Modelli di Polimeri e Passeggiate Aleatorie

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Modelli di Polimeri e Passeggiate Aleatorie"

Transcript

1 Introduzione Modelli periodici Modelli disordinati Modelli di Polimeri e Passeggiate Aleatorie Francesco Caravenna caravenna@math.unipd.it Università degli Studi di Padova XVIII Congresso dell U.M.I. Bari, 26 settembre 2007 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

2 Introduzione Modelli periodici Modelli disordinati Programma 1. Introduzione Che cos è un polimero? Polimeri e probabilità 2. Modelli periodici Definizione La transizione di fase Il comportamento delle traiettorie 3. Modelli disordinati Definizione La transizione di fase Risultati e tecniche Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

3 Introduzione Modelli periodici Modelli disordinati Programma 1. Introduzione Che cos è un polimero? Polimeri e probabilità 2. Modelli periodici Definizione La transizione di fase Il comportamento delle traiettorie 3. Modelli disordinati Definizione La transizione di fase Risultati e tecniche Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

4 Introduzione Modelli periodici Modelli disordinati Che cos è un polimero? Che cos è un polimero? Un polimero è una grossa molecola costituita da un gran numero di molecole più piccole, dette monomeri, unite a formare una catena. Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

5 Introduzione Modelli periodici Modelli disordinati Che cos è un polimero? Che cos è un polimero? Un polimero è una grossa molecola costituita da un gran numero di molecole più piccole, dette monomeri, unite a formare una catena. Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

6 Introduzione Modelli periodici Modelli disordinati Che cos è un polimero? Che cos è un polimero? Un polimero è una grossa molecola costituita da un gran numero di molecole più piccole, dette monomeri, unite a formare una catena. Esempi tipici: DNA, RNA Proteine Materie plastiche Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

7 Introduzione Modelli periodici Modelli disordinati Che cos è un polimero? Che cos è un polimero? Un polimero è una grossa molecola costituita da un gran numero di molecole più piccole, dette monomeri, unite a formare una catena. Esempi tipici: DNA, RNA Proteine Materie plastiche Argomento di ricerca in chimica, fisica, biologia,... Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

8 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Probabilità: due processi basilari Passeggiata aleatoria semplice {S n } n su Z d S 0 = 0 S n = Incrementi {X i } i indipendenti, P(X i = ±e k ) = 1 2d, k = 1,..., d n i=1 X i Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

9 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Probabilità: due processi basilari Passeggiata aleatoria semplice {S n } n su Z d S 0 = 0 S n = Incrementi {X i } i indipendenti, P(X i = ±e k ) = 1 2d, k = 1,..., d n i=1 X i Passeggiata aleatoria auto-evitante su Z d Condizionata a non visitare alcun sito più di una volta Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

10 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Probabilità: due processi basilari Passeggiata aleatoria semplice {S n } n su Z d S 0 = 0 S n = Incrementi {X i } i indipendenti, P(X i = ±e k ) = 1 2d, k = 1,..., d n i=1 X i Passeggiata aleatoria auto-evitante su Z d Condizionata a non visitare alcun sito più di una volta Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

11 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Probabilità: due processi basilari In che senso questi processi sono legate ai polimeri? Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

12 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Probabilità: due processi basilari In che senso questi processi sono legate ai polimeri? Esempi di polimeri astratti: incrementi monomeri Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

13 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Probabilità: due processi basilari In che senso questi processi sono legate ai polimeri? Esempi di polimeri astratti: Ma soprattutto: incrementi monomeri Modelli per una descrizione statistica di polimeri in interazione con l ambiente (Meccanica Statistica) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

14 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Probabilità: due processi basilari In che senso questi processi sono legate ai polimeri? Esempi di polimeri astratti: Ma soprattutto: incrementi monomeri Modelli per una descrizione statistica di polimeri in interazione con l ambiente (Meccanica Statistica) Traiettorie del processo Configurazioni del polimero Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

15 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Qualitative introduction Il problema del copolimero Copolymer (= inhomogeneous polymer) near a selective interface Esempio: copolimero (= polimero disomogeneo) Monomers: () hydrophobic ( ) hydrophilic vicino a un interfaccia selettiva Olio!!!!!!!!!!!!! Acqua!! _! Interfaccia Monomeri: () idrofobo ( ) idrofilo Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 14 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

16 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Qualitative introduction Il problema del copolimero Copolymer (= inhomogeneous polymer) near a selective interface Esempio: copolimero (= polimero disomogeneo) Monomers: () hydrophobic ( ) hydrophilic vicino a un interfaccia selettiva Olio!!!!!!!!!!!!! Acqua!! _! Interfaccia Monomeri: () idrofobo ( ) idrofilo Transizione di fase: Localizzazione all interfaccia vs Delocalizzazione in un solvente Comptetizione tra energia e entropia Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 14 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

17 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Il problema del copolimero Obiettivo: rendere conto di tali fenomeni mediante modelli probabilistici basati su passeggiate aleatorie Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

18 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Il problema del copolimero Obiettivo: rendere conto di tali fenomeni mediante modelli probabilistici basati su passeggiate aleatorie Passeggiata auto-evitante: modello più realistico ma molto più difficile! [Madras e Slade, Birkhäuser 93] Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

19 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Il problema del copolimero Obiettivo: rendere conto di tali fenomeni mediante modelli probabilistici basati su passeggiate aleatorie Passeggiata auto-evitante: modello più realistico ma molto più difficile! [Madras e Slade, Birkhäuser 93] Modelli trattabili: basati su passeggiate aleatorie ordinarie (o passeggiate dirette) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

20 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Il problema del copolimero Obiettivo: rendere conto di tali fenomeni mediante modelli probabilistici basati su passeggiate aleatorie Passeggiata auto-evitante: modello più realistico ma molto più difficile! [Madras e Slade, Birkhäuser 93] Modelli trattabili: basati su passeggiate aleatorie ordinarie (o passeggiate dirette) Secondo il tipo di disomogeneità ω =,,,... distinguiamo: 1. Modelli periodici: ω è periodica rilevanti per i polimeri sintetici e come approssimazione di modelli disordinati Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

21 Introduzione Modelli periodici Modelli disordinati Polimeri e probabilità Il problema del copolimero Obiettivo: rendere conto di tali fenomeni mediante modelli probabilistici basati su passeggiate aleatorie Passeggiata auto-evitante: modello più realistico ma molto più difficile! [Madras e Slade, Birkhäuser 93] Modelli trattabili: basati su passeggiate aleatorie ordinarie (o passeggiate dirette) Secondo il tipo di disomogeneità ω =,,,... distinguiamo: 1. Modelli periodici: ω è periodica rilevanti per i polimeri sintetici e come approssimazione di modelli disordinati 2. Modelli disordinati: ω è la realizzazione di un processo aleatorio rilevanti per le applicazioni biologiche Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

