Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,...

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,..."

Transcript

1 Entropia Motivazione Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... ) s,s 2,s 3,... ognuno dei quali appartiene ad un alfabeto A di M elementi.? Quant è l informazione portata dalla sequenza? La lunghezza della più corta stringa binaria che descrive S. Entropia

2 Formulazione del problema Problem. Supponiamo () A = {,...,M}, (2) i simboli sono indipendenti ed identicamente distribuiti (iid) con probabilità P[s = n] = p n. Cerchiamo un algoritmo che associ ad ogni sequenza di N simboli una stringa binaria e tale che la lunghezza media delle stringhe sia minima. Detta L la minima lunghezza media per una sequenza di N simboli diremo che l informazione è L/N bit per simbolo. Entropia 2 Primo tentativo (molto scarso) Supponiamo A = {,2,...,6} Associamo ad ogni simbolo in A una stringa di 3 = log 2 A bit :-( Dato che log sprechiamo 0.4 bit per campione... Entropia 3

3 Secondo tentativo (un pelo meglio) Numeriamo tutte le possibili sequenze di N simboli (Es. associamo alla sequenza s n il numero n (s n )6 n ) Trasmettiamo la descrizione binaria dell indice associato alla sequenza? Quanti bit per simbolo usiamo? Ci sono M N possibili sequenze Servono N log 2 MN log 2 M + N bit per campione Per N grande lo spreco va a zero Entropia 4 Terzo tentativo Motivazione Si consideri il caso p = 0.999, p 2 = = p 6 = ed il seguente algoritmo Associa ad ogni sequenza di K seguita da un simbolo s la seguente stringa di bit K div4096 bit 0 bit K mod 4096 espresso come numero a 2 bit s espresso con un numero a 3 bit Quanti bit servono? Entropia 5

4 Dato che P[s ] = /000, Terzo tentativo (2) Prestazioni ci aspettiamo circa N/000 simboli diversi da l evento di trovare più di 4096 simboli uguali a sarà molto raro ogni simbolo diverso da costa 6 bit Il numero di bit per simbolo è ( ) N N = = log Entropia 6 Riflessione...? Cosa abbiamo imparato? È possibile usare meno di log 2 M bit per campione Il trucco è di sfruttare le caratteristiche statistiche dei simboli :-( Purtroppo la tecnica vista prima è molto ad hoc...? Riusciamo a trovare un algoritmo più generale? Entropia 7

5 L insieme tipico Introduzione L applicazione intuitiva della legge dei grandi numeri ci dice che il valore n si presenterà circa N p n in una sequenza lunga N Possiamo scommettere sul fatto che la sequenza S sia tipica Entropia 8 L insieme tipico (2) Definizione Sia f n (S) la frequenza con cui compare il simbolo s n nella sequenza S Diciamo che S è ε-tipica se f n (S) p n ε. Sia T ε,n l insieme delle sequenze ε-tipiche di lunghezza N La legge dei grandi numeri ci dice che fissati ε e δ esiste un N tale che P[S T ε,n ] δ Entropia 9

6 Nuovo algoritmo. Enumeriamo tutte le sequenze tipiche. 2. Se S è tipica, trasmettiamo il bit e l indice di S nella lista delle sequenze tipiche 3. Se S non è tipica, trasmettiamo il bit 0 e ogni simbolo di S codificato con log 2 M bit.? Quanti bit servono? Entropia 0 Nuovo algoritmo (2) Prestazioni Se N è molto grande possiamo trascurare il caso in cui S non è tipico Servono N log 2 T ε,n log 2 T ε,n N bit per simbolo. Dobbiamo calcolare T ε,n + N log 2 T ε,n N Entropia

7 Nuovo algoritmo (3) Prestazioni Supponiamo che S abbia esattamente N p n simboli uguali a n Il numero di sequenze tipiche è circa N! (N p )!(N p )! (N p M )! Entropia 2 Nuovo algoritmo (4) Prestazioni Il numero di bit per campione è circa N log N! 2 (N p )!(N p )! (N p M )! N (N log 2 N N p n log 2 N p n ) n N (N log 2 N n N p n log 2 p n n N p n log 2 N) = p n log 2 p n Entropia 3

8 Entropia Il valore H(X) = n p n log 2 p n si chiama entropia della v.a. X e misura la minima quantità di bit da spendere per codificare X. Entropia 4 Notazione Chiameremo P = [p,..., p M ] t vettore di probabilità Useremo talvolta la notazione H(P) Il dominio della funzione entropia è l insieme convesso D M = {P : p n 0, n p n = } P 2 P 2 P P 3 M = 2 M = 3 P Entropia 5

9 Proprietà base dell entropia Concavità L entropia è strettamente concava: siano P n, n =,...,K vettori di probabilità e sia K n= α n =, α n 0. H( n α n p n ) n α n H(p n ) L entropia è una funzione a panettone Dimostrazione Sia f (x) = xlog 2 x e si osservi che f (x) < 0 Da H(X) = n f (p n ) segue la tesi Entropia 6 Proprietà base dell entropia (2) Simmetria Si ha H(PP) = H(P) per qualsiasi matrice di permutazione P Invariante per permutazione degli assi Prova: ovvia Entropia 7

