Algoritmi e Strutture Dati II: Parte B Anno Accademico Lezione 11
|
|
- Romeo Ferrero
- 8 anni fa
- Visualizzazioni
Transcript
1 Algoritmi e Strutture Dati II: Parte B Anno Accademico Docente: Ugo Vaccaro Lezione 11 In questa lezione vedremo alcune applicazioni della tecnica greedy al progetto di algoritmi on-line. Vediamo il primo esempio SCHEDULING DI JOB Input: m macchine M 1,..., M m una sequenza σ di job σ J 1,..., J n, di durata p(j 1 ),..., p(j n ), rispettivamente. Output: un assegnazione di job a macchine in modo tale che sia minimizzato il tempo entro il quale tutti i job vengono eseguiti. Più precisamente, assumiamo che i job costituenti la sequenza σ si presentino in input all algoritmo A in successione. In corrispondenza ad ogni job J s, s 1,..., n, l algoritmo dovrà immediatamente decidere a quale delle macchine M k, k 1,..., m, assegnarlo. Sia Sk i l insieme dei job assegnati dall algoritmo A alla macchina M k, in corrispondenza alla sottosequenza J 1,..., J i dei job. Il carico della generica macchina M k dopo che l algoritmo A ha processato la sottosequenza J 1,..., J i dei job sarà quindi ed il makespan dell algoritmo A sarà L i k(a) L(A) J S i k p(j), max k1,...,m Ln k(a). Cerchiamo un algoritmo on-line A che abbia L(A) minimo. La tecnica greedy ci suggerisce immediatamente il seguente algoritmo: Assegna il job J s, s 1,..., n, alla macchina M k per cui L s 1 k min{l s 1 1,..., L s 1 m }, ovvero alla macchina correntemente con il minor carico. 1
2 Vogliamo provare che σ costo greedy (σ) 2costo OP T (σ), (1) dove costo greedy (σ) è il makespan dell algoritmo greedy in corrispondenza di σ, e costo OP T (σ) è il corrispondente costo dell algoritmo ottimo off-line. e Osserviamo inannzitutto le seguenti due limitazioni inferiori a costo OP T (σ). Vale σ costo OP T (σ) max s1,...,n p(j s), (2) σ costo OP T (σ) 1 n p(j s ). (3) m s1 La (2) è ovvia. La (3) la si ottiene una volta che si osservi che (1/m) n s1 p(j s ) rappresenta il tempo necessario per eseguire tutti i job. Visto che abbiamo a disposizione m macchine, almeno una di esse dovrà lavorare per un tempo pari a (1/m) n s1 p(j s ). Supponiamo ora che l algoritmo greedy abbia effettuato una certa assegnazione di job alle macchine, risultante in un dato carico L n 1,..., Ln m. Sia M h la macchina con il carico massimo, e sia J t l ultimo job ad essa assegnato dall algoritmo greedy. In altri termini, stiamo assumendo che costo greedy (σ) L n h. Sosteniamo che per il valore L n h vale che i L n i L n h p(j t ). (4) Infatti, al momento in cui viene assegnato il job J t alla macchina M h, essa risulta essere la meno carica (per come opera l algoritmo greedy), da cui la (4). Dalla (4) otteniamo da cui Osserviamo ora che pertanto m m W L n i (L n h p(j t )) m(l n h p(j t )) (5) i1 i1 L n h p(j t) W m. (6) n m p(j i ) L n k, i1 k1 costo greedy (σ) L n h W m + p(j t) 1 n p(j s ) + p(j t ) m s1 costo OP T (σ) + costo OP T (σ) (dalla (2) e (3)) 2
3 il che completa la dimostrazione di (1). Esaminiamo ora il seguente problema, risolvibile anch esso attraverso la tecnica greedy. BIN PACKING ON-LINE Input: una sequenza σ σ(1)... σ(m), dove ogni σ(i) rappresenta un oggetto di taglia a i, con 0 < a i 1; un insieme di contenitori B 1,..., B b, b m, ciascuno di capacità pari a 1. Output: un assegnazione di tutti gli oggetti in σ a contenitori, con la condizione che la somma delle taglie degli oggetti assegnati a ciascun contenitore non superi 1, e che minimizzi il numero totale di contenitori usati. Un possibile algoritmo on-line per questo problema può essere il seguente: ALGORITMO NEXT-FIT j 1 for i 1,..., m do aggiungi l oggetto σ(i) in B j, se ci và, else poni j j + 1 e inserisci σ(i) in B j. Sia costo NEXT-FIT (σ) il numero di contenitori usati dall algoritmo greedy NEXT-FIT per impacchettare tutti gli oggetti in σ, e sia costo OP T (σ) il corrispondente numero di contenitori usato dall algoritmo ottimo off-line che conosce tutta la sequenza di richieste fin dall inizio. Vogliamo provare che costo NEXT-FIT (σ) 2costo OP T (σ) + 1. Osserviamo innazitutto che m costo OP T (σ) a i, i1 in quanto occorre sicuramente usare un numero di contenitori superiore alla somma totale delle dimensioni degli oggetti in σ. Consideriamo la soluzione prodotta dall algoritmo greedy, e supponiamo che esso abbia usato i contenitori B 1,..., B s, e quindi costo NEXT-FIT (σ) s. L osservazione chiave è che j σ(a i ) B j a i + σ(a i ) B j+1 a i 1, j 1,... s 1. (7) 3
