Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna

Documenti analoghi
Modelli Clamfim Equazione delle opzioni Teorema di Radon Nykodym 9 dicembre 2013

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 22: 30 maggio 2013

{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo

Università di Napoli Parthenope Facoltà di Ingegneria

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 13: 24 aprile 2013

Algebra Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.

Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa Esercitazione: 4 aprile 2013

Dipartimento di Economia Aziendale e Studi Giusprivatistici. Università degli Studi di Bari Aldo Moro. Corso di Macroeconomia 2014

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Relazioni tra variabili: Correlazione e regressione lineare

Capitolo 7. La «sintesi neoclassica» e il modello IS-LM. 2. La curva IS

Leggere i dati da file

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Il traffico è un gioco?

Metastability, Nonextensivity and Glassy Dynamics in a Class of Long Range Hamiltonian Models

I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE

Norma UNI CEI ENV 13005: Guida all'espressione dell'incertezza di misura

Dai circuiti ai grafi

MODELLISTICA DI SISTEMI DINAMICI

Statistica e calcolo delle Probabilità. Allievi INF

Università degli Studi di Cassino, Anno accademico Corso di Statistica 2, Prof. M. Furno

SU UNA CLASSE DI EQUAZIONI CONSERVATIVE ED IPERBOLICHE COMPLETAMENTE ECCEZIONALI E COMPATIBILI CON UNA LEGGE DI CONSERVAZIONE SUPPLEMENTARE

Università degli Studi di Urbino Facoltà di Economia

Problemi variazionali invarianti 1

Corso di laurea in Ingegneria Meccatronica. DINAMICI CA - 04 ModiStabilita

31/03/2012. Collusione (Cabral cap.8 PRN capp ) Il modello standard. Collusione nel modello di Bertrand. Collusione nel modello di Bertrand

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

La retroazione negli amplificatori

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa Esercitazione: 16 marzo 2012

Fotogrammetria. O centro di presa. fig.1 Geometria della presa fotogrammetrica

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model

Calcolo delle Probabilità

Fondamenti di meccanica classica: simmetrie e leggi di conservazione

Appendice B. B Elementi di Teoria dell Informazione 1. p k =P(X = x k ) ovviamente, valgono gli assiomi del calcolo della probabilità: = 1;

Principi di ingegneria elettrica. Lezione 6 a. Analisi delle reti resistive

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Lezione n.13. Regime sinusoidale

Moduli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013

MACROECONOMIA A.A. 2014/2015

DBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O /

Esercitazioni del corso di Relazioni tra variabili. Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca

3. Esercitazioni di Teoria delle code

STATISTICA DESCRITTIVA CON EXCEL

Risoluzione quesiti I esonero 2011

INCUL ISTITUTO NAZIONALE PER L'ASSICURAZIONE CONTRO GLI INFORTUNI SUL LAVORO

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA

CONFORMITA DEL PROGETTO

Economia del Settore Pubblico 97. Economia del Settore Pubblico 99. Quale indice di diseguaglianza usare? il rapporto interdecilico PROBLEMA:

Corso di Automazione Industriale 1. Capitolo 7

Divagazioni in margine all Introduzione alla Probabilità di P. Baldi A. Visintin Facoltà di Ingegneria di Trento a.a

Condensatori e resistenze

COLLUSIONE NELLE GARE D APPALTO DEI SERVIZI PUBBLICI LOCALI: Un analisi empirica

Indicatori di rendimento per i titoli obbligazionari

Macchine. 5 Esercitazione 5

Apprendimento Automatico e IR: introduzione al Machine Learning

IL MAGNETISMO IL CAMPO MAGNETICO E ALTRI FENOMENI GSCATULLO

Corrente elettrica e circuiti

Calibrazione. Lo strumento idealizzato

Integrali doppi - Esercizi svolti

Integrali di superficie: esercizi svolti

La contabilità analitica nelle aziende agrarie

La regressione. La Regressione. La Regressione. min. min. Var X. X Variabile indipendente (data) Y Variabile dipendente

Corso di Statistica (canale P-Z) A.A. 2009/10 Prof.ssa P. Vicard

Introduzione alla Programmazione e Applicazioni per la Finanza M2 (Prodotti Derivati) Lezione 12

