Obiettivi formativi
Il corso si propone di fornire agli studenti alcuni concetti
fondamentali del calcolo delle probabilita' e della teoria delle
catene di Markov che risulteranno utili per il proseguimento del
corso di laurea in questione.
Attività formative
Il corso viene svolto in 54 ore di lezione/esercitazione frontali,
pari ad una unita' didattica.
Programma del corso
- 1. Spazi di Probabilita'. Introduzione al
Calcolo delle Probabilita'. Definizione assiomatica di spazio di
probabilita', secondo Kolmogorov. Spazi di probabilita' finiti e
uniformi. Elementi di calcolo combinatorio. Probabilita'
condizionata. Formula della probabilita' totale e formula di Bayes.
Indipendenza fra eventi. Schema di Bernoulli finito.
- 2. Variabili aleatorie discrete. Legge
discreta. Esempi: Indicatrice, Uniforme, Bernoulli, Binomiale,
Poisson, Ipergeometrica. Approssimazione di una v.a. Binomiale con
una v.a. di Poisson. Schema di Bernoulli infinito e v.a.
Geometrica. Vettori aleatori discreti: legge congiunta e marginali.
Esempio: v.a. multinomiale. Definizione di indipendenza di piu'
v.a.. Legge discreta condizionata. Media di una v.a. e sue
proprieta'. Varianza, deviazione standard e momenti di una v.a.
Covarianza e coefficiente di correlazione tra due v.a.. Proprieta'
di varianza e covarianza. Matrice delle covarianze di un vettore
aleatorio discreto.
- 3. Variabili aleatorie continue. V.a. a valori
non discreti: legge e funzione di ripartizione di una generica
v.a.. V.a. assolutamente continue: funzione di densita'. Esempi:
Uniforme, Esponenziale, Gaussiana, Gamma, Beta. Media, varianza e
momenti di v.a. assolutamente continue. Vettori aleatori non
discreti e assolutamente continui: funzione di ripartizione e
funzione di densita' congiunte e marginali. Covarianza e
coefficiente di correlazione tra v.a. assolutamente continue e
matrice delle covarianze. Indipendenza di v.a. assolutamente
continue. Funzione di densita' condizionata. Attesa condizionata.
V.a. Gaussiana multivariata. Trasformazioni di v.a. assolutamente
continue: il metodo della funzione di ripartizione. Somma di due
v.a.. Trasformazioni di vettori aleatori: il metodo dello
Jacobiano. Generatori aleatori e simulazione di v.a.
- 4. Convergenza e approssimazione. Vari tipi di
convergenza di successioni di v.a.: convergenza quasi certa, in
probabilita', in legge. Il Teorema Limite Centrale e applicazioni.
La disuguaglianza di Chebichev. La Legge dei Grandi Numeri e
applicazioni.
- 5. Catene di Markov a stati finiti. Catena di
Markov a stati finiti, omogenea. Matrice di transizione e sue
proprieta'. Esempi notevoli: Random Walk, nascita e morte, rovina
del giocatore, grafi. Classificazione degli stati. Stati
accessibili e comunicanti. Catene irriducibili. Stati assorbenti.
Ricorrenza e transienza. Misure invarianti. Misure reversibili.
Teoremi di Markov per esistenza e unicita' di una misura
invariante. Catena regolare. Catena ergodica. Teorema ergodico
delle medie temporali. Algoritmo di Metropolis e applicazioni.