4 Infatti, se ciò non fosse, non avremmo usato il nuovo contenitore B j+1 ma avremmo messo tutti gli oggetti in B j. Conseguenza della (7) è che Da cui m a k a i + a i a i k1 σ(a i ) B 1 σ(a i ) B 2 σ(a i ) B s } {{ } (raggruppando le somme a due a due consecutivamente) (s 1)/2volte s 1 2. costo NEXT-FIT (σ) s 2 n a k + 1 2costo OP T (σ) + 1. k1 L approccio suggerito dall analisi degli algoritmi on-line può essere utile anche in altri contesti. Uno di questi riguarda classici problemi della Teoria delle Decisioni. Ci limitiamo, in questa lezione, a presentare ed analizzare due semplici esempi. Esempio 1: Affitto sci. Il problema può essere descritto come segue. Sia N > 1 un intero. Una persona deve usare un equipaggiamento (sci) per un qualche numero T di giorni, 1 T N. Assumiamo che il valore N sia noto alla persona, ma che T non lo sia (esso può infatti dipendere da ovvi fattori non dipendenti dalla volontà della persona). All inizio di ogni giorno, è noto alla persona in questione se gli occorrono o meno gli sci per la giornata. Pertanto, la persona deve effetuare una scelta tra le seguenti due opzioni: 1. Affittare gli sci per la giornata, ad un costo assumiamo pari ad 1; 2. Comprare gli sci, ad un costo pari ad un certo valore B 1. Ovviamente, una volta che la persona abbia acquistato gli sci, non incorrerà in ulteriori spese nei giorni successivi in cui deciderà ancora di sciare. Potrebbe, però, decidere di non voler più sciare (tutto dipende dal valore incognito di T ). Il costo totale in cui la persona incorre è ovviamante pari all eventuale numero di giorni in cui ha affitato gli sci, più il costo dell acquisto degli stessi. Si pone, pertanto, il problema di stabilire una strategia che minimizzi il costo, senza però conoscere il futuro (ovvero, il valore T dei giorni in cui effettivamente si scierà ). In questo caso, l algoritmica on-line può essere di aiuto. Consideriamo un generico algoritmo A i che effettua la seguente decisione: stabilisce un intero i 0, affitta gli sci per i giorni e, se ha ancora voglia di sciare dopo tale periodo, li acquista. Abbiamo ovviamente costo Ai { T se T i; se T > i. (8) La strategia ottima che conosce il futuro, ovvero T, deciderà ovviamente di comprare gli sci se il periodo effettivo T in cui si scierà è > B, deciderà di affittarli giorno per giorno, in caso contrario. Pertanto costo OP T min{b, T }. (9) 4
5 Voggliamo provare che il miglior algoritmo consiste nello scegliere i B 1. In tal caso abbiamo costo AB 1 { T se T B 1; 2B 1 se T > B 1. (10) Inoltre costo OP T { T se T B 1; B se T > B 1. Abbiamo pertanto che qualunque sia il valore incognito di T, vale che costo AB 1 2B 1 ( B costo OP T 2 1 ) costo OP T. (12) B Proviamo ora che nessun altra scelta del valore di i può portare a coefficienti di competitività migliori di quello appena trovato. Distinguiamo due casi. Caso 1: i B 1. Nell ipotesi che T i + 1, abbiamo costo Ai costo OP T min{t, B} min{i + 1, B} i B 1 i B 1 B 2 1 B. Quindi il coefficiente di competitività non è migliorato. Caso 2: i > B 1. Nell ipotesi che T i + 1, abbiamo costo Ai costo OP T min{t, B} min{i + 1, B} B 1 + i B 2. Anche in questo caso il coefficiente di competitività non è migliorato. (11) 5
6 Deduciamo quindi che la scelta ottima consiste nello scegliere i B 1. Esempio 2: Compravendita di azioni. Supponiamo di avere un azione, il cui prezzo è noto poter variare tra due valori m e M, con 0 < m < M entrambi noti a priori. All inizio di ogni giornata i-esima i 1, 2,..., veniamo a conoscenza del valore v i [m, M] giornaliero dell azione, e dobbiamo decidere se vendere l azione, e quindi realizzare un profitto v i, oppure mantenere il possesso dell azione. Qual è la strategia migliore, ovvero quella che ci massimizza il profitto? Anche in questo caso ci troviamo di fronte ad un probleam suscettibile di analisi mediante l algoritmica on-line. Una generica