22 Introduzione Modelli periodici Modelli disordinati Programma 1. Introduzione Che cos è un polimero? Polimeri e probabilità 2. Modelli periodici Definizione La transizione di fase Il comportamento delle traiettorie 3. Modelli disordinati Definizione La transizione di fase Risultati e tecniche Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

23 Qualitative introduction Introduzione Modelli periodici Modelli disordinati Definizione Definizione del modello Copolymer (= inhomogeneous polymer) near a selective interface Monomers: Ricordiamo il problema: () hydrophobic ( ) hydrophilic Olio!!!!!!!!!!!!! Acqua!! _! Interfaccia Definire un modello probabilistico P λ,h per questa situazione. Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 14 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

24 Introduzione Modelli periodici Modelli disordinati Definizione Definizione del modello Ingredienti del modello: successione ω {1, 1} N periodica dei monomeri Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

25 Introduzione Modelli periodici Modelli disordinati Definizione Definizione del modello Ingredienti del modello: successione ω {1, 1} N periodica dei monomeri lunghezza N N del polimero Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

26 Introduzione Modelli periodici Modelli disordinati Definizione Definizione del modello Ingredienti del modello: successione ω {1, 1} N periodica dei monomeri lunghezza N N del polimero parametri di interazione λ, h 0 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

27 Introduzione Modelli periodici Modelli disordinati Definizione Definizione del modello Ingredienti del modello: successione ω {1, 1} N periodica dei monomeri lunghezza N N del polimero parametri di interazione λ, h 0 passeggiata aleatoria semplice ( {S n }, P ) su Z Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

28 Introduzione Modelli periodici Modelli disordinati Definizione Definizione del modello Ingredienti del modello: successione ω {1, 1} N periodica dei monomeri lunghezza N N del polimero parametri di interazione λ, h 0 passeggiata aleatoria semplice ( {S n }, P ) su Z Definizione del modello P λ,h [Bolthausen e den Hollander, AP 97] dp λ,h dp Energia: 1 ( ) (S) := Z λ,h exp H λ,h (S) N H λ,h (S) := λ (ω n h) sign(s n ) n=1 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

29 Introduzione Modelli periodici Modelli disordinati Il modello Introduzione Modelli periodici Modelli disordinati Definizione A sample path Una traiettoria illustrativa S n 2 ( ) 2 ( ) 4 ( ) 2 ( ) 0 ( ) 0 N Energy: Energia: (ω n h) sign(s n ) = λ ( 6 6h ) (ω n h) sign(s n ) = λ ( 6 6h ) N H λ,h (S) := N H λ,h (S) := λ n=1 ( n=1 if Sn = 0 sign(s n ) := sign(s n 1 ) ) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 14 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

30 Introduzione Modelli periodici Modelli disordinati Il modello Introduzione Modelli periodici Modelli disordinati Definizione A sample path Una traiettoria illustrativa S n 2 ( ) 2 ( ) 4 ( ) 2 ( ) 0 ( ) 0 N Energy: Energia: (ω n h) sign(s n ) = λ ( 6 6h ) (ω n h) sign(s n ) = λ ( 6 6h ) N H λ,h (S) := N H λ,h (S) := λ n=1 ( n=1 if Sn = 0 sign(s n ) := sign(s n 1 ) ) λ 0 modula la forza dell interazione (temperatura 1 ) h descrive l asimmetria olio-acqua ( 0 per conv.) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 14 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

31 Introduzione Modelli periodici Modelli disordinati Definizione Qualche domanda La misura P λ,h descrive la distribuzione statistica delle configurazioni del polimero, assegnate le condizioni esterne Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

32 Introduzione Modelli periodici Modelli disordinati Definizione Qualche domanda La misura P λ,h descrive la distribuzione statistica delle configurazioni del polimero, assegnate le condizioni esterne Interessati alle proprietà per N (limite termodinamico). A priori due possibili scenari per le traiettorie di P λ,h : Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

33 Introduzione Modelli periodici Modelli disordinati Definizione Qualche domanda La misura P λ,h descrive la distribuzione statistica delle configurazioni del polimero, assegnate le condizioni esterne Interessati alle proprietà per N (limite termodinamico). A priori due possibili scenari per le traiettorie di P λ,h : Localizzazione: le traiettorie restano vicine all interfaccia, per massimizzare l energia H λ,h Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

34 Introduzione Modelli periodici Modelli disordinati Definizione Qualche domanda La misura P λ,h descrive la distribuzione statistica delle configurazioni del polimero, assegnate le condizioni esterne Interessati alle proprietà per N (limite termodinamico). A priori due possibili scenari per le traiettorie di P λ,h : Localizzazione: le traiettorie restano vicine all interfaccia, per massimizzare l energia H λ,h Delocalizzazione: le traiettorie preferiscono fluttuare nell olio, per massimizzare l entropia di P Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

35 Introduzione Modelli periodici Modelli disordinati Definizione Qualche domanda La misura P λ,h descrive la distribuzione statistica delle configurazioni del polimero, assegnate le condizioni esterne Interessati alle proprietà per N (limite termodinamico). A priori due possibili scenari per le traiettorie di P λ,h : Localizzazione: le traiettorie restano vicine all interfaccia, per massimizzare l energia H λ,h Delocalizzazione: le traiettorie preferiscono fluttuare nell olio, per massimizzare l entropia di P Qual è lo scenario corretto? La risposta dipende da λ, h? Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

36 Introduzione Modelli periodici Modelli disordinati Definizione Qualche domanda La misura P λ,h descrive la distribuzione statistica delle configurazioni del polimero, assegnate le condizioni esterne Interessati alle proprietà per N (limite termodinamico). A priori due possibili scenari per le traiettorie di P λ,h : Localizzazione: le traiettorie restano vicine all interfaccia, per massimizzare l energia H λ,h Delocalizzazione: le traiettorie preferiscono fluttuare nell olio, per massimizzare l entropia di P Qual è lo scenario corretto? La risposta dipende da λ, h? Come definire precisamente L e D? vedremo dopo Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

37 Introduzione Modelli periodici Modelli disordinati La transizione di fase Qualche risposta Teorema [Bolthausen e Giacomin, AAP 05] C è una transizione di fase non banale tra un regime Localizzato e un regime Delocalizzato Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