10 Proprietà base dell entropia (3) Non negatività Si ha H(X) 0 e H(X) = 0 se e solo se p n = per qualche n (X deterministica). Prova: ovvia Se sappiamo a priori che tutti gli elementi della sequenza sono uguali ad un certo simbolo, non serve trasmettere nulla. Entropia 8 Proprietà base dell entropia (4) Massimo H(X) log 2 M Il massimo viene raggiunto per la distribuzione uniforme P = [/M,...,/M] Interpretazioni L incertezza sul valore assunto da X è massima quando tutti i risultati sono equiprobabili Mal che vada possiamo sempre codificare usando log 2 M bit per campione Entropia 9

11 Proprietà base dell entropia (5) Massimo (prova) H è una funzione strettamente concava definita su un convesso ha un solo massimo Se P 0 è il punto in cui H assume il valore massimo, deve essere PP 0 = P 0 per qualsiasi permutazione P, altrimenti H avrebbe più di un punto di massimo L unica scelta possibile è P 0 = [/M,...,/M] Entropia 20 Entropia congiunta Siano X e Y due variabili aleatorie con alfabeti A X e A Y L entropia congiunta si definisce H(XY ) = p XY (x,y)log 2 p XY (x,y) x A X,y A Y Entropia 2

12 Entropia condizionata da un evento L entropia di X condizionata dall evento Y = α è definita da H(X Y = α) = x A X p X Y (x α)log 2 p X Y (x α) H(X Y = α) rappresenta l incertezza che abbiamo su X (o i bit necessari a descrivere X) una volta che sappiamo che Y ha assunto il valore Y Entropia 22 Codifica congiunta Si supponga di avere due sequenze di valori iid x x 2 x n y y 2 y n dove ogni coppia (x n,y n ) è distribuita secondo P XY. Algoritmo di codifica Codifica la sequenza y n usando H(Y ) bit per simbolo Dividi la sequenza x n in A Y sottosequenze S, S 2,... con S k = {x m : y m = k} Codifica ogni S k usando H(X Y = k) bit per campione? Che prestazioni otteniamo? Entropia 23

13 Codifica congiunta (2) Prestazioni La sequenza S k ha in media NP Y (k) elementi S k richiede NP Y (k)h(x Y = k) bit Il numero di bit/campione per codificare X è N k NP Y (k)h(x Y = k) = P Y (k)h(x Y = k) k Entropia 24 Entropia condizionata Definizione L entropia condizionata di X dato Y è definita come H(X Y ) = P Y (k)h(x Y = k) k H(X Y ) rappresenta il numero di bit per campione necessari per descrivere X quando si conosca Y Entropia 25

14 Entropia condizionata (2) Proprietà Un modo alternativo di scrivere l entropia condizionata è H(X Y ) = x A X,y A Y P XY (x,y)log 2 P X Y (x y) Nota: si usa la probabilità condizionata dentro il logaritmo, ma quella congiunta fuori. Entropia 26 Entropia condizionata (3) Proprietà Sfruttando la legge marginale P Y (k) = x AX P XY (x,k) si dimostra facilmente H(XY ) = H(Y ) + H(X Y ) Interpretazioni: L incertezza sulla coppia (X,Y ) è pari all incertezza su Y più l incertezza residua su X una volta che sia noto Y Codifica: l algoritmo visto prima Entropia 27

15 Entropia condizionata (4) Proprietà Sfruttando la concavità dell entropia ed il fatto che P X = k AY P Y (k)p X Y=k si ottiene H(X) = H(P X ) = H( k A Y P Y (k)p X Y=k ) k A Y P Y (k)h(p X Y=k ) = H(X Y ) Uguaglianza se P X Y =k non dipende da k X e Y indipendenti Interpretazione: se sappiamo qualcosa su Y l incertezza su X non può aumentare se X e Y sono indipendenti l incertezza non cambia (Y non ci dice nulla su X) Entropia 28 Entropia condizionata (5) Ovviamente H(X Y ) 0 dove l uguaglianza si raggiunge se e solo se H(X Y = α) = 0 per ogni α P X Y (x α) = per qualche x X è funzione di Y Interpretazione: se X è funzione di Y l incertezza residua risulta nulla una volta che sia nota Y Entropia 29

16 Altre proprietà Sfruttando il fatto che 0 H(X Y ) H(X) si ottiene che max(h(x),h(y )) H(XY ) H(X) + H(Y ) Si ha uguaglianza a sinistra se una variabile è funzione dell altra; uguaglianza a destra se le due variabili sono indipendenti Interpretazione L incertezza di (X,Y ) non può essere inferiore all incertezza delle singole componenti Per codificare la coppia (X,Y ) spendo al massimo H(X) + H(Y) bit Se una variabile è funzione dell altra è sufficiente trasmettere la variabile indipendente Entropia 30 Entropia di sorgente Motivazione Sia X k una successione stazionaria di v.a. (non necessariamente iid) Se codifico ogni valore separatamente, uso H(X) bit per simbolo, ma quando codifico X n conosco già X n H(X n X n ), a questo punto... posso codificare usando... perché non sfruttare tutto il passato? Entropia 3

