nel caso deterministico
Dettagli11. Misure con segno.
11. Misure con segno. 11.1. Misure con segno. Sia Ω un insieme non vuoto e sia A una σ-algebra in Ω. Definizione 11.1.1. (Misura con segno). Si chiama misura con segno su A ogni funzione ϕ : A R verificante
DettagliIndice. Notazioni generali... 1
Notazioni generali............................................. 1 1 Derivati e arbitraggi....................................... 5 1.1 Opzioni................................................ 5 1.1.1 Finalità..........................................
DettagliPROBABILITA Laurea in Matematica a.a. 2017/18 Registro delle lezioni
PROBABILITA Laurea in Matematica a.a. 2017/18 Registro delle lezioni 25/09/2017. Teorema delle classi monotone, con dimostrazione. Corollario di unicità di misure coincidenti su classi chiuse per intersezione
DettagliCorso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino)
Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino Prova di mercoledì 22 Settembre 24 (tempo a disposizione: 2 ore e 4 minuti. consegna compiti e inizio
DettagliAppunti del corso Processi stocastici. Marco Frego, Marco Pizzato, Luca Tasin, Luciano Tubaro
Appunti del corso Processi stocastici Marco Frego, Marco Pizzato, Luca Tasin, Luciano Tubaro anno accademico 2007-2008 Indice 1 Introduzione ai Processi Stocastici 5 1..........................................
DettagliIl Teorema di Mountain-Pass
Capitolo 4 Il Teorema di Mountain-Pass Descriviamo ora un altro metodo per trovare soluzioni non nulle di alcuni tipi di problemi, per esempio { u = u p 1 u in u = 0 su (4.1) con p > 1, utilizzando dei
DettagliAnalisi Reale. Anno Accademico Roberto Monti. Versione del 13 Ottobre 2014
Analisi Reale Anno Accademico 2014-2015 Roberto Monti Versione del 13 Ottobre 2014 1 Contents Chapter 1. Introduzione alla teoria della misura 5 1. Misure esterne e misure su σ-algebre. Criterio di Carathéodory
DettagliTOPOLOGIA - APPUNTI SETTIMANA 2/12/2013-5/11/2013
TOPOLOGIA - APPUNTI SETTIMANA 2/12/2013-5/11/2013 KIERAN G. O GRADY - 2 DICEMBRE 2013 1. Spazi di Hausdorff Definizione 1.1. Uno spazio topologico X è di Hausdorff se dati x 1, x 2 X distinti esistono
DettagliIl metodo diretto del Calcolo delle Variazioni
Capitolo 3 Il metodo diretto del Calcolo delle Variazioni Coercività Definizione 3.1 Una funzione F : X R si dice coerciva (risp. sequenzialmente coerciva) se per ogni t R esiste un sottoinsieme compatto
Dettagli04 - Numeri Complessi
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 04 - Numeri Complessi Anno Accademico 2013/2014 M. Tumminello, V. Lacagnina e
DettagliRisolvere il seguente sistema lineare ESERCIZIO 2
PROVA SCRITTA di MATEMATICA Laurea triennale in Sc. Geologiche e Sc. Naturali Facoltà di S.M.F.N. Prima sessione, appello invernale - A.A. 1/11-1 febb 11 Gli esercizi sono da risolvere in modo esplicito.
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
DettagliVERSIONE PRELIMINARE Lezioni di Analisi Matematica 3 corso di Laurea in Fisica a.a
Lezioni di Analisi Matematica 3 corso di Laurea in Fisica a.a. 2005-06 G. Molteni, M. Vignati Notazioni I vettori di R n e le funzioni a valori in R n sono indicate in grassetto, per cui si dirà v R n
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:
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
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
DettagliStima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.
Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione
Dettagli8 Derivati dell entropia
(F1X) Teoria dell Informazione e della Trasmissione 8 Derivati dell entropia Docente: Nicolò Cesa-Bianchi versione 23 marzo 2016 Siano X e Y due variabili casuali con valori in insiemi finiti X e Y. Detta
DettagliSTATISTICA APPLICATA Prof.ssa Julia Mortera. INTRODUZIONE al STATISTICA
STATISTICA APPLICATA Prof.ssa Julia Mortera INTRODUZIONE al CAMPIONAMENTO e all INFERENZA STATISTICA Inferenza Statistica Nell inferenza statistica si usano le statistiche campionarie per fare previsioni
DettagliProbabilità di non collisione per Moti Browniani
Università degli Studi Roma Tre Facoltà di Scienze Matematiche Fisiche e Naturali Corso di Laurea in Matematica Tesi di Laurea Magistrale in Matematica di Marina Esposito Probabilità di non collisione
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
DettagliCampionamento e stima di parametri
Sia X una variabile aleatoria associata a un dato esperimento. Ripetiamo l esperimento n volte, ottenendo una famiglia di valori sperimentali della v.a. X : X = (X 1, X 2,..., X n ) ogni X i é una v.a.