38 Introduzione Modelli periodici Modelli disordinati La transizione di fase Qualche risposta Teorema [Bolthausen e Giacomin, AAP 05] C è una transizione di fase non banale tra un regime Localizzato e un regime Delocalizzato Nel piano (λ, h) le regioni L e D sono separate da una rogramma curva critica crescente λ h c (λ) ( formula esplicita ) h D h c (λ) L 0 λ Figure: Write caption. Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

39 Introduzione Modelli periodici Modelli disordinati La transizione di fase Qualche risposta Teorema [Bolthausen e Giacomin, AAP 05] C è una transizione di fase non banale tra un regime Localizzato e un regime Delocalizzato Nel piano (λ, h) le regioni L e D sono separate da una rogramma curva critica crescente λ h c (λ) ( formula esplicita ) h D h c (λ) Asintotica: L h c (λ) λ 3 per λ 0 0 λ Figure: Write caption. Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

40 Introduzione Modelli periodici Modelli disordinati Il comportamento delle traiettorie Risultati traiettoriali In che senso nella regione L (risp. D) le traiettorie del modello P λ,h sono localizzate (risp. delocalizzate)? Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

41 Introduzione Modelli periodici Modelli disordinati Il comportamento delle traiettorie Risultati traiettoriali In che senso nella regione L (risp. D) le traiettorie del modello P λ,h sono localizzate (risp. delocalizzate)? Riscalamento diffusivo di P λ,h : X N(t) := S Nt N, t [0, 1] Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

42 Introduzione Modelli periodici Modelli disordinati Il comportamento delle traiettorie Risultati traiettoriali In che senso nella regione L (risp. D) le traiettorie del modello P λ,h sono localizzate (risp. delocalizzate)? Riscalamento diffusivo di P λ,h : X N(t) := S Nt N, t [0, 1] Teorema [C., Giacomin e Zambotti, AAP 07] Il risc. diffusivo di P λ,h converge deb. in C([0, 1]) per N : in L verso il processo banale X (t) 0 (infatti S N = O(log N)) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

43 Introduzione Modelli periodici Modelli disordinati Il comportamento delle traiettorie Risultati traiettoriali In che senso nella regione L (risp. D) le traiettorie del modello P λ,h sono localizzate (risp. delocalizzate)? Riscalamento diffusivo di P λ,h : X N(t) := S Nt N, t [0, 1] Teorema [C., Giacomin e Zambotti, AAP 07] Il risc. diffusivo di P λ,h converge deb. in C([0, 1]) per N : in L verso il processo banale X (t) 0 (infatti S N = O(log N)) in D verso il meandro browniano X (t) = B t {B s 0 : s 1} Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

44 Introduzione Modelli periodici Modelli disordinati Il comportamento delle traiettorie Risultati traiettoriali In che senso nella regione L (risp. D) le traiettorie del modello P λ,h sono localizzate (risp. delocalizzate)? Riscalamento diffusivo di P λ,h : X N(t) := S Nt N, t [0, 1] Teorema [C., Giacomin e Zambotti, AAP 07] Il risc. diffusivo di P λ,h converge deb. in C([0, 1]) per N : in L verso il processo banale X (t) 0 (infatti S N = O(log N)) in D verso il meandro browniano X (t) = B t {B s 0 : s 1} sulla curva critica verso il moto browniano riflesso X (t) = B t. Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

45 Introduzione Modelli periodici Modelli disordinati Il comportamento delle traiettorie Risultati traiettoriali In che senso nella regione L (risp. D) le traiettorie del modello P λ,h sono localizzate (risp. delocalizzate)? Riscalamento diffusivo di P λ,h : X N(t) := S Nt N, t [0, 1] Teorema [C., Giacomin e Zambotti, AAP 07] Il risc. diffusivo di P λ,h converge deb. in C([0, 1]) per N : in L verso il processo banale X (t) 0 (infatti S N = O(log N)) in D verso il meandro browniano X (t) = B t {B s 0 : s 1} sulla curva critica verso il moto browniano riflesso X (t) = B t. Tecniche: Grandi Deviazioni [BG], Teoria di Rinnovo [CGZ] Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

46 Introduzione Modelli periodici Modelli disordinati Programma 1. Introduzione Che cos è un polimero? Polimeri e probabilità 2. Modelli periodici Definizione La transizione di fase Il comportamento delle traiettorie 3. Modelli disordinati Definizione La transizione di fase Risultati e tecniche Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

47 Introduzione Modelli periodici Modelli disordinati Definizione Definizione del modello disordinato Il modello è formalmente lo stesso del caso periodico: dp λ,h dp Energia: 1 ( ) (S) := Z λ,h exp H λ,h (S) N H λ,h (S) := λ (ω n h) sign(s n ) n=1 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

48 Introduzione Modelli periodici Modelli disordinati Definizione Definizione del modello disordinato Il modello è formalmente lo stesso del caso periodico: dp λ,h dp Energia: 1 ( ) (S) := Z λ,h exp H λ,h (S) N H λ,h (S) := λ (ω n h) sign(s n ) n=1 Cambia la disomogeneità ω =,,..., non più deterministica: ω {1, 1} N è la realizzazione di un processo aleatorio {ω n } n N i.i.d. con P(ω 1 = 1) = P(ω 1 = 1) = 1 2 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

49 Introduzione Modelli periodici Modelli disordinati Definizione Definizione del modello disordinato Il modello è formalmente lo stesso del caso periodico: dp λ,h dp Energia: 1 ( ) (S) := Z λ,h exp H λ,h (S) N H λ,h (S) := λ (ω n h) sign(s n ) n=1 Cambia la disomogeneità ω =,,..., non più deterministica: ω {1, 1} N è la realizzazione di un processo aleatorio {ω n } n N i.i.d. con P(ω 1 = 1) = P(ω 1 = 1) = 1 2 Due diversi tipi di alea nel sistema (P quenched randomness ) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

50 Introduzione Modelli periodici Modelli disordinati La transizione di fase Localizzazione e Delocalizzazione: l energia libera Come definire precisamente le regioni L e D? Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

51 Introduzione Modelli periodici Modelli disordinati La transizione di fase Localizzazione e Delocalizzazione: l energia libera Come definire precisamente le regioni L e D? Funzione di partizione: Z λ,h := E( exp(h λ,h )) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

52 Introduzione Modelli periodici Modelli disordinati La transizione di fase Localizzazione e Delocalizzazione: l energia libera Come definire precisamente le regioni L e D? Funzione di partizione: Z λ,h := E( exp(h λ,h )) Energia libera: tasso di crescita esponenziale di Z N : f ω (λ, h) := lim N 1 N log Z λ,h Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