17 Entropia di sorgente (2) Definizione Il condizionamento riduce l entropia la sequenza n H(X n X n,x n 2,...,X ) è monotona decrescente e non negativa esiste il limite H (X) = lim n H(X n X n,x n 2,...,X ) H (X) è detta entropia di sorgente e rappresenta l informazione portata da ogni nuovo simbolo quando si conosce l intera storia passata. Entropia 32 Informazione mutua Definizione L informazione mutua tra X e Y è I(X;Y ) = H(X) H(X Y ) Interpretazione: I(X;Y ) è la differenza tra l incertezza su X e l incertezza residua su X una volta che sia noto Y Quanta informazione su X è portata da Y Entropia 33

18 Informazione mutua (2) Proprietà Scritture alternative I(X;Y ) = H(X) + H(Y ) H(XY ) = H(Y ) H(Y X) L informazione mutua è simmetrica (dalla prima scrittura alternativa) I(X;Y ) = I(Y ;X) Entropia 34 Informazione mutua (3) Proprietà Dalle proprietà dell entropia condizionata 0 I(X;Y ) min(h(x),h(y )) I(X;Y ) = 0 quando X e Y sono indipendenti; I(X;Y ) raggiunge il valore massimo quando una variabile è funzione dell altra Entropia 35

19 Canali Un canale è modellato come una funzione (aleatoria) da A X a A Y Il legame tra ingresso ed uscita è dato specificato dalle probabilità condizionate P X Y 0 ε ε ε ε 0 Canale binario simmetrico (BSC) 0 ε ε ε ε Canale con cancellazione 0 perso Entropia 36 Capacità Sia C Y X la probabilità condizionata associata ad un canale e sia S l insieme delle probabilità congiunte compatibili con C Y X { S = P XY : C Y X (y,x) = P XY (x,y) } a P XY (x,a) La capacità del canale è definita come il massimo dell informazione mutua C = max I(X;Y ) P XY S Entropia 37

20 Teorema di capacità Su un canale con capacità C si possono trasmettere R < C bit per utilizzo con probabilità di errore arbitrariamente bassa Per qualsiasi R > C non è possibile trasmettere in maniera affidabile. Entropia 38 Capacità del canale binario simmetrico Consideriamo un canale binario simmetrico, ossia P(0 ) = P( 0) = ε P(0 0) = P( ) = ε e P X (0) = p. Probabilità congiunta P(0,0) = pε P(,0) = qε P(0,) = pε P(,) = qε Entropia 39

21 Capacità del canale binario simmetrico (2) Dato che abbiamo H(Y X) = H(ε) H(Y X = 0) = H(Y X = ) = H(ε) Inoltre, se p = /2 si vede che H(Y ) =, otteniamo C = H(Y ) H(Y X) = H(ε) Entropia 40 Grezzo... Dato che P Y = P Y X P X, si ha H(Y ) = H(P Y X P X ) = f (P X ) f è una funzione concava definita su un insieme convesso ed è invariante alle rotazioni degli assi Ne segue che il massimo è per P X uniforme Entropia 4

22 Algoritmi di compressione Primo tentativo (scarso assai) Vogliamo trovare un algoritmo di compressione pratico Associamo ad ogni simbolo una stringa binaria, dando stringhe corte ai simboli più probabili. Esempio: Sia P = [/4,/4,/4,/8,/6,/6] t (H(X) = 9/8 = bit) Usiamo le seguenti associazioni simboli stringe simbolo stringa simbolo stringa simbolo stringa

23 Primo tentativo (scarso assai) (2) Perché non funziona La sequenza viene codificata nella stringa per un totale di 26/6.6 bit/campione (< H(X)???), ma... :-(... la stessa stringa può essere ottenuta con le sequenze Il codice è ambiguo! Codici a prefisso Il codice visto prima non è univocamente decodificabile Una classe di codici sicuramente decodificabili è quella dei codici a prefisso Definition. Un codice è a prefisso se nessuna parola di codice è prefisso di un altra parola di codice. 44

24 Definizione del problema Cerchiamo un algoritmo che mappi ogni simbolo x A in una stringa di bit C (x) in modo tale che. L insieme delle parole di codice {C (x),x A } sia un codice a prefisso 2. La lunghezza media x A C (x) p x sia minima L euristica è sempre quella: probabilità grande, parole corte. 45 Codici a prefisso ed alberi? Come genero un codice a prefisso?! Sfrutto la corrispondenza biunivoca tra alberi binari e codici a prefisso Creo un albero binario avente gli elementi di A come foglie Etichetto i rami uscenti da ogni nodo con 0 e La parola di codice associata ad x la si legge sul percorso dalla radice verso x Il codice risultante è certamente a prefisso 46

25 Codici a prefisso ed alberi (2) Esempio c 0 f a b d e Al simbolo "b" associamo la stringa "00" simbolo stringa simbolo stringa simbolo stringa a 000 c 0 e 0 b 00 d 00 f 47 Riformulazione del problema Lunghezza della parola di codice C (x)=profondità della foglia x nell albero Costruisco l albero in modo tale che i simboli meno probabili corrispondano alle foglie più profonde 48

2) Codici univocamente decifrabili e codici a prefisso.