strategia potrebbe essere la seguente: si stabilisca a priori un valore p [m, M], si venda l azione il primo giorno in cui v i p, altrimenti si mantenga l azione. Come scegliere il valore p in modo da massimizzare il nostro profitto? Sia p max il valore massimo assunto da v i durante tutto il periodo in considerazione. Ovviamente, noi non conosciamo tale valore p max. Possono capitare due casi, a seconda della relazione sussistente tra il valore p che abbiamo noi scelto ed il valore incognito p max. Caso 1: p p max. In tal caso, ci sarà un giorno in cui v i p, e pertanto realizzeremo un profitto p. Potrebbe accadere, però, che il valore dell azione continui a crescere ed arrivi al valore massimo M. L algoritmo ottimo off-line venderà l azione esattamente quando essa varrà M. Quindi, il rapporto tra il profitto dell algoritmo on-line e dell algoritmo ottimo off-line è p/m. Caso 1: p > p max. In tal caso, non ci sarà mai un giorno in cui v i p, quindi non venderemmo mai per tutta la durata del periodo in questione. Potrebbe accadere, pertanto, che alla fine del periodo l azione valga m, quindi questo è il profitto che realizzeremo. L algoritmo ottimo off-line, invece, venderà appena l azione vale p max, realizzando un profitto appunto pari a p max. Il rapporto tra il profitto dell algoritmo on-line e dell algoritmo ottimo off-line è in questo caso m/p max, che può ovviamente essere arbitrariamente prossimo a m/p. Il miglior algoritmo on-line è sicuramente quello che sceglierà p in modo tale che vi sia bilanciamento tra le due possibili situazioni, ovvero per cui valga ovvero sceglierà il valore p pari a p M m p, p mm. Detto in altri termini, l algoritmo on-line ottimo è quello che decide, giorno per giorno, di vendere l azione se il suo valore v i è mm, e che decide di mantenere il possesso dell azione in caso contrario. Il fattore di competitività di un tale algoritmo è pari a M/m. 6
risulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliComputational Game Theory
Computational Game Theory Vincenzo Bonifaci 24 maggio 2012 5 Regret Minimization Consideriamo uno scenario in cui un agente deve selezionare, più volte nel tempo, una decisione tra un insieme di N disponibili:
DettagliAlgoritmi e Strutture Dati
Elementi di Programmazione Dinamica Maria Rita Di Berardini, Emanuela Merelli 1 1 Dipartimento di Matematica e Informatica Università di Camerino Il problema La CMC produce automobili in uno stabilimento
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
DettagliAlgoritmi e strutture di dati 2
Algoritmi e strutture di dati 2 Paola Vocca Lezione 7: Algoritmi on-line e analisi competitiva Algoritmo on-line Algoritmi on-line: le richieste vengono eseguite basandosi solo sulla conoscenza delle richieste
DettagliLa Minimizzazione dei costi
La Minimizzazione dei costi Il nostro obiettivo è lo studio del comportamento di un impresa che massimizza il profitto sia in mercati concorrenziali che non concorrenziali. Ora vedremo la fase della minimizzazione
DettagliUn modello matematico di investimento ottimale
Un modello matematico di investimento ottimale Tiziano Vargiolu 1 1 Università degli Studi di Padova Liceo Scientifico Benedetti Venezia, giovedì 30 marzo 2011 Outline 1 Investimento per un singolo agente
DettagliESEMPIO 1: eseguire il complemento a 10 di 765
COMPLEMENTO A 10 DI UN NUMERO DECIMALE Sia dato un numero N 10 in base 10 di n cifre. Il complemento a 10 di tale numero (N ) si ottiene sottraendo il numero stesso a 10 n. ESEMPIO 1: eseguire il complemento
DettagliTeoria dei Giochi. Anna Torre
Teoria dei Giochi Anna Torre Almo Collegio Borromeo 14 marzo 2013 email: anna.torre@unipv.it sito web del corso:www-dimat.unipv.it/atorre/borromeo2013.html IL PARI O DISPARI I II S T S (-1, 1) (1, -1)
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
DettagliAPPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI
APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo
Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo L. De Giovanni G. Zambelli 1 Problema del flusso a costo minimo Il problema del flusso a costo minimo é definito
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