53 Introduzione Modelli periodici Modelli disordinati La transizione di fase Localizzazione e Delocalizzazione: l energia libera Come definire precisamente le regioni L e D? Funzione di partizione: Z λ,h := E( exp(h λ,h )) Energia libera: tasso di crescita esponenziale di Z N : f ω (λ, h) := lim N 1 N log Z λ,h [Il limite esiste P-q.c. e in L 1 (P) e non dipende da ω: f ω (λ, h) = f (λ, h)] Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

54 Introduzione Modelli periodici Modelli disordinati La transizione di fase Localizzazione e Delocalizzazione: l energia libera Come definire precisamente le regioni L e D? Funzione di partizione: Z λ,h := E( exp(h λ,h )) Energia libera: tasso di crescita esponenziale di Z N : f ω (λ, h) := lim N 1 N log Z λ,h [Il limite esiste P-q.c. e in L 1 (P) e non dipende da ω: f ω (λ, h) = f (λ, h)] Traiettorie S n 0 che fluttuano nell olio f (λ, h) λh Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

55 Introduzione Modelli periodici Modelli disordinati La transizione di fase Localizzazione e Delocalizzazione: l energia libera Come definire precisamente le regioni L e D? Funzione di partizione: Z λ,h := E( exp(h λ,h )) Energia libera: tasso di crescita esponenziale di Z N : f ω (λ, h) := lim N 1 N log Z λ,h [Il limite esiste P-q.c. e in L 1 (P) e non dipende da ω: f ω (λ, h) = f (λ, h)] Traiettorie S n 0 che fluttuano nell olio f (λ, h) λh Definizione: L = { (λ, h) : f (λ, h) > λ h } D = { (λ, h) : f (λ, h) = λ h } Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

56 Introduzione Modelli periodici Modelli disordinati La transizione di fase La curva critica Teorema [Bolthausen e den Hollander, AP 97] C è una transizione di fase non banale tra un regime Localizzato e un regime Delocalizzato Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

57 Introduzione Modelli periodici Modelli disordinati La transizione di fase Introduction Numerical investigation Theoretical analysis The phase diagram La The curva critical critica line Teorema Theorem [Bolthausen ([BdH 97]) e den Hollander, AP 97] There C èexists una atransizione continuous, di increasing fase noncurve banale h c tra : [0, un ) regime [0, ), withlocalizzato h c (0) = 0 and e un0 regime < h Delocalizzato c (0) <, such that Nel piano (λ, h) le regioni L e D sono separate da una L curva = { (λ, critica h) : crescente h < h c (λ) } λ h D c (λ) = { ( (λ, no h) formula : h h c esplicita) (λ) } h c (λ) D L Slope at the origin: Brownian scaling Universality 0 λ Francesco Caravenna Random copolymers at selective interfaces June 22, / 32 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

58 Introduzione Modelli periodici Modelli disordinati La transizione di fase Introduction Numerical investigation Theoretical analysis The phase diagram La The curva critical critica line Teorema Theorem [Bolthausen ([BdH 97]) e den Hollander, AP 97] There C èexists una atransizione continuous, di increasing fase noncurve banale h c tra : [0, un ) regime [0, ), withlocalizzato h c (0) = 0 and e un0 regime < h Delocalizzato c (0) <, such that Nel piano (λ, h) le regioni L e D sono separate da una L curva = { (λ, critica h) : crescente h < h c (λ) } λ h D c (λ) = { ( (λ, no h) formula : h h c esplicita) (λ) } h c (λ) D L Asintotica per λ 0: Slope at the origin: h c (λ) mλ, m > 0 Brownian scaling Universality 0 λ Francesco Caravenna Random copolymers at selective interfaces June 22, / 32 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

59 Introduzione Modelli periodici Modelli disordinati La transizione di fase Introduction Numerical investigation Theoretical analysis The phase diagram La The curva critical critica line Teorema Theorem [Bolthausen ([BdH 97]) e den Hollander, AP 97] There C èexists una atransizione continuous, di increasing fase noncurve banale h c tra : [0, un ) regime [0, ), withlocalizzato h c (0) = 0 and e un0 regime < h Delocalizzato c (0) <, such that Nel piano (λ, h) le regioni L e D sono separate da una L curva = { (λ, critica h) : crescente h < h c (λ) } λ h D c (λ) = { ( (λ, no h) formula : h h c esplicita) (λ) } 0 h c (λ) D L λ Asintotica per λ 0: Slope at the origin: h c (λ) mλ, m > 0 Brownian scaling Universality Riscal. browniano Universalità Francesco Caravenna Random copolymers at selective interfaces June 22, / 32 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

60 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Individuare la curva critica Famiglia di curve indicizzata da q > 0: h (q) (λ) := log cosh(2qλ) 2qλ Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

61 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Individuare la curva critica Famiglia di curve indicizzata da q > 0: h (q) (λ) := log cosh(2qλ) 2qλ Congetture fisiche: h c ( ) = h (1) ( ) [Garel et al. 89; Maritan et al. 99] h c ( ) = h (2/3) ( ) [Monthus 00; Stepanov et al. 98] Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

62 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Individuare la curva critica Famiglia di curve indicizzata da q > 0: h (q) (λ) := log cosh(2qλ) 2qλ Congetture fisiche: h c ( ) = h (1) ( ) [Garel et al. 89; Maritan et al. 99] h c ( ) = h (2/3) ( ) [Monthus 00; Stepanov et al. 98] Teorema [BdH, AP 97], [Bodineau e Giacomin, JSP 04] h (2/3) ( ) h c ( ) h (1) ( ) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

63 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Francesco Caravenna Modelli di PolimeriTheorem e Passeggiate([BdH Aleatorie97], [Bodineau and Giacomin 26 settembre 04]) / 21 Individuare la curva critica Famiglia di curve indicizzata da q > 0: h (q) (λ) := log cosh(2qλ) 2qλ Congetture fisiche: h c ( ) = h (1) ( ) [Garel et al. 89; Maritan et al. 99] h c ( ) = h (2/3) Introduction Numerical investigation ( ) [Monthus Theoretical analysis 00; Stepanov The phase diagram et al. 98] Upper and Lower Bound on the critical line Teorema [BdH, AP 97], [Bodineau e Giacomin, JSP 04] h (2/3) ( ) h c ( ) h (1) ( ) h h c (0) [ 2 3, 1] D L h (1) (λ) h c(λ) h ( 2 3 ) (λ) 0 λ