2) Codici univocamente decifrabili e codici a prefisso. Argomenti della Lezione ) Codici di sorgente 2) Codici univocamente decifrabili e codici a prefisso. 3) Disuguaglianza di Kraft 4) Primo Teorema di Shannon 5) Codifica di Huffman Codifica di sorgente Il

Dettagli

Capacità di canale in molte salse

Capacità di canale in molte salse Capacità di canale in molte salse. Bernardini 6 maggio 008 Indice 1 Introduzione 1 Modelli di canale 1.1 Matrice di transizione........................................ 1. Funzione aleatoria..........................................

Dettagli

Codifica di sorgente. esempio di sorgente con memoria

Codifica di sorgente. esempio di sorgente con memoria Codifica di sorgente esercitazione su sorgenti markoviane 1 esempio di sorgente con memoria Esempio di sorgente con memoria markoviana a due stati NB: per la simmetria del sistema, i simboli sono equiprobabili

Dettagli

Introduzione alla scienza della comunicazione (E. T. Jaynes)

Introduzione alla scienza della comunicazione (E. T. Jaynes) Introduzione alla scienza della comunicazione (E T Jaynes) S Bonaccorsi Department of Mathematics University of Trento Corso di Mathematical model for the Physical, Natural and Social Sciences Outline

Dettagli

Nota: Eventi meno probabili danno maggiore informazione

Nota: Eventi meno probabili danno maggiore informazione Entropia Informazione associata a valore x avente probabilitá p(x é i(x = log 2 p(x Nota: Eventi meno probabili danno maggiore informazione Entropia di v.c. X P : informazione media elementi di X H(X =

Dettagli

3. TEORIA DELL INFORMAZIONE

3. TEORIA DELL INFORMAZIONE 3. TEORIA DELL INFORMAZIONE INTRODUZIONE MISURA DI INFORMAZIONE SORGENTE DISCRETA SENZA MEMORIA ENTROPIA DI UNA SORGENTE NUMERICA CODIFICA DI SORGENTE 1 TEOREMA DI SHANNON CODICI UNIVOCAMENTE DECIFRABILI

Dettagli

Algoritmi e strutture dati. Codici di Huffman

Algoritmi 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

Dettagli

Varianti Macchine di Turing

Varianti Macchine di Turing Varianti Macchine di Turing Esistono definizioni alternative di macchina di Turing. Chiamate Varianti. Tra queste vedremo: MdT a più nastri e MdT non deterministiche. Mostriamo: tutte le varianti ragionevoli

Dettagli

Codifica binaria dei numeri relativi

Codifica binaria dei numeri relativi Codifica binaria dei numeri relativi Introduzione All interno di un calcolatore, è possibile utilizzare solo 0 e 1 per codificare qualsiasi informazione. Nel caso dei numeri, non solo il modulo ma anche

Dettagli

09 - Funzioni reali di due variabili reali

09 - Funzioni reali di due variabili reali Università degli Studi di Palermo Facoltà di Economia CdS Sviluppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 09 - Funzioni reali di due variabili reali Anno Accademico 2013/2014

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 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

Dettagli

1) Probabilità di errore di trasmissione. 2) Capacità di canale. 3) Esempi di calcolo della capacità. 4) Disuguaglianza di Fano

1) Probabilità di errore di trasmissione. 2) Capacità di canale. 3) Esempi di calcolo della capacità. 4) Disuguaglianza di Fano Argomenti della Lezione 1) Probabilità di errore di trasmissione ) Capacità di canale 3) Esempi di calcolo della capacità 4) Disuguaglianza di Fano 5) Teorema inverso della codifica di canale 1 Probabilità

Dettagli

Codifiche a lunghezza variabile

Codifiche a lunghezza variabile Sistemi Multimediali Codifiche a lunghezza variabile Marco Gribaudo marcog@di.unito.it, gribaudo@elet.polimi.it Assegnazione del codice Come visto in precedenza, per poter memorizzare o trasmettere un

Dettagli

Prob(CCCCCCCCCC) = 1 2 10

Prob(CCCCCCCCCC) = 1 2 10 12. Contenuto di Informazione Algoritmico (AIC) - 17/05/12 Vogliamo adesso introdurre una nozione di contenuto di informazione di una stringa infinita, prodotta da una sorgente di informazione, che non

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

Rappresentazione dei numeri in un calcolatore

Rappresentazione dei numeri in un calcolatore Corso di Calcolatori Elettronici I A.A. 2010-2011 Rappresentazione dei numeri in un calcolatore Lezione 2 Università degli Studi di Napoli Federico II Facoltà di Ingegneria Rappresentazione dei numeri