La taratura degli strumenti di misura

2 Modello IS-LM. 2.1 Gli e etti della politica monetaria

Valutazione delle opzioni col modello di Black e Scholes

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII

Valore attuale di una rendita. Valore attuale in Excel: funzione VA

Capitolo 6 Risultati pag a) Osmannoro. b) Case Passerini c) Ponte di Maccione

Studio grafico-analitico di una funzioni reale in una variabile reale

Regressione Multipla e Regressione Logistica: concetti introduttivi ed esempi

Economia del Lavoro. Argomenti del corso

CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI

Adattamento di una relazione funzionale ai dati sperimentali

METODOLOGIE DI INDIVIDUAZIONE DELLE AREE SOGGETTE A RISCHIO IDRAULICO DI ESONDAZIONE

A. AUMENTO DELLA SPESA PUBBLICA FINANZIATO ESCLUSIVAMENTE TRAMITE INDEBITAMENTO

Calcolo della caduta di tensione con il metodo vettoriale

GLI ERRORI SPERIMENTALI NELLE MISURE DI LABORATORIO

UNA RASSEGNA SUI METODI DI STIMA DEL VALUE

La verifica delle ipotesi

Verifica termoigrometrica delle pareti

Analisi e confronto tra metodi di regolarizzazione diretti per la risoluzione di problemi discreti mal-posti

I SINDACATI E LA CONTRATTAZIONE COLLETTIVA. Il ruolo economico del sindacato in concorrenza imperfetta, in cui:

La tua area riservata Organizzazione Semplicità Efficienza

METODI BAYESIANI PER IL CONTROLLO STATISTICO DI QUALITA

EH SmartView. Una SmartView sui rischi e sulle opportunità. Servizio di monitoraggio dell assicurazione del credito.

DI GIOIOSA MAREA (ME) PORTO TURISTICO NELLA FRAZIONE SAN GIORGIO DEL COMUNE. 3. RICAVI E COSTI DI GESTIONE... l

INDICI STATISTICI MEDIA, MODA, MEDIANA, VARIANZA

7. TERMODINAMICA RICHIAMI DI TEORIA

Soluzione esercizio Mountbatten

6.1. Moody s KMV Credit Portfolio Manager

Turbomacchine. Un ulteriore classificazione avviene in base alle modalità con cui l energia viene scambiata:

Antonio Licciulli, Antonio Greco Corso di scienza e ingegneria dei materiali. Microstrutture, equilibrio e diagrammi di fase

* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1

Elettricità e circuiti

Il diagramma PSICROMETRICO

Transcript:

Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Modell 1 lezone 15 23 novembre 211 Funzon Eulerane - robabltà professor Danele Rtell www.unbo.t/docent/danele.rtell 1/2?

Cambo d varabl Sa A un sottonseme aperto d R 2. La trasformazone ϕ : A R 2 s dce regolare se: (a) ϕ è nettva (b) ϕ è parzalmente dervable con dervate prme contnue (c) det I ϕ (x) per ogn x A 2/2?

Coordnate polar nel pano Se A = (, + ) [, 2π) la trasformazone ϕ : A R 2 ϕ(ρ, ϑ) := (ρ cos ϑ, ρ sn ϑ) è regolare. Il determnante della matrce jacobana vale det I ϕ (ρ, ϑ) = det cos ϑ ρ sn ϑ sn ϑ ρ cos ϑ = ρ > 3/2?

Teorema Sa ϕ : A R m è una trasformazone regolare, essendo A msurable. La funzone msurable f : A R è sommable su A se e solo se la funzone x f(ϕ(x)) det I ϕ (x) è sommable d ϕ 1 (A). In tale caso vale: f(u)du = A ϕ 1 (A) f(ϕ(x)) det I ϕ (x) dx 4/2?

Euler functons Euler Gamma, Γ(z) s defned for z > by: Γ(z) = t z 1 e t dt 5/2?

Euler functons Euler Gamma, Γ(z) s defned for z > by: Γ(z) = t z 1 e t dt It s an mproper ntegral, but s possble to verfy that converges 5/2?

Euler functons Euler Gamma, Γ(z) s defned for z > by: Γ(z) = t z 1 e t dt It s an mproper ntegral, but s possble to verfy that converges Gamma extends the factoral snce Γ(z + 1) = z Γ(z) and beng Γ(1) = 1 f n N we have n! = Γ(n + 1) 5/2?

Γ ( ) 1 2 = + t 1 2 1 e t dt = e t t dt 6/2?

Γ t = u = t = u 2 ( ) 1 2 = + = dt = 2udu t 1 2 1 e t dt = e t t dt 6/2?