64 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Migliorare le stime sulla curva critica Forse h c ( ) = h (2/3) ( )? Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

65 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Migliorare le stime sulla curva critica Forse h c ( ) = h (2/3) ( )? NO(?) [C., Giacomin e Gubinelli, JSP 06] Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

66 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Migliorare le stime sulla curva critica Forse h c ( ) = h (2/3) ( )? NO(?) [C., Giacomin e Gubinelli, JSP 06] Test statistico per l ipotesi H 0 : h c (λ) = h (2/3) (λ) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

67 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Migliorare le stime sulla curva critica Forse h c ( ) = h (2/3) ( )? NO(?) [C., Giacomin e Gubinelli, JSP 06] Test statistico per l ipotesi H 0 : h c (λ) = h (2/3) (λ) Super-additività Disuguaglianze di concentrazione: stima rigorosa della probabilità di errore Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

68 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Migliorare le stime sulla curva critica Forse h c ( ) = h (2/3) ( )? NO(?) [C., Giacomin e Gubinelli, JSP 06] Test statistico per l ipotesi H 0 : h c (λ) = h (2/3) (λ) Super-additività Disuguaglianze di concentrazione: stima rigorosa della probabilità di errore Uso del computer solo per simulare le variabili ω n Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

69 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Migliorare le stime sulla curva critica Forse h c ( ) = h (2/3) ( )? NO(?) [C., Giacomin e Gubinelli, JSP 06] Test statistico per l ipotesi H 0 : h c (λ) = h (2/3) (λ) Super-additività Disuguaglianze di concentrazione: stima rigorosa della probabilità di errore Uso del computer solo per simulare le variabili ω n Il p-value del test è < 10 5! Forti evidenze che h c (λ) > h (2/3) (λ) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

70 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Migliorare le stime sulla curva critica Forse h c ( ) = h (2/3) ( )? NO(?) [C., Giacomin e Gubinelli, JSP 06] Test statistico per l ipotesi H 0 : h c (λ) = h (2/3) (λ) Super-additività Disuguaglianze di concentrazione: stima rigorosa della probabilità di errore Uso del computer solo per simulare le variabili ω n Il p-value del test è < 10 5! Forti evidenze che h c (λ) > h (2/3) (λ) Forse h c ( ) = h (1) ( )? Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

71 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Migliorare le stime sulla curva critica Forse h c ( ) = h (2/3) ( )? NO(?) [C., Giacomin e Gubinelli, JSP 06] Test statistico per l ipotesi H 0 : h c (λ) = h (2/3) (λ) Super-additività Disuguaglianze di concentrazione: stima rigorosa della probabilità di errore Uso del computer solo per simulare le variabili ω n Il p-value del test è < 10 5! Forti evidenze che h c (λ) > h (2/3) (λ) Forse h c ( ) = h (1) ( )? NO(?): evidenze numeriche [CGG, JSP 06] Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

72 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Migliorare le stime sulla curva critica Forse h c ( ) = h (2/3) ( )? NO(?) [C., Giacomin e Gubinelli, JSP 06] Test statistico per l ipotesi H 0 : h c (λ) = h (2/3) (λ) Super-additività Disuguaglianze di concentrazione: stima rigorosa della probabilità di errore Uso del computer solo per simulare le variabili ω n Il p-value del test è < 10 5! Forti evidenze che h c (λ) > h (2/3) (λ) Forse h c ( ) = h (1) ( )? NO(?): evidenze numeriche [CGG, JSP 06] Dimostrazione per λ grande [Toninelli 07] Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

73 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Conclusioni Energia libera e curva critica: Buona comprensione generale Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

74 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Conclusioni Energia libera e curva critica: Buona comprensione generale Punti da chiarire: Individuare la curva critica (o almeno la tangente in zero) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

75 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Conclusioni Energia libera e curva critica: Buona comprensione generale Punti da chiarire: Individuare la curva critica (o almeno la tangente in zero) Regolarità della transizione (almeno secondo ordine, [Giacomin e Toninelli, CMP 06]) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

76 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Conclusioni Energia libera e curva critica: Buona comprensione generale Punti da chiarire: Individuare la curva critica (o almeno la tangente in zero) Regolarità della transizione (almeno secondo ordine, [Giacomin e Toninelli, CMP 06]) Risultati traiettoriali: Risultati forti in L (Sinai, Biskup, den Hollander, Giacomin, Toninelli) Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

77 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Conclusioni Energia libera e curva critica: Buona comprensione generale Punti da chiarire: Individuare la curva critica (o almeno la tangente in zero) Regolarità della transizione (almeno secondo ordine, [Giacomin e Toninelli, CMP 06]) Risultati traiettoriali: Risultati forti in L (Sinai, Biskup, den Hollander, Giacomin, Toninelli) Molte domande aperte in D [Giacomin e Toninelli, PTRF 05] Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

78 Introduzione Modelli periodici Modelli disordinati Risultati e tecniche Conclusioni Energia libera e curva critica: Buona comprensione generale Punti da chiarire: Individuare la curva critica (o almeno la tangente in zero) Regolarità della transizione (almeno secondo ordine, [Giacomin e Toninelli, CMP 06]) Risultati traiettoriali: Risultati forti in L (Sinai, Biskup, den Hollander, Giacomin, Toninelli) Molte domande aperte in D [Giacomin e Toninelli, PTRF 05] G. Giacomin, Random Polymer Models, Imperial College Press 07 Francesco Caravenna Modelli di Polimeri e Passeggiate Aleatorie 26 settembre / 21

MODELLI DI POLIMERI E PASSEGGIATE ALEATORIE. 1. Introduzione

MODELLI DI POLIMERI E PASSEGGIATE ALEATORIE. 1. Introduzione MODELLI DI POLIMERI E PASSEGGIATE ALEATORIE FRACESCO CARAVEA Sommario. In this talk we describe some probabilistic models of polymer chains interacting with the environment, that undergo a phase transition

Dettagli

Convergenza di martingale - La convergenza in L p, p > 1 equivale alla limitatezza in L p : disuguaglianza per submg non negative; disuguaglianza di

Convergenza 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

Dettagli

Mattia Zanella. Ferrara, April

Mattia 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

Dettagli

Analisi Stocastica Programma del corso 2009/10

Analisi 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,

Dettagli

Analisi Stocastica Programma del corso 2008/09

Analisi 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

Dettagli

0 Richiami di algebra lineare e geometria analitica Distanza, coordinate e vettori Sistemi lineari e matrici...

0 Richiami di algebra lineare e geometria analitica Distanza, coordinate e vettori Sistemi lineari e matrici... Indice 0 Richiami di algebra lineare e geometria analitica........... 9 0.1 Distanza, coordinate e vettori............................. 9 0.2 Sistemi lineari e matrici..................................