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/2/215 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema di

Dettagli

Basi di matematica per il corso di micro

Basi di matematica per il corso di micro Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione dell informazione negli elaboratori

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione dell informazione negli elaboratori Informazione e computer Si può rappresentare l informazione attraverso varie forme: Numeri Testi Suoni Immagini 0001010010100101010 Computer Cerchiamo di capire come tutte queste informazioni possano essere

Dettagli

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete Funzioni in due variabili Raccolta di FAQ by Andrea Prevete 1) Cosa intendiamo, esattamente, quando parliamo di funzione reale di due variabili reali? Quando esiste una relazione fra tre variabili reali

Dettagli

Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata, Matematica

Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata, Matematica DIPARTIMENTO DI MATEMATICA Università degli Studi di Trento Via Sommarive - Povo (TRENTO) Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata,

Dettagli

Informatica. Rappresentazione binaria Per esempio +101010000 diventa +0.10101 10 18/10/2007. Introduzione ai sistemi informatici 1

Informatica. Rappresentazione binaria Per esempio +101010000 diventa +0.10101 10 18/10/2007. Introduzione ai sistemi informatici 1 Informatica Pietro Storniolo storniolo@csai.unipa.it http://www.pa.icar.cnr.it/storniolo/info200708 Numeri razionali Cifre più significative: : sono le cifre associate ai pesi maggiori per i numeri maggiori

Dettagli

4. Operazioni binarie, gruppi e campi.

4. Operazioni binarie, gruppi e campi. 1 4. Operazioni binarie, gruppi e campi. 4.1 Definizione. Diremo - operazione binaria ovunque definita in A B a valori in C ogni funzione f : A B C - operazione binaria ovunque definita in A a valori in

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

Dettagli

a) Osserviamo innanzi tutto che dev essere x > 0. Pertanto il dominio è ]0, + [. b) Poniamo t = log x. Innanzi tutto si ha:

a) Osserviamo innanzi tutto che dev essere x > 0. Pertanto il dominio è ]0, + [. b) Poniamo t = log x. Innanzi tutto si ha: ESERCIZIO - Data la funzione f (x) = (log x) 6 7(log x) 5 + 2(log x) 4, si chiede di: a) calcolare il dominio di f ; ( punto) b) studiare la positività e le intersezioni con gli assi; (3 punti) c) stabilire

Dettagli

FUNZIONI ELEMENTARI - ESERCIZI SVOLTI

FUNZIONI ELEMENTARI - ESERCIZI SVOLTI FUNZIONI ELEMENTARI - ESERCIZI SVOLTI 1) Determinare il dominio delle seguenti funzioni di variabile reale: (a) f(x) = x 4 (c) f(x) = 4 x x + (b) f(x) = log( x + x) (d) f(x) = 1 4 x 5 x + 6 ) Data la funzione

Dettagli

Parte 2. Determinante e matrice inversa

Parte 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

Dettagli

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)

Esercitazione #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

Dettagli

Metodi e Modelli Matematici di Probabilità per la Gestione

Metodi e Modelli Matematici di Probabilità per la Gestione Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta del 30/1/06 Esercizio 1 Una banca ha N correntisti. Indichiamo con N n il numero di correntisti esistenti il giorno n-esimo. Descriviamo

Dettagli

1.2 Funzioni, dominio, codominio, invertibilità elementare, alcune identità trigonometriche

1.2 Funzioni, dominio, codominio, invertibilità elementare, alcune identità trigonometriche . Funzioni, dominio, codominio, invertibilità elementare, alcune identità trigonometriche Per le definizioni e teoremi si fa riferimento ad uno qualsiasi dei libri M.Bertsch - R.Dal Passo Lezioni di Analisi

Dettagli

2. Codifica dell informazione

2. Codifica dell informazione 2. Codifica dell informazione Codifica Una codifica è una regola per associare in modo univoco i valori di un dato da codificare con sequenze di simboli. La corrispondenza definita dalla codifica è arbitraria,

Dettagli

Rappresentazione delle informazioni

Rappresentazione delle informazioni Rappresentazione delle informazioni Abbiamo informazioni (numeri, caratteri, immagini, suoni, video... ) che vogliamo rappresentare (e poter elaborare) in un calcolatore. Per motivi tecnologici un calcolatore

Dettagli

Corso di Analisi Matematica. Funzioni reali di variabile reale

Corso di Analisi Matematica. Funzioni reali di variabile reale a.a. 2011/12 Laurea triennale in Informatica Corso di Analisi Matematica Funzioni reali di variabile reale Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità

Dettagli

Insiemi con un operazione

Insiemi con un operazione Capitolo 3 Insiemi con un operazione 3.1 Gruppoidi, semigruppi, monoidi Definizione 309 Un operazione binaria su un insieme G è una funzione: f : G G G Quindi, un operazione binaria f su un insieme G è