DettagliParte 3. Rango e teorema di Rouché-Capelli
Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici
DettagliOttimizzazione Multi Obiettivo
Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
DettagliEsercizio 1 Dato il gioco ({1, 2, 3}, v) con v funzione caratteristica tale che:
Teoria dei Giochi, Trento, 2004/05 c Fioravante Patrone 1 Teoria dei Giochi Corso di laurea specialistica: Decisioni economiche, impresa e responsabilità sociale, A.A. 2004/05 Soluzioni degli esercizi
Dettagli4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0
Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
DettagliLogaritmi ed esponenziali
Logaritmi ed esponenziali definizioni, proprietà ITIS Feltrinelli anno scolastico 2007-2008 A cosa servono i logaritmi I logaritmi rendono possibile trasformare prodotti in somme, quozienti in differenze,
DettagliCAPITOLO 10 I SINDACATI
CAPITOLO 10 I SINDACATI 10-1. Fate l ipotesi che la curva di domanda di lavoro di una impresa sia data da: 20 0,01 E, dove è il salario orario e E il livello di occupazione. Ipotizzate inoltre che la funzione
Dettaglib. Che cosa succede alla frazione di reddito nazionale che viene risparmiata?
Esercitazione 7 Domande 1. L investimento programmato è pari a 100. Le famiglie decidono di risparmiare una frazione maggiore del proprio reddito e la funzione del consumo passa da C = 0,8Y a C = 0,5Y.
DettagliLe query di raggruppamento
Le query di raggruppamento Le "Query di raggruppamento" sono delle Query di selezione che fanno uso delle "Funzioni di aggregazione" come la Somma, il Conteggio, il Massimo, il Minimo o la Media, per visualizzare
DettagliSequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione
Sequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione presentato in questo file trova la seq. a costo minimo per
DettagliParte 2. Determinante e matrice inversa
Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice
DettagliProbabilità discreta
Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che
DettagliAPPUNTI SU PROBLEMI CON CALCOLO PERCENTUALE
APPUNTI SU PROBLEMI CON CALCOLO PERCENTUALE 1. Proporzionalità diretta e proporzionalità inversa Analizziamo le seguenti formule Peso Lordo = Peso Netto + Tara Ricavo = Utile + Costo Rata = Importo + Interesse
DettagliNote su quicksort per ASD 2010-11 (DRAFT)
Note su quicksort per ASD 010-11 (DRAFT) Nicola Rebagliati 7 dicembre 010 1 Quicksort L algoritmo di quicksort è uno degli algoritmi più veloci in pratica per il riordinamento basato su confronti. L idea
DettagliFUNZIONE ESPONENZIALE e INTERESSE COMPOSTO. Ipotizziamo di avere a nostra disposizione all'inizio del primo anno (tempo in ascissa
FUNZIONE ESPONENZIALE e INTERESSE COMPOSTO Ipotizziamo di avere a nostra disposizione all'inizio del primo anno (tempo in ascissa t o = 0 ) una somma C o (detta capitale iniziale ) e di volerla investire
DettagliUn metodo per il rilevamento degli errori: la tecnica del Bit di Parità
Appunti: Tecniche di rilevazione e correzione degli errori 1 Tecniche di correzione degli errori Le tecniche di correzione degli errori sono catalogabili in: metodi per il rilevamento degli errori; metodi
DettagliSommario della lezione
Universitá degli Studi di Salerno Corso di Algoritmi Prof. Ugo Vaccaro Anno Acc. 2014/15 p. 1/36 Sommario della lezione Ulteriori esempi di applicazione della Programmazione Dinamica Esempio di applicazione
DettagliConvertitori numerici in Excel
ISTITUTO DI ISTRUZIONE SUPERIORE G. M. ANGIOY CARBONIA Convertitori numerici in Excel Prof. G. Ciaschetti Come attività di laboratorio, vogliamo realizzare dei convertitori numerici con Microsoft Excel
DettagliCorso di Informatica
Corso di Informatica Modulo T3 1-Sottoprogrammi 1 Prerequisiti Tecnica top-down Programmazione elementare 2 1 Introduzione Lo scopo di questa Unità è utilizzare la metodologia di progettazione top-down
DettagliEsempi di algoritmi. Lezione III
Esempi di algoritmi Lezione III Scopo della lezione Implementare da zero algoritmi di media complessità. Verificare la correttezza di un algoritmo eseguendolo a mano. Imparare a valutare le prestazioni
DettagliEsercizi di Gestione della Produzione Industriale. Tabella 1: tempi di lavorazione di un set di job.