Dettagli

CP410: Esame 2, 3 febbraio 2015

CP410: 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

Dettagli

CP410: Esame 2, 30 gennaio Testo e soluzione

CP410: 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

Dettagli

ARGOMENTI TRATTATI NEL CORSO DI ANALISI II

ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ANALISI Limiti Curve Convergenza di una successione di punti Definizione di limite Condizione necessaria e condizione sufficiente all esistenza del limite in

Dettagli

VIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul

VIII 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

Dettagli

Teoria delle Probabilità e Applicazioni programma 2004/05

Teoria 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

Dettagli

Stima dei parametri. I parametri di una pdf sono costanti che caratterizzano la sua forma. r.v. parameter. Assumiamo di avere un campione di valori

Stima dei parametri. I parametri di una pdf sono costanti che caratterizzano la sua forma. r.v. parameter. Assumiamo di avere un campione di valori Stima dei parametri I parametri di una pdf sono costanti che caratterizzano la sua forma r.v. parameter Assumiamo di avere un campione di valori Vogliamo una funzione dei dati che permette di stimare i

Dettagli

Comunicazioni Elettriche II

Comunicazioni Elettriche II Comunicazioni Elettriche II Laurea Magistrale in Ingegneria Elettronica Università di Roma La Sapienza A.A. 207-208 Informazioni sul corso Mercoledì 0.00-2.00 Aula 22 Giovedì 0.00-2.00 Aula 25 Venerdì

Dettagli

Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1

Università 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,

Dettagli

Esame 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 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:

Dettagli

Istituzioni di Probabilità - A.A

Istituzioni 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

Dettagli

Indice Premessa Cenni storici delle misure

Indice Premessa Cenni storici delle misure Indice Premessa................................... 5 1 Cenni storici delle misure...................... 11 1.1 Il numero come misura...................... 13 1.2 I primi campioni di lunghezza..................

Dettagli

Primo 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 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

Dettagli

Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1

Università 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,

Dettagli

Integrazione con metodo Monte Carlo

Integrazione con metodo Monte Carlo 28 Ottobre 2010 Outline 1 Integrazione numerica I metodi deterministici di integrazione numerica (come Simpson, trapezi, e in generale Newton-Cotes) lavorano tipicamente con campionature uniformi del dominio.

Dettagli

Istituzioni di Probabilità Laurea magistrale in Matematica prova scritta del 22/7/2013

Istituzioni di Probabilità Laurea magistrale in Matematica prova scritta del 22/7/2013 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

Dettagli

Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1

Università 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

9. 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. 9.1 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

Dettagli

Indice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza

Indice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6

Dettagli

V 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 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

Dettagli

Probabilità e Statistica

Probabilità 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

Dettagli

Una classe di problemi di transizione di fase con l effetto di tensione di linea

Una classe di problemi di transizione di fase con l effetto di tensione di linea Una classe di problemi di transizione di fase con l effetto di tensione di linea Giampiero Palatucci Published in La Matematica nella Società e nella Cultura 1 (2008), no. 2, 323 326. 1. Transizioni di

Dettagli

Istituzioni di Probabilità Laurea magistrale in Matematica 16 Febbraio 2015

Istituzioni 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

Dettagli

TEORIA DELL INFORMAZIONE ED ENTROPIA FEDERICO MARINI

TEORIA DELL INFORMAZIONE ED ENTROPIA FEDERICO MARINI TEORIA DELL INFORMAZIONE ED ENTROPIA DI FEDERICO MARINI 1 OBIETTIVO DELLA TEORIA DELL INFORMAZIONE Dato un messaggio prodotto da una sorgente, l OBIETTIVO è capire come si deve rappresentare tale messaggio

Dettagli

Probabilità e Statistica

Probabilità 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

Dettagli

Prova Scritta di Probabilità e Statistica Cognome: Laurea in Matematica

Prova Scritta di Probabilità e Statistica Cognome: Laurea in Matematica Prova Scritta di Probabilità e Statistica Cognome: Laurea in Matematica Nome: 25 febbraio 2013 Matricola: ESERCIZIO 1. Si mostri la seguente formula di disintegrazione per la probabilità condizionata:

Dettagli

Statistica Metodologica Avanzato Test 1: Concetti base di inferenza

Statistica Metodologica Avanzato Test 1: Concetti base di inferenza Test 1: Concetti base di inferenza 1. Se uno stimatore T n è non distorto per il parametro θ, allora A T n è anche consistente B lim Var[T n] = 0 n C E[T n ] = θ, per ogni θ 2. Se T n è uno stimatore con

Dettagli

IL FATTORE DI BOLTZMANN ATTRAVERSO ESPERIMENTI E SIMULAZIONI

IL FATTORE DI BOLTZMANN ATTRAVERSO ESPERIMENTI E SIMULAZIONI University of Palermo Physics Education Research Group IL FATTORE DI BOLTZMANN ATTRAVERSO ESPERIMENTI E SIMULAZIONI Onofrio R. Battaglia,, R. M. Sperandeo Mineo GRIAF (Gruppo di Ricerca sull Insegnamento/Apprendimento

Dettagli

III 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 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

Dettagli

Il fenomeno del cuto nelle catene di Markov

Il 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

Dettagli

Matematica e Statistica per Scienze Ambientali

Matematica e Statistica per Scienze Ambientali per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.

Dettagli

Indice Premessa................................... Cenni storici delle misure......................

Indice Premessa................................... Cenni storici delle misure...................... Indice Premessa................................... 5 1 Cenni storici delle misure...................... 11 1.1 Il numero come misura...................... 13 1.2 I primi campioni di lunghezza..................

Dettagli

Indice. Notazioni generali... 1

Indice. Notazioni generali... 1 Notazioni generali............................................. 1 1 Derivati e arbitraggi....................................... 5 1.1 Opzioni................................................ 5 1.1.1 Finalità..........................................