Dettagli

Elementi di Informatica e Programmazione

Elementi di Informatica e Programmazione Elementi di Informatica e Programmazione La Codifica dell informazione (parte 1) Corsi di Laurea in: Ingegneria Civile Ingegneria per l Ambiente e il Territorio Università degli Studi di Brescia Docente:

Dettagli

1 Limiti e continuità per funzioni di una variabile

1 Limiti e continuità per funzioni di una variabile 1 Limiti e continuità per funzioni di una variabile Considerazioni introduttive Consideriamo la funzione f() = sin il cui dominio naturale è

Dettagli

Coordinate Cartesiane nel Piano

Coordinate Cartesiane nel Piano Coordinate Cartesiane nel Piano O = (0,0) origine degli assi ascissa, y ordinata sistemi monometrici: stessa unità di misura sui due assi, y sistemi dimetrici: unità di misura diverse sui due assi (spesso

Dettagli

Teoria dell informazione

Teoria dell informazione Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria dell informazione A.A. 2008-09 Alberto Perotti DELEN-DAUIN Modello di sistema di comunicazione Il modello di

Dettagli

13. Campi vettoriali

13. Campi vettoriali 13. Campi vettoriali 1 Il campo di velocità di un fluido Il concetto di campo in fisica non è limitato ai fenomeni elettrici. In generale il valore di una grandezza fisica assegnato per ogni punto dello

Dettagli

Elementi di informatica

Elementi di informatica Elementi di informatica Sistemi di numerazione posizionali Rappresentazione dei numeri Rappresentazione dei numeri nei calcolatori rappresentazioni finalizzate ad algoritmi efficienti per le operazioni

Dettagli

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................

Dettagli

TECNICHE DI COMPRESSIONE DATI

TECNICHE DI COMPRESSIONE DATI TECNICHE DI COMPRESSIONE DATI COMPRESSIONE DATI La compressione produce una rappresentazione più compatta delle informazioni è come se si usassero meno parole per dire la stessa cosa in modo diverso. Esistono

Dettagli

Appunti di Statistica Descrittiva

Appunti di Statistica Descrittiva Appunti di Statistica Descrittiva 30 dicembre 009 1 La tabella a doppia entrata Per studiare dei fenomeni con caratteristiche statistiche si utilizza l espediente della tabella a doppia entrata Per esempio

Dettagli

3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1

3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Scopo: Stimare l onere computazionale per risolvere problemi di ottimizzazione e di altra natura

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

Dettagli

Grafico qualitativo di una funzione reale di variabile reale

Grafico qualitativo di una funzione reale di variabile reale Grafico qualitativo di una funzione reale di variabile reale Mauro Saita 1 Per commenti o segnalazioni di errori scrivere, per favore, a: maurosaita@tiscalinet.it Dicembre 2014 Indice 1 Qualè il grafico

Dettagli

Scelte in condizioni di rischio e incertezza

Scelte in condizioni di rischio e incertezza CAPITOLO 5 Scelte in condizioni di rischio e incertezza Esercizio 5.1. Tizio ha risparmiato nel corso dell anno 500 euro; può investirli in obbligazioni che rendono, in modo certo, il 10% oppure in azioni

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

Dispensa di Teoria dell Informazione

Dispensa di Teoria dell Informazione Dispensa di Teoria dell Informazione Lorenzo Simionato e Daniele Turato 2 E-Mail: lorenzo@simionato.org 2 E-Mail: dream85@gmail.com Revisioni Versione preliminare 28 Dicembre 2008 Versione.0 22 Gennaio

Dettagli

Capitolo 1 - Numerazione binaria

Capitolo 1 - Numerazione binaria Appunti di Elettronica Digitale Capitolo - Numerazione binaria Numerazione binaria... Addizione binaria... Sottrazione binaria... Moltiplicazione binaria... Divisione binaria... Complementazione... Numeri

Dettagli

Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini

Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, 2 56122 PISA ALGORITMI GENETICI (GA) Sono usati per risolvere problemi di ricerca

Dettagli

LOGICA DEI PREDICATI. Introduzione. Predicati e termini individuali. Termini individuali semplici e composti

LOGICA DEI PREDICATI. Introduzione. Predicati e termini individuali. Termini individuali semplici e composti Introduzione LOGICA DEI PREDICATI Corso di Intelligenza Artificiale A.A. 2009/2010 Prof. Ing. Fabio Roli La logica dei predicati, o logica del primo ordine (LPO) considera schemi proposizionali composti

Dettagli

Nella prima lezione... Che cos è il Digitale. Prima parte: Che cos è il Digitale. Che cos è il Digitale. Che cos è il Digitale

Nella prima lezione... Che cos è il Digitale. Prima parte: Che cos è il Digitale. Che cos è il Digitale. Che cos è il Digitale !"$#%!" #% Nella prima lezione... Definizione di Informatica Cosa è una soluzione algoritmica Esempi di algoritmi cicalese@dia.unisa.it 2 Prima parte: Società dell informazione Ma cosa vuol dire società