Esercizio 1: schedulazione con il modello di Johnson...2 Soluzione dell esercizio 1 (schedulazione con il modello di Johnson)...2 Esercizio 2: schedulazione con il modello di Hodgson...3 Soluzione dell
DettagliPaperone e Rockerduck: a cosa serve l antitrust?
Paperone e Rockerduck: a cosa serve l antitrust? Paperone Anna Torre, Rockerduck Ludovico Pernazza 1-14 giugno 01 Università di Pavia, Dipartimento di Matematica Concorrenza Due imprese Pap e Rock operano
DettagliCalcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo.
Capitolo 1 9 Ottobre 00 Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo. 000, Milano Esercizio 1.0.1 (svolto in classe [II recupero Ing. Matematica aa.00-0-rivisitato]nel
Dettagli9. Urti e conservazione della quantità di moto.
9. Urti e conservazione della quantità di moto. 1 Conservazione dell impulso m1 v1 v2 m2 Prima Consideriamo due punti materiali di massa m 1 e m 2 che si muovono in una dimensione. Supponiamo che i due
DettagliFunzioni. Parte prima. Daniele Serra
Funzioni Parte prima Daniele Serra Nota: questi appunti non sostituiscono in alcun modo le lezioni del prof. Favilli, né alcun libro di testo. Sono piuttosto da intendersi a integrazione di entrambi. 1
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
DettagliUna percentuale di una certa importanza nel mondo economico è il tasso di interesse. Il tasso di
Capitalizzazione e attualizzazione finanziaria Una percentuale di una certa importanza nel mondo economico è il tasso di interesse. Il tasso di interesse rappresenta quella quota di una certa somma presa
DettagliAlgoritmi e strutture dati. Codici di Huffman
Algoritmi e strutture dati Codici di Huffman Memorizzazione dei dati Quando un file viene memorizzato, esso va memorizzato in qualche formato binario Modo più semplice: memorizzare il codice ASCII per
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
DettagliMetodi Stocastici per la Finanza
Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2011-2012 Lezione 6 Indice 1 Il metodo bootstrap 2 Esercitazione 3 Interpolazione
DettagliEsercizi su lineare indipendenza e generatori
Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v
DettagliCalcolo del Valore Attuale Netto (VAN)
Calcolo del Valore Attuale Netto (VAN) Il calcolo del valore attuale netto (VAN) serve per determinare la redditività di un investimento. Si tratta di utilizzare un procedimento che può consentirci di
DettagliIniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:
Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione
DettagliTeoria delle code. Sistemi stazionari: M/M/1 M/M/1/K M/M/S
Teoria delle code Sistemi stazionari: M/M/1 M/M/1/K M/M/S Fabio Giammarinaro 04/03/2008 Sommario INTRODUZIONE... 3 Formule generali di e... 3 Leggi di Little... 3 Cosa cerchiamo... 3 Legame tra N e le
DettagliRAPPRESENTAZIONE GRAFICA DEGLI ALGORITMI
RAPPRESENTAZIONE GRAFICA DEGLI ALGORITMI Diagramma di flusso L algoritmo può essere rappresentato in vari modi, grafici o testuali. Uno dei metodi grafici più usati e conosciuti è il cosiddetto diagramma
DettagliCOMUNIC@CTION INVIO SMS
S I G e s t S.r.l S e d e l e g a l e : V i a d e l F o r n o 3 19125 L a S p e z i a T e l e f o n o 0187/284510/15 - F a x 0187/525519 P a r t i t a I V A 01223450113 COMUNIC@CTION INVIO SMS GUIDA ALL
DettagliAppunti sulla Macchina di Turing. Macchina di Turing
Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso
DettagliMisure di base su una carta. Calcoli di distanze
Misure di base su una carta Calcoli di distanze Per calcolare la distanza tra due punti su una carta disegnata si opera nel modo seguente: 1. Occorre identificare la scala della carta o ricorrendo alle
Dettagli1 Giochi a due, con informazione perfetta e somma zero
1 Giochi a due, con informazione perfetta e somma zero Nel gioco del Nim, se semplificato all estremo, ci sono due giocatori I, II e una pila di 6 pedine identiche In ogni turno di gioco I rimuove una
DettagliRicerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili
Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili Il modello matematico 2: Funzioni obiettivo: ma.min, Min-ma Tipologie di Vincoli Funzione obiettivo ma-min: Esempio Scommesse Il signor
Dettagliwww.previsioniborsa.net COME SI ENTRA IN POSIZIONE
www.previsioniborsa.net 5 lezione sul METODO CICLICO COME SI ENTRA IN POSIZIONE Ci sono molti modi per entrare in posizione in un mercato (future) o un titolo, ma noi dobbiamo trovare un sistema che sia
Dettagli5 Risparmio e investimento nel lungo periodo
5 Risparmio e investimento nel lungo periodo 5.1 Il ruolo del mercato finanziario Il ruolo macroeconomico del sistema finanziario è quello di far affluire i fondi risparmiati ai soggetti che li spendono.