Dettagli

Probabilità e Statistica

Probabilità 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

Dettagli

Esercizi di Calcolo delle Probabilità

Esercizi 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

Dettagli

Calcolo 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 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

Dettagli

Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità

Calcolo 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

Dettagli

()Probablità, Statistica e Processi Stocastici

()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

Dettagli

Corsi di Laurea Magistrale in Matematica, A.A Calcolo stocastico e applicazioni (Docente: Bertini) Esercizi settimanali

Corsi 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

Dettagli

()Probablità, Statistica e Processi Stocastici

()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

Dettagli

I Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17

I 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

Dettagli

Ettore Vitali. Dinamica Molecolare. Nozioni di base e tecniche avanzate

Ettore Vitali. Dinamica Molecolare. Nozioni di base e tecniche avanzate Ettore Vitali Dinamica Molecolare Nozioni di base e tecniche avanzate Sommario NVE-ensemble : dinamica di un sistema isolato. Tecniche di base, campo di applicabilità, affidabilità dei risultati NVT-ensemble

Dettagli

Teoria delle Decisioni Bayesiana

Teoria delle Decisioni Bayesiana Laurea Magistrale in Informatica Nicola Fanizzi Dipartimento di Informatica Università degli Studi di Bari 14 gennaio 2009 Sommario Introduzione Teoria delle decisioni Bayesiana - nel continuo Classificazione

Dettagli

Matematica Applicata L-A Definizioni e teoremi

Matematica Applicata L-A Definizioni e teoremi Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni

Dettagli

Notazioni asintotiche. Martedì 30 settembre 2014

Notazioni asintotiche. Martedì 30 settembre 2014 Notazioni asintotiche Martedì 30 settembre 2014 Punto della situazione Cos è un algoritmo Tempo di esecuzione T(n) Analisi di algoritmi: analisi asintotica di T(n) Argomento di oggi: Notazioni asintotiche:

Dettagli

PROBABILITÀ ELEMENTARE

PROBABILITÀ ELEMENTARE Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti

Dettagli

Presentazione del corso di Calcolo Numerico, canale A Ing. dell Energia.

Presentazione del corso di Calcolo Numerico, canale A Ing. dell Energia. Presentazione del corso di Calcolo Numerico, canale A Ing. dell Energia. Università degli Studi di Padova Dipartimento di Matematica Pura e Applicata 5 gennaio 2019 Presentazione sintetica del corso Esistono

Dettagli

Strumentazione biomedica

Strumentazione biomedica UNIVERSITÀ DI PISA Corso di Laurea in Scienze Motorie Tecnologie e strumentazione biomedica Caratteristiche della strumentazione biomedica Nicola Vanello Dipartimento di Ingegneria dell Informazione A

Dettagli

Probablità, Statistica e Processi Stocastici

Probablità, Statistica e Processi Stocastici Probablità, Statistica e Processi Stocastici Franco Flandoli, Università di Pisa Programma del corso vettori gaussiani, PCA ed fpca altri metodi di analisi e previsione di serie storiche catene di Markov

Dettagli

Lezione 11 Ugo Vaccaro

Lezione 11 Ugo Vaccaro Teoria dell Informazione II Anno Accademico 207 208 Lezione Ugo Vaccaro Abbiamo visto finora che in vari problemi collegati alla codifica di emissioni di una sorgente di informazione la entropia H(P )

Dettagli

Metodi Stocastici per la Finanza

Metodi 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

Dettagli

Capitolo 9 (9.2, Serie: 1,..., 18).

Capitolo 9 (9.2, Serie: 1,..., 18). Universitá degli Studi di Bari Corso di Laurea in Biotecnologie per l innovazione di Processi e Prodotti Programma dettagliato di MATEMATICA ED ELEMENTI DI STATISTICA- A.A. 2014/2015 Prof. Mario Coclite

Dettagli

Meccanica Statistica I a.a (Prof. Mauro Sbragaglia)

Meccanica Statistica I a.a (Prof. Mauro Sbragaglia) 1 Meccanica Statistica I a.a. 2018-2019 (Prof. Mauro Sbragaglia) Lezione 1 del 4 Marzo 2019 (1 ora). Introduzione al corso e modalitá di esame. Cenni a concetti base della meccanica statistica. Lezione

Dettagli

Calcolo delle Probabilità 2017/18 Foglio di esercizi 8

Calcolo 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

Dettagli

Campionamento. Una grandezza fisica e' distribuita secondo una certa PDF

Campionamento. Una grandezza fisica e' distribuita secondo una certa PDF Campionamento Una grandezza fisica e' distribuita secondo una certa PDF La pdf e' caratterizzata da determinati parametri Non abbiamo una conoscenza diretta della pdf Possiamo determinare una distribuzione

Dettagli

VETTORI DI VARIABILI ALEATORIE

VETTORI 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

Dettagli

La Decisione Statistica Campione aleatorio: risultato dell osservazione di un fenomeno soggetto a fluttuazioni casuali.

La Decisione Statistica Campione aleatorio: risultato dell osservazione di un fenomeno soggetto a fluttuazioni casuali. La Decisione Statistica Campione aleatorio: risultato dell osservazione di un fenomeno soggetto a fluttuazioni casuali. Analisi del campione: - descrizione sintetica (statistica descrittiva) - deduzione

Dettagli

Ulteriori Conoscenze di Informatica e Statistica

Ulteriori Conoscenze di Informatica e Statistica Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE Processi di Poisson Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Consideriamo eventi casuali come gli arrivi di lavori

Dettagli

Presentazione dell edizione italiana

Presentazione dell edizione italiana 1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli

Dettagli

III 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 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

Dettagli

CP410: Esonero 1, 31 ottobre 2013

CP410: Esonero 1, 31 ottobre 2013 Dipartimento di Matematica, Roma Tre Pietro Caputo 2013-14, I semestre 31 ottobre, 2013 CP410: Esonero 1, 31 ottobre 2013 Cognome Nome Matricola Firma 1. Fare un esempio di successione di variabili aleatorie

Dettagli

Calcolo delle Probabilità e Statistica Matematica previsioni 2003/04

Calcolo delle Probabilità e Statistica Matematica previsioni 2003/04 Calcolo delle Probabilità e Statistica Matematica previsioni 2003/04 LU 1/3 Esempi di vita reale : calcolo delle probabilità, statistica descrittiva e statistica inferenziale. Lancio dado/moneta: definizione

Dettagli

5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate. min f(x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n

5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate. min f(x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n 5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate Consideriamo il generico problema di PNL min f(x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n dove f e le c i sono di classe

Dettagli

Macromolecole Biologiche. Metodi di simulazione

Macromolecole Biologiche. Metodi di simulazione Metodi di simulazione Dinamica molecolare Tecnica di simulazione che permette lo studio del moto e delle proprietà di un sistema di particelle. Moti localizzati (da 0.01 a 5 Å, da 10-15 a 10-1 s) - fluttuazioni

