next up previous contents
Next: Massimizzazione di funzioni Up: Modelli di Markov Previous: Modelli di Markov   Indice


Esercizio 1.

Derivare le equazioni [*]. Per derivare le equazioni vediamo prima che il risultato è il medesimo utilizzando invecie della funzione $P(x)$ la funzione $log(P(x))$. Infatti se abbiamo una funzione $g$ monotona crescente in un intervallo $I = ] a,b [$, ossia

\begin{eqnarray*}
x > y \Rightarrow g(x) > g(y) \quad \forall x,y \in \quad I
\end{eqnarray*}



allora si ha che i valori che annullano la derivata prima di una funzione $f(x)$ con $x$ in $I$ sono i medesimi che annullano la derivata prima di $g(f(x))$ in $I$. Infatti

\begin{eqnarray*}
\frac{d g(f(x))}{d x} =& 0 = \\
\frac{d g}{d f} \frac{d f}{d x} =& 0 \Rightarrow \\
\frac{d f}{d x} =& 0 \\
\end{eqnarray*}



in quanto la definizione di $g$ implica che $\frac{d g}{d f} \geq 0$ per $f \in I$. Nel nostro caso assumendo $f=P(x_1,..,n_n)$ e cercando un massimo della probabilità $0<P\leq 1$ possiamo prendere come $g()=log()$. e le equazioni si semplificano ottenendo

\begin{eqnarray*}
\partial log(P(x_1,..,x_n))/\partial \mu = 0 \\
\partial log(P(x_1,..,x_n))/\partial \sigma= 0
\end{eqnarray*}



Nel caso della derivata rispetto a $\mu$ abbiamo

\begin{eqnarray*}
\begin{array}{c}
\sum_{i=1}^{n} (x_i - \mu) = 0 \quad \Rightar...
... \quad \Rightarrow \\
\mu = (\sum_{i=1}^{n} x_i)/n
\end{array}
\end{eqnarray*}



In modo analogo derivando cioè rispetto a $\sigma$ ricaviamo la seconda delle equazioni [*].



2004-11-02