DettagliEsercizi su. Funzioni
Esercizi su Funzioni ๒ Varie Tracce extra Sul sito del corso ๓ Esercizi funz_max.cc funz_fattoriale.cc ๔ Documentazione Il codice va documentato (commentato) Leggibilità Riduzione degli errori Manutenibilità
DettagliSoluzione dell esercizio del 2 Febbraio 2004
Soluzione dell esercizio del 2 Febbraio 2004 1. Casi d uso I casi d uso sono riportati in Figura 1. Figura 1: Diagramma dei casi d uso. E evidenziato un sotto caso di uso. 2. Modello concettuale Osserviamo
DettagliIl Metodo Branch and Bound
Il Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 4 Novembre 2014 Ricerca Operativa 2 Laurea Magistrale in Ingegneria Gestionale
DettagliContabilità ordinaria, semplificata e altri regimi contabili
Contabilità ordinaria, semplificata e altri regimi contabili Obiettivi del corso Iniziamo, con questa prima lezione, il nostro corso dal titolo addetto alla contabilità. Si tratta di un corso base che
DettagliEconomia Applicata ai sistemi produttivi. 06.05.05 Lezione II Maria Luisa Venuta 1
Economia Applicata ai sistemi produttivi 06.05.05 Lezione II Maria Luisa Venuta 1 Schema della lezione di oggi Argomento della lezione: il comportamento del consumatore. Gli economisti assumono che il
DettagliMatrice Excel Calcolo rata con TASSO DI INTERESSE determinato dall'utente
Matrice Excel Calcolo rata con TASSO DI INTERESSE determinato dall'utente L'acquisto di un immobile comporta un impegno finanziario notevole e non sempre è possibile disporre della somma di denaro sufficiente
DettagliLA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ
LA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ In questa Appendice mostreremo come trovare la tariffa in due parti che massimizza i profitti di Clearvoice,
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
DettagliFondamenti di Informatica 2. Le operazioni binarie
Corso di per il corso di Laurea di Ingegneria Gestionale Le operazioni binarie Università degli Studi di Udine - A.A. 2010-2011 Docente Ing. Sandro Di Giusto Ph.D. 1 L'algebra binaria Il fatto di aver
DettagliESERCIZI DI ALGEBRA LINEARE E GEOMETRIA
ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliValore equo di un derivato. Contingent claim
Contingent claim Ci occuperemo ora di determinare il prezzo equo di un prodotto derivato, come le opzioni, e di come coprire il rischio associato a questi contratti. Assumeremo come dinamica dei prezzi
DettagliModelli di Programmazione Lineare e Programmazione Lineare Intera
Modelli di Programmazione Lineare e Programmazione Lineare Intera 1 Azienda Dolciaria Un azienda di cioccolatini deve pianificare la produzione per i prossimi m mesi. In ogni mese l azienda ha a disposizione
DettagliEQUAZIONE DI STATO e LEGGI DEI GAS esercizi risolti Classi quarte L.S.
EQUAZIONE DI STATO e LEGGI DEI GAS esercizi risolti Classi quarte L.S. In questa dispensa verrà riportato lo svolgimento di alcuni esercizi inerenti l'equazione di stato dei gas perfetti e le principali
DettagliIl principio di induzione e i numeri naturali.