Dettagli

Derivate di ordine superiore

Derivate di ordine superiore Derivate di ordine superiore Derivate di ordine superiore Il processo che porta alla definizione di derivabilta e di derivata di una funzione in un punto si puo iterare per dare per ogni intero positivo

Dettagli

PROCESSI STOCASTICI A.A. 2010/2011. DIARIO DELLE LEZIONI

PROCESSI STOCASTICI A.A. 2010/2011. DIARIO DELLE LEZIONI 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,

Dettagli

Università di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A

Università di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime

Dettagli

Introduzione al modello Uniforme

Introduzione al modello Uniforme Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x () t x ( t ) q Tempo Discreto Continuo Segnale Analogico ( ) x t k t t Segnale

Dettagli

Teoria dei Fenomeni Aleatori AA 2012/13

Teoria dei Fenomeni Aleatori AA 2012/13 Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri

Dettagli

I modelli probabilistici

I modelli probabilistici e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:

Dettagli

Università del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica

Università del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di

Dettagli

PROCESSI DI POISSON. Corso di Tecniche di Simulazione, a.a. 2005/2006. Francesca Mazzia. Dipartimento di Matematica Università di Bari.

PROCESSI DI POISSON. Corso di Tecniche di Simulazione, a.a. 2005/2006. Francesca Mazzia. Dipartimento di Matematica Università di Bari. PROCESSI DI POISSON Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 17 Aprile 2006 Francesca Mazzia (Univ. Bari) PROCESSI DI POISSON 17/04/2006

Dettagli

Fluttuazioni. Descrizione molecolare e descrizione macroscopica Il concetto di insieme termodinamico Fluttuazioni in un insieme canonico

Fluttuazioni. Descrizione molecolare e descrizione macroscopica Il concetto di insieme termodinamico Fluttuazioni in un insieme canonico Fluttuazioni Descrizione molecolare e descrizione macroscopica Il concetto di insieme termodinamico Fluttuazioni in un insieme canonico Cenni di meccanica statistica In questa lezione accenneremo ai principi

Dettagli

Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura

Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI

Dettagli

PROBABILITA e STATISTICA

PROBABILITA e STATISTICA PROBABILITA e STATISTICA Perché scegliere corsi di probabilità o statistica? Formazione matematica Utilità pratica (ovvero, spendibilità nel mondo del lavoro) Una ulteriore ragione, che però vale per qualsiasi

Dettagli

Adams, Calcolo Differenziale I, Casa Editrice Ambrosiana

Adams, Calcolo Differenziale I, Casa Editrice Ambrosiana Argomenti da studiare sui testi di riferimento: Adams, Calcolo Differenziale I, Casa Editrice Ambrosiana P - Preliminari 1 Limiti e continuità 1.1 Velocità, rapidità di crescita, area: alcuni esempi Velocità

Dettagli

I Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17

I Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17 I Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì gennaio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile

Dettagli

I Appello di Processi Stocastici Cognome: Laurea Magistrale in Matematica 2014/15 Nome: 23 Giugno

I 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

Dettagli

10 Proprietà di Equipartizione Asintotica

10 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

Dettagli

Corso di STATISTICA EGA - Classe 1 aa Docenti: Luca Frigau, Claudio Conversano

Corso di STATISTICA EGA - Classe 1 aa Docenti: Luca Frigau, Claudio Conversano Corso di STATISTICA EGA - Classe 1 aa 2017-2018 Docenti: Luca Frigau, Claudio Conversano Il corso è organizzato in 36 incontri, per un totale di 72 ore di lezione. Sono previste 18 ore di esercitazione

Dettagli

MODELLI PROBABILISTICI E STATISTICI

MODELLI PROBABILISTICI E STATISTICI Prime due lettere del cognome: Nome e Cognome: MODELLI PROBABILISTICI E STATISTICI Prova di esame del 22 Luglio 2002 Consegnare solo questo foglio e assicurarsi che la logica delle risposte sia ben indicata,

Dettagli

CALCOLO 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 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

Dettagli

Istituzioni di Probabilità Laurea magistrale in Matematica a.a. 2012/13 Registro delle lezioni

Istituzioni di Probabilità Laurea magistrale in Matematica a.a. 2012/13 Registro delle lezioni Istituzioni di Probabilità Laurea magistrale in Matematica a.a. 2012/13 Registro delle lezioni Lezione 1 (27/9). Introduzione al corso. Prime definizioni sui processi stocastici (processo stocastico, distribuzioni

Dettagli

Analisi Matematica T-2 Ingegneria Edile Ravenna 2013/14

Analisi Matematica T-2 Ingegneria Edile Ravenna 2013/14 Analisi Matematica T-2 Ingegneria Edile Ravenna 2013/14 Maria Manfredini, Daniele Morbidelli Informazioni pratiche: Libro di riferimento: Bramanti, Pagani, Salsa, MATEMATICA, Seconda edizione, Zanichelli

Dettagli

III Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2018/19

III 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

II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17

II 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

Dettagli

PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07

PROVE 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

Dettagli

Programma della parte introduttiva: Lezione 5

Programma della parte introduttiva: Lezione 5 Programma della parte introduttiva: Lezione 5 Cap. 3 Presentazione e confronto tra misure Cap. 4 Propagazione delle incertezze Cap 5 Misure ripetute e stimatori Cap.6 Organizzazione e presentazione dei

Dettagli

5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate

5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate 5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate Consideriamo il generico problema di PNL min f (x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n dove f e le c i sono di classe

Dettagli

TEOREMA CENTRALE DEL LIMITE PER MARTINGALE

TEOREMA CENTRALE DEL LIMITE PER MARTINGALE 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

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile Uniforme Continua Data una scheda telefonica da 5 euro di cui non si sa se sia

Dettagli

ANNO ACCADEMICO Statistica per l Analisi dei Dati

ANNO ACCADEMICO Statistica per l Analisi dei Dati FACOLTÀ Economia ANNO ACCADEMICO 2011-2012 CORSO DI LAUREA Statistica per l Analisi dei Dati INSEGNAMENTO Calcolo delle Probabilità TIPO DI ATTIVITÀ Formativa di base AMBITO DISCIPLINARE Statistico-probabilistico

Dettagli

Corsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre Gennaio 2001

Corsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre Gennaio 2001 Corsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre 2000-28 Gennaio 2001 1 Nona settimana 76. Lun. 4 Dic. Generalita. Spazi

Dettagli