Dettagli

Università degli studi di Brescia Facoltà di Medicina e Chirurgia Corso di Laurea in Infermieristica. Corso propedeutico di Matematica e Informatica

Università degli studi di Brescia Facoltà di Medicina e Chirurgia Corso di Laurea in Infermieristica. Corso propedeutico di Matematica e Informatica Università degli studi di Brescia Facoltà di Medicina e Chirurgia Corso di Laurea in Infermieristica a.a. 2006/2007 Docente Ing. Andrea Ghedi Lezione 2 IL PIANO CARTESIANO 1 Il piano cartesiano In un piano

Dettagli

APPUNTI DI MATEMATICA ALGEBRA \ INSIEMISTICA \ TEORIA DEGLI INSIEMI (1)

APPUNTI DI MATEMATICA ALGEBRA \ INSIEMISTICA \ TEORIA DEGLI INSIEMI (1) ALGEBRA \ INSIEMISTICA \ TEORIA DEGLI INSIEMI (1) Un insieme è una collezione di oggetti. Il concetto di insieme è un concetto primitivo. Deve esistere un criterio chiaro, preciso, non ambiguo, inequivocabile,

Dettagli

LA RAPPRESENTAZIONE DELLE INFORMAZIONI

LA RAPPRESENTAZIONE DELLE INFORMAZIONI ISTITUTO TECNICO E LICEO SCIENTIFICO TECNOLOGICO ANGIOY LA RAPPRESENTAZIONE DELLE INFORMAZIONI Prof. G. Ciaschetti DATI E INFORMAZIONI Sappiamo che il computer è una macchina stupida, capace di eseguire

Dettagli

CALCOLATORI ELETTRONICI A cura di Luca Orrù. Lezione n.6. Unità di controllo microprogrammata

CALCOLATORI ELETTRONICI A cura di Luca Orrù. Lezione n.6. Unità di controllo microprogrammata Lezione n.6 Unità di controllo microprogrammata 1 Sommario Unità di controllo microprogrammata Ottimizzazione, per ottimizzare lo spazio di memoria occupato Il moltiplicatore binario Esempio di architettura

Dettagli

I sistemi di numerazione

I sistemi di numerazione I sistemi di numerazione 01-INFORMAZIONE E SUA RAPPRESENTAZIONE Sia dato un insieme finito di caratteri distinti, che chiameremo alfabeto. Utilizzando anche ripetutamente caratteri di un alfabeto, si possono

Dettagli

I tipi di dato astratti

I tipi di dato astratti I tipi di dato astratti.0 I tipi di dato astratti c Diego Calvanese Fondamenti di Informatica Corso di Laurea in Ingegneria Elettronica A.A. 001/00.0 0 I tipi di dato astratti La nozione di tipo di dato

Dettagli

Informazione analogica e digitale

Informazione analogica e digitale L informazione L informazione si può: rappresentare elaborare gestire trasmettere reperire L informatica offre la possibilità di effettuare queste operazioni in modo automatico. Informazione analogica

Dettagli

Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini

Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, 2 56122 PISA ALGORITMI GENETICI (GA) Sono usati per risolvere problemi di ricerca

Dettagli

16.3.1 Alberi binari di ricerca

16.3.1 Alberi binari di ricerca 442 CAPITOLO 16. STRUTTURE DI DATI DINAMICHE root 7 5 11 2 8 13 10 Figura 16.11 Esempio di albero binario: ogni nodo contiene il dato da immagazzinare e tre puntatori che definiscono le sue relazioni di

Dettagli

MATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010

MATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010 elementi di teoria dei grafi anno acc. 2009/2010 Grafi semplici Un grafo semplice G è una coppia ordinata (V(G), L(G)), ove V(G) è un insieme finito e non vuoto di elementi detti vertici o nodi di G, mentre

Dettagli

Esercizi Capitolo 5 - Alberi

Esercizi Capitolo 5 - Alberi Esercizi Capitolo 5 - Alberi Alberto Montresor 19 Agosto, 2014 Alcuni degli esercizi che seguono sono associati alle rispettive soluzioni. Se il vostro lettore PDF lo consente, è possibile saltare alle

Dettagli

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe

Dettagli

Capitolo V. I mercati dei beni e i mercati finanziari: il modello IS-LM

Capitolo V. I mercati dei beni e i mercati finanziari: il modello IS-LM Capitolo V. I mercati dei beni e i mercati finanziari: il modello IS-LM 2 OBIETTIVO: Il modello IS-LM Fornire uno schema concettuale per analizzare la determinazione congiunta della produzione e del tasso

Dettagli

APPENDICE NOZIONI BASE E VARIE

APPENDICE NOZIONI BASE E VARIE pag. 131 Appendice: Nozioni base e varie G. Gerla APPENDICE NOZIONI BASE E VARIE 1. Funzioni e relazioni di equivalenza Questi appunti sono rivolti a persone che abbiano già una conoscenza elementare della