Γ t = u = t = u 2 ( ) 1 2 = + = dt = 2udu ( ) 1 Γ = 2 t 1 2 1 e t dt = 2ue u2 u du e t t dt 6/2?

( ) + Γ = t 1 2 1 e t dt = 2 t = u = t = u 2 = dt = 2udu ( ) 2ue u2 Γ = du = 2 2 u e t t dt e u2 du 6/2?

Γ t = u = t = u 2 Γ ( ) 1 2 ( ) 1 2 = = + = dt = 2udu 2ue u2 u t 1 2 1 e t dt = du = 2 e t t dt e u2 du = π 6/2?

Euler Reflexon Formula for x / Z Γ(x)Γ(1 x) = π sn πx 7/2?

Euler Reflexon Formula Γ(x)Γ(1 x) = π sn πx for x / Z Second reflexon formula Γ( 1 2 + x)γ(1 2 x) = π cos(πx) 7/2?

Euler Beta Theorem If x, y > : Γ(x) Γ(y) Γ(x + y) = s x 1 (1 s) y 1 ds 8/2?

Euler Beta Theorem If x, y > : Γ(x) Γ(y) Γ(x + y) = s x 1 (1 s) y 1 ds Ths dentty can be reformulated ntroducng the Euler Beta functon: n such a way B(x, y) = s x 1 (1 s) y 1 ds Γ(x) Γ(y) B(x, y) = Γ(x + y) 8/2?

roof We start from Gamma s defnton Γ(x) = varable puttng t = u 2 so that Γ(x) = 2 + + u 2x 1 e u2 du t x 1 e t dt then change 9/2?

roof We start from Gamma s defnton Γ(x) = varable puttng t = u 2 so that Γ(x) = 2 Smlarly Γ(y) = 2 + + + u 2x 1 e u2 du v 2y 1 e v2 dv t x 1 e t dt then change 9/2?

roof We start from Gamma s defnton Γ(x) = varable puttng t = u 2 so that Γ(x) = 2 Smlarly Γ(y) = 2 Now use Fubn s Theorem Γ(x)Γ(y) = 4 + + [,+ ) [,+ ) + u 2x 1 e u2 du v 2y 1 e v2 dv t x 1 e t dt then change u 2x 1 v 2y 1 e (u2 +v 2) dudv 9/2?

Change to polar coordnate u = ρ cos ϑ v = ρ sn ϑ obtanng 1/2?

Change to polar coordnate u = ρ cos ϑ v = ρ sn ϑ obtanng Γ(x)Γ(y) = 4 ( + ) ( π/2 ρ 2x+2y 1 e ρ2 dρ cos 2x 1 ϑ sn 2y 1 ϑ dϑ ) 1/2?

Change to polar coordnate u = ρ cos ϑ v = ρ sn ϑ obtanng Γ(x)Γ(y) = 4 ( + = Γ(x + y) ) ( π/2 ρ 2x+2y 1 e ρ2 dρ π/2 2 cos 2x 1 ϑ sn 2y 1 ϑ dϑ cos 2x 1 ϑ sn 2y 1 ϑ dϑ ) 1/2?

To end the proof we have to show that B(x, y) = π/2 2 cos 2x 1 ϑ sn 2y 1 ϑ dϑ 11/2?

To end the proof we have to show that B(x, y) = π/2 But comng back to Beta s defnton 2 cos 2x 1 ϑ sn 2y 1 ϑ dϑ B(x, y) = we are done puttng s = cos 2 ϑ s x 1 (1 s) y 1 ds 11/2?

Exercse Evaluate x 2 1 x 2 dx 12/2?

Exercse Evaluate x 2 = u = x 2 1 x 2 dx x 2 1 x 2 dx = u(1 u) 1/2 1 2 u du 12/2?

Exercse Evaluate x 2 = u = x 2 1 x 2 dx = 1 2 x 2 1 x 2 dx x 2 1 x 2 dx = u 1/2 (1 u) 1/2 du u(1 u) 1/2 1 2 u du 12/2?

Exercse Evaluate x 2 = u = x 2 1 x 2 dx = 1 2 x 2 1 x 2 dx x 2 1 x 2 dx = u(1 u) 1/2 1 2 u du u 1/2 (1 u) 1/2 du= 1 2 B(3 2, 3 2 ) 12/2?

Exercse Evaluate x 2 = u = x 2 1 x 2 dx = 1 2 x 2 1 x 2 dx x 2 1 x 2 dx = u(1 u) 1/2 1 2 u du u 1/2 (1 u) 1/2 du= 1 2 B(3 2, 3 2 )= 1 2 Γ 2 ( 3 2 ) Γ(3) 12/2?