Il principio di induzione e i numeri naturali. Il principio di induzione è un potente strumento di dimostrazione, al quale si ricorre ogni volta che si debba dimostrare una proprietà in un numero infinito
DettagliAlgoritmi e diagrammi di flusso
Algoritmi e diagrammi di flusso Un algoritmo può essere descritto come una sequenza finita ed ordinata di operazioni che descrivono la soluzione di un problema. Per sequenza finita si intende che un algoritmo
Dettagli~ Copyright Ripetizionando - All rights reserved ~ http://ripetizionando.wordpress.com STUDIO DI FUNZIONE
STUDIO DI FUNZIONE Passaggi fondamentali Per effettuare uno studio di funzione completo, che non lascia quindi margine a una quasi sicuramente errata inventiva, sono necessari i seguenti 7 passaggi: 1.
DettagliLogica Numerica Approfondimento 1. Minimo Comune Multiplo e Massimo Comun Divisore. Il concetto di multiplo e di divisore. Il Minimo Comune Multiplo
Logica Numerica Approfondimento E. Barbuto Minimo Comune Multiplo e Massimo Comun Divisore Il concetto di multiplo e di divisore Considerato un numero intero n, se esso viene moltiplicato per un numero
DettagliSchedulazione di attività in presenza di attività interrompibili
Schedulazione di attività in presenza di attività interrompibili Maria Silvia Pini Resp. accademico: Prof.ssa Francesca Rossi Università di Padova Attività FSE DGR 1102/2010 La gestione dell informazione
DettagliLa somma. Esempio: Il prodotto. Esempio:
La somma L algoritmo della operazione di somma non cambia qualunque sia la base considerata. Naturalmente, le regole da imparare nel caso di una base b sono relative alle sole b 2 posssibili combinazioni
DettagliMatrice Excel Calcolo rata con DURATA DEL FINANZIAMENTO determinata dall'utente
Matrice Excel Calcolo rata con DURATA DEL FINANZIAMENTO determinata dall'utente L'acquisto di un immobile comporta un impegno finanziario notevole e non sempre è possibile disporre della somma di denaro
DettagliLaboratorio di Algoritmi e Strutture Dati
Laboratorio di Algoritmi e Strutture Dati Docente: V. Lonati Progetto Compagnie aeree valido per la prova in itinere di gennaio 2013 1 Il problema Numerose compagnie aeree si spartiscono il traffico aereo
DettagliModulo didattico sulla misura di grandezze fisiche: la lunghezza
Modulo didattico sulla misura di grandezze fisiche: la lunghezza Lezione 1: Cosa significa confrontare due lunghezze? Attività n 1 DOMANDA N 1 : Nel vostro gruppo qual è la matita più lunga? DOMANDA N
DettagliMICROECONOMIA La teoria del consumo: Alcuni Arricchimenti. Enrico Saltari Università di Roma La Sapienza
MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti Enrico Saltari Università di Roma La Sapienza 1 Dotazioni iniziali Il consumatore dispone ora non di un dato reddito monetario ma di un ammontare
DettagliJoomla: Come installarlo e come usarlo. A cura di
Joomla: Come installarlo e come usarlo. A cura di In questa dispensa andremo a vedere come si installa joomla sul noto software xampp e come viene usato per creare siti web dinamici. Tecnol earn Firmato
DettagliCalcolatori Elettronici A a.a. 2008/2009
Calcolatori Elettronici A a.a. 2008/2009 PRESTAZIONI DEL CALCOLATORE Massimiliano Giacomin Due dimensioni Tempo di risposta (o tempo di esecuzione): il tempo totale impiegato per eseguire un task (include
DettagliRicerca Operativa Esercizi sul metodo del simplesso. Luigi De Giovanni, Laura Brentegani
Ricerca Operativa Esercizi sul metodo del simplesso Luigi De Giovanni, Laura Brentegani 1 1) Risolvere il seguente problema di programmazione lineare. ma + + 3 s.t. 2 + + 2 + 2 + 3 5 2 + 2 + 6,, 0 Soluzione.
DettagliSistema per la gestione dei piani di studio individuali on line (PDI) Note operative per lo studente (v. 2.07)
Sistema per la gestione dei piani di studio individuali on line (PDI) Note operative per lo studente (v. 2.07) Premessa. Il piano di studio individuale va composto selezionando gli esami in coerenza con
DettagliInvestimenti lordi = 2.000 Investimenti netti = 800
Macroeconomia, Esercitazione 1. A cura di Giuseppe Gori (giuseppe.gori@unibo.it) 1 Esercizi. 1.1 PIL/1 Si consideri un sistema economico che produce solo pane. Questo è costituito da tre imprese: una agricola,
DettagliPIANO CARTESIANO: un problema di programmazione lineare
PIANO CARTESIANO: un problema di programmazione lineare In un laboratorio sono disponibili due contatori A, B di batteri. Il contatore A può essere azionato da un laureato che guadagna 20 euro per ora.