DettagliEsercizi - Fascicolo V
Esercizi - Fascicolo V Esercizio Sia X una v.c. uniformenente distribuita nell intervallo ( π 2, π 2 ), cioè f X (x) = π ( π 2, π 2 ) (x). Posto Y = cos(x), trovare la distribuzione di Y. Esercizio 2 Si
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
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
Dettagli11 Undicesima lezione: Coercività e semicontinuità di funzionali integrali
11 Undicesima lezione: Coercività e semicontinuità di funzionali integrali In questa lezione torniamo a considerare problemi di minimo per funzionali integrali del tipo (11.1) f(x, u(x), u(x)) dx. dove
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
DettagliEsercitazione del 28/10/2011 Calcolo delle probabilità
Esercitazione del 28/0/20 Calcolo delle probabilità Distribuzione di una funzione di una variabile aleatoria discreta. Sia X una variabile aletoria discreta, sia f una funzione da in, se Y := f(x) allora
DettagliCorso di Laurea in Fisica. Geometria. a.a Prof. P. Piazza Soluzione compito a casa del 24/10/09
Corso di Laurea in Fisica. Geometria. a.a. 29-. Prof. P. Piazza Soluzione compito a casa del 24//9 Soluzione esercizio. Siano A e B due matrici simmetriche e λ un numero reale. Dobbiamo mostrare che anche
DettagliSERIE NUMERICHE FAUSTO FERRARI
SERIE NUMERICHE FAUSTO FERRARI Materiale propedeutico alle lezioni di Complementi di Analisi Matematica ed Elementi di Calcolo delle probabilità per il corso di Laurea in Ingegneria per la parte di Elementi
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Discretizzazione equazione del calore Per l equazione usiamo lo schema esplicito p tk+1 (x i ) p tk (x i ) h t p t = σ2 2 p 2 x 2 = σ2 2 p tk (x i+1 ) p tk
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
Dettagli1 2 1 x = Quando sapremo calcolare i determinanti potremo ricavare:
5 NOVEMBRE 2009 Esempio: Risolviamo il sistema: 3x + 2y + 4z = 1 2x y + z = 0 x + 2y + 3z = 1 1 2 4 3 1 4 3 2 1 0 1 1 2 0 1 2 1 0 1 2 3 1 1 3 1 2 1 x =, y =, z = 3 2 4 3 2 4 3 2 4 2 1 1 2 1 1 2 1 1 1 2
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
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
DettagliEsercitazione del 16/04/2019 Istituzioni di Calcolo delle Probabilità
Esercitazione del 6/04/09 Istituzioni di Calcolo delle Probabilità David Barbato Nozioni di riepilogo con esercizi Distribuzione di una funzione di una variabile aleatoria discreta. Sia X una variabile
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
DettagliI due teoremi fondamentali di Bertini
SINTESI della Tesi di Laurea in Matematica di Finesi Laura I due teoremi fondamentali di Bertini Relatore Prof. Angelo Felice Lopez Novembre 2001 1 In questa tesi analizziamo alcune formulazioni riguardanti
DettagliAnalisi multivariata per osservazioni appaiate. Analisi multivariata per osservazioni appaiate
Introduzione Notazione Modello additivo Verifica d ipotesi Sia X una variabile q-dimensionale, a valori reali, non degenere, osservata in k tempi diversi (τ 1, τ 2,..., τ k ), sulle stesse n unità statistiche
DettagliCognome Nome Matricola. Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale
Esame di Calcolo delle Probabilità mod. B del 9 settembre 2003 (Corso di Laurea in Matematica, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione:
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliPrincipali insiemi di numeri
Principali insiemi di numeri N = {0,1,2,...} insieme dei numeri naturali o anche interi non negativi Z = N { 1, 2, 3,...} insieme dei numeri interi Q = { n m } : n,m Z, m 0 insieme dei numeri razionali
DettagliMisura e dimensione di Hausdorff
Misura e dimensione di Hausdorff La misura di Hausdorff Si ricordano alcune definizioni e teoremi dal corso di Analisi Superiore per la cui dimostrazione si rimanda alle dispense. Definizione 1. Una famiglia
DettagliContenuti aggiuntivi su matrici e determinanti, Dimostrazioni del Capitolo 3
Contenuti aggiuntivi su matrici e determinanti, Dimostrazioni del Capitolo 3 Dimostrazione 310 Sia W = L(C A ) K Osserviamo che S è una base di W Infatti S è indipendente, inoltre ogni vettore di W dipende
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
DettagliMisure e loro proprietà (appunti per il corso di Complementi di Analisi Matematica per Fisici, a.a )
Misure e loro proprietà (appunti per il corso di Complementi di Analisi Matematica per Fisici, a.a. 2006-07 Sia Ω un insieme non vuoto e sia A una σ-algebra in Ω. Definizione 1. (Misura. Si chiama misura
DettagliRegressione lineare. Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche.
Regressione lineare Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche Siano x ed y due variabili legate tra loro da una forma funzionale del
Dettagli1. Si scelga a caso un punto X dell intervallo [0, 2], con distribuzione uniforme di densità. f X (x) = [0,2](x)
Esercizi di Calcolo delle Probabilità della 3 a settimana (Corso di Laurea in Matematica, Università degli Studi di Padova). Esercizio.. Sia (X, Y ) un vettore aleatorio bidimensionale con densità uniforme
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
DettagliLEZIONE 12. Y = f(x) = f( x j,1 f(e j ) = x j,1 A j = AX = µ A (X),
LEZIONE 1 1.1. Matrice di un applicazione lineare. Verifichiamo ora che ogni applicazione lineare f: R n R m è della forma µ A per un unica A R m,n. Definizione 1.1.1. Per ogni j 1,..., n indichiamo con
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
Dettagli