Exercse Evaluate x 2 = u = x 2 1 x 2 dx = 1 2 x 2 1 x 2 dx x 2 1 x 2 dx = u(1 u) 1/2 1 2 u du u 1/2 (1 u) 1/2 du= 1 2 B(3 2, 3 2 )= 1 2 Γ 2 ( 3 2 ) Γ(3) = 1 2 π 8 12/2?

Msure d robabltà Se Ω è un nseme non vuoto ed A è una σ-algebra d sottonsem d Ω ogn msura completa su Ω tale che (Ω) = 1 s dce msura d probabltà su A 13/2?

Msure d robabltà Se Ω è un nseme non vuoto ed A è una σ-algebra d sottonsem d Ω ogn msura completa su Ω tale che (Ω) = 1 s dce msura d probabltà su A Completa sgnfca che A A, B A, (A) = = B A 13/2?

Msure d robabltà Se Ω è un nseme non vuoto ed A è una σ-algebra d sottonsem d Ω ogn msura completa su Ω tale che (Ω) = 1 s dce msura d probabltà su A Completa sgnfca che A A, B A, (A) = = B A e qund (B) = 13/2?

robabltà condzonata Il problema posto dal condzonamento è quello del modo n cu una certa quanttà d nuova nformazone può essere amalgamata con l nformazone gà mmagazznata n un dato modello d probabltà (Ω, A, ) 14/2?

robabltà condzonata Il problema posto dal condzonamento è quello del modo n cu una certa quanttà d nuova nformazone può essere amalgamata con l nformazone gà mmagazznata n un dato modello d probabltà (Ω, A, ) L dea è che l acquszone d nuova nformazone modfca le nostre conoscenze e qund c mette n condzone d valutare la probabltà degl event consderat n una manera dversa da quella consentta dalle nostre nformazon nzal. 14/2?

Defnzone Dato uno spazo d probabltà (Ω, A, ) e due event A, B A tal che sa verfcata la relazone (A) >, chameremo la quanttà (B A) := (B A) (A) probabltà condzonata d B rspetto ad A (probabltà che s verfch B sapendo che s è verfcato A). 15/2?

Defnzone Dato uno spazo d probabltà (Ω, A, ) e due event A, B A tal che sa verfcata la relazone (A) >, chameremo la quanttà (B A) := (B A) (A) probabltà condzonata d B rspetto ad A (probabltà che s verfch B sapendo che s è verfcato A). La quanttà (B A) prende nvece l nome d probabltà congunta d A e B (probabltà che s verfchno contemporaneamente A e B) 15/2?

La funzone ( A) : A [, 1] è una msura d probabltà (Ω, A, ( A)) s comporta come un nuovo spazo d probabltà nel quale è ora ncorporata l nformazone che l evento A s verfca certamente: nfatt dalla defnzone s ha (A A) = 1 16/2?

Formula della robabltà Totale Dat n uno spazo d probabltà (Ω, A, ) un arbtraro evento A A ed una decomposzone msurable D = {D 1,..., D n } con (D ) >, = 1,..., n s ha (A) = n (A D )(D ) =1 17/2?

Indpendenza Dat due event A, B n uno spazo d probabltà (Ω, A, ) dremo che ess sono ndpendent se (A B) = (A)(B) 18/2?

Indpendenza Dat due event A, B n uno spazo d probabltà (Ω, A, ) dremo che ess sono ndpendent se (A B) = (A)(B) Dremo noltre che due sotto σ-algebre A 1 e A 2 d event d Ω sono ndpendent se ogn evento d A 1 è ndpendente da ogn evento d A 2 18/2?

Il concetto d ndpendenza può essere esteso anche al caso n cu l numero d event è maggore d due, ma bsogna fare molta attenzone al fatto che sarà possble parlare d ndpendenza due a due, nel senso d (A B) = (A)(B), d ndpendenza tre a tre, nel senso d (A B C) = (A)(B)(C), e così va, e che tal lvell d ndpendenza non s mplcano affatto l uno con l altro, nel senso che ad esempo tre event possono essere ndpendent due a due senza esserlo tre a tre e vceversa. 19/2?

Dato uno spazo d probabltà (Ω, A, ) dremo che gl event A 1,..., A n sono event ndpendent se comunque scelt k ndc 1,... k con k = 1,..., n rsulta (A 1 A k ) = (A 1 ) (A k ) 2/2?