DettagliTeoria dei Giochi. Anna Torre
Teoria dei Giochi Anna Torre Almo Collegio Borromeo 26 marzo 2015 email: anna.torre@unipv.it sito web del corso:www-dimat.unipv.it/atorre/borromeo2015.html COOPERAZIONE Esempio: strategie correlate e problema
DettagliAi fini economici i costi di un impresa sono distinti principalmente in due gruppi: costi fissi e costi variabili. Vale ovviamente la relazione:
1 Lastoriadiun impresa Il Signor Isacco, che ormai conosciamo per il suo consumo di caviale, decide di intraprendere l attività di produttore di caviale! (Vuole essere sicuro della qualità del caviale
DettagliServizio di Segnali Live A cura di Roberto e Giancarlo Griscenko
Servizio di Segnali Live A cura di Roberto e Giancarlo Griscenko Il servizio è attivo dal lunedì al venerdì sera dalle ore 10:00 alle ore 13:00 e dalle ore 18:00 alle ore 21:00 (ora italiana). Vengono
DettagliScelta intertemporale. Lezione 9. Valori presenti e futuri. Valore futuro
Scelta Lezione 9 Scelta Di solito il reddito arriva ad intervalli, per esempio lo stipendio mensile. Quindi si pone il problema di decidere se (e quanto) risparmiare in un periodo per consumare più tardi.
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
DettagliIndice. 1 La disoccupazione ---------------------------------------------------------------------------------------- 3. 2 di 6
INEGNAMENO DI EONOMIA OLIIA LEZIONE VIII IL EORE DELL OUAZIONE ROF. ALDO VAOLA Economia olitica Indice 1 La disoccupazione ----------------------------------------------------------------------------------------
DettagliInformatica. Rappresentazione dei numeri Numerazione binaria
Informatica Rappresentazione dei numeri Numerazione binaria Sistemi di numerazione Non posizionali: numerazione romana Posizionali: viene associato un peso a ciascuna posizione all interno della rappresentazione
Dettagli17 Gli scenari. cartelle di lavoro; unendoli poi in un
17 Gli scenari Quando siamo alle prese con la valutazione delle spese effettuate oppure delle entrate, quando lavoriamo con investimenti, richieste di finanziamenti, o qualunque altra operazione finanziaria,
DettagliTecniche avanzate di sintesi di algoritmi: Programmazione dinamica Algoritmi greedy
Tecniche avanzate di sintesi di algoritmi: Programmazione dinamica Algoritmi greedy Dr Maria Federico Programmazione dinamica Solitamente usata per risolvere problemi di ottimizzazione il problema ammette
DettagliDI D AGRA R MM M I M A BLOCC C H C I TEORI R A E D D E SERC R I C ZI 1 1
DIAGRAMMI A BLOCCHI TEORIA ED ESERCIZI 1 1 Il linguaggio dei diagrammi a blocchi è un possibile formalismo per la descrizione di algoritmi Il diagramma a blocchi, o flowchart, è una rappresentazione grafica
DettagliGUIDA ALLA RILEVANZA
GUIDA ALLA RILEVANZA Posizionamento per Rilevanza Suggerimenti per una migliore visibilità su ebay www.egolden.it Vers. 1.1 Questa guida puo essere ridistribuita con l obbligo di non modificarne contenuto
DettagliINTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI
INTRODUZIONE AGLI ALGORITMI Prima di riuscire a scrivere un programma, abbiamo bisogno di conoscere un metodo risolutivo, cioè un metodo che a partire dai dati di ingresso fornisce i risultati attesi.
DettagliOSSERVAZIONI TEORICHE Lezione n. 4
OSSERVAZIONI TEORICHE Lezione n. 4 Finalità: Sistematizzare concetti e definizioni. Verificare l apprendimento. Metodo: Lettura delle OSSERVAZIONI e risoluzione della scheda di verifica delle conoscenze
DettagliFinanza matematica - Lezione 01
Finanza matematica - Lezione 01 Contratto d opzione Un opzione è un contratto finanziario stipulato al tempo, che permette di eseguire una certa transazione, d acquisto call o di vendita put, ad un tempo
Dettagli