hist.r<-
function(rend,classi)
{
###############################################################
# Crea un istogramma di una serie di rendimenti finanziari e 
# sovrappone ad esso la funzione di densità di una variabile normale
################################################################

# Input:
# 
# rend = vettore T x 1 di rendimenti finanziari
# classi = scalare che indica il numero di classi in cui deve essere 
#         suddiviso il dominio delle serie per il calcolo della distribuzione
#         di frequenze
#  USO: istogramma.r(rend,classi)
#

rend<-as.matrix(rend)

# si determina il max fra il max della serie e il valore assoluto del minimo
# serve per determinare i limiti dell'asse x dell'istogramma
massimo<-max(max(rend,na.rm=T),abs(min(rend,na.rm=T))) 

# grafico temporale dei rendimenti
plot(rend,type="l")
windows()
# grafico ad istogrammi della distribuzione die frequenze della serie dei rend.
hist(rend,breaks=classi,freq=F,xlim=c(-massimo,massimo),xlab="r_t",main="distribuzione rendimenti",col="blue") 
mu <- mean(rend,na.rm=T)          # calcola la media campionaria
sigma <- sqrt(var(rend,na.rm=T))  # calcola la scarto quadratico medio campioanrio
x <- seq(-massimo, massimo, length=5000)    # definisce i valori x della funzione di densità di prob
y <- dnorm(x, mu, sigma)          # calcola la densità di prob della normale
lines(x, y, col = 2, lty = 2, lwd = 2)      # sovrappone la funz di densità della normale all'istogramma
library(sm)       # carica la libreria "sm" per la stima kernel della distribuzione
windows()
boxplot(rend)      # rappresenta il boxplot
windows()
sm.density(rend, model = "Normal",ylim=c(0,0.10),xlab="r_t")

}

rend<-rendimenti.r("bulgari")
hist.r(rend$rt*100,50)