Dettagli

Laboratorio di Algoritmi e Strutture Dati

Laboratorio di Algoritmi e Strutture Dati Laboratorio di Algoritmi e Strutture Dati Docente: Camillo Fiorentini 18 dicembre 2007 Esercizio 1: rappresentazione di una tabella di occorrenze L obiettivo è quello di rappresentare in modo efficiente

Dettagli

3 GRAFICI DI FUNZIONI

3 GRAFICI DI FUNZIONI 3 GRAFICI DI FUNZIONI Particolari sottoinsiemi di R che noi studieremo sono i grafici di funzioni. Il grafico di una funzione f (se non è specificato il dominio di definizione) è dato da {(x, y) : x dom

Dettagli

Rappresentazione di informazioni con un alfabeto finito

Rappresentazione di informazioni con un alfabeto finito Rappresentazione di informazioni con un alfabeto finito Sia A = { a 1,, a k } un insieme (alfabeto) di k simboli, detti anche lettere. Quante sono le sequenze composte da n simboli (anche ripetuti) di

Dettagli

RAPPRESENTAZIONE DEI NUMERI BINARI. Corso di Fondamenti di Informatica AA 2010-2011

RAPPRESENTAZIONE DEI NUMERI BINARI. Corso di Fondamenti di Informatica AA 2010-2011 RAPPRESENTAZIONE DEI NUMERI BINARI Corso di Fondamenti di Informatica AA 2010-2011 Prof. Franco Zambonelli Numeri interi positivi Numeri interi senza segno Caratteristiche generali numeri naturali (1,2,3,...)

Dettagli

Macchine di Turing, problemi ricorsivi e ricorsivamente enumerabili

Macchine di Turing, problemi ricorsivi e ricorsivamente enumerabili Macchine di Turing, problemi ricorsivi e ricorsivamente enumerabili roblemi che i calcolatori non possono risolvere E importante sapere se un programma e corretto, cioe fa quello che ci aspettiamo. E facile

Dettagli

DUE PROPOSTE ANALISI MATEMATICA. Lorenzo Orio

DUE PROPOSTE ANALISI MATEMATICA. Lorenzo Orio DUE PROPOSTE DI ANALISI MATEMATICA Lorenzo Orio Introduzione Il lavoro propone argomenti di analisi matematica trattati in maniera tale da privilegiare l intuizione e con accorgimenti nuovi. Il tratta

Dettagli

1. PRIME PROPRIETÀ 2

1. PRIME PROPRIETÀ 2 RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,

Dettagli

SULLE FUNZIONI REALI DI VARIABILE REALE E LORO GRAFICI

SULLE FUNZIONI REALI DI VARIABILE REALE E LORO GRAFICI SULLE FUNZIONI REALI DI VARIABILE REALE E LORO GRAFICI.Definizioni e insieme di definizione. Una funzione o applicazione f è una legge che ad ogni elemento di un insieme D ( dominio )fa corrispondere un

Dettagli

Corso di Calcolo delle Probabilità e Statistica. Esercizi su variabili aleatorie discrete

Corso di Calcolo delle Probabilità e Statistica. Esercizi su variabili aleatorie discrete Corso di Calcolo delle Probabilità e Statistica Esercizi su variabili aleatorie discrete Es.1 Da un urna con 10 pallina bianche e 15 palline nere, si eseguono estrazioni con reimbussolamento fino all estrazione

Dettagli

GEOMETRIA I Corso di Geometria I (seconda parte)

GEOMETRIA I Corso di Geometria I (seconda parte) Corso di Geometria I (seconda parte) anno acc. 2009/2010 Cambiamento del sistema di riferimento in E 3 Consideriamo in E 3 due sistemi di riferimento ortonormali R e R, ed un punto P (x, y, z) in R. Lo

Dettagli

Semantica operazionale dei linguaggi di Programmazione

Semantica operazionale dei linguaggi di Programmazione Semantica operazionale dei linguaggi di Programmazione Oggetti sintattici e oggetti semantici Rosario Culmone, Luca Tesei Lucidi tratti dalla dispensa Elementi di Semantica Operazionale R. Barbuti, P.

Dettagli

Progetto e analisi di algoritmi

Progetto e analisi di algoritmi Progetto e analisi di algoritmi Roberto Cordone DTI - Università degli Studi di Milano Polo Didattico e di Ricerca di Crema Tel. 0373 / 898089 E-mail: cordone@dti.unimi.it Ricevimento: su appuntamento

Dettagli

Studio di una funzione ad una variabile

Studio di una funzione ad una variabile Studio di una funzione ad una variabile Lo studio di una funzione ad una variabile ha come scopo ultimo quello di pervenire a un grafico della funzione assegnata. Questo grafico non dovrà essere preciso

Dettagli

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag.

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag. SOMMARIO CAPITOLO : I RADICALI. I radicali pag.. I radicali aritmetici pag.. Moltiplicazione e divisione fra radicali aritmetici pag.. Potenza di un radicale aritmetico pag.. Trasporto di un fattore esterno

Dettagli

L'informazione e la sua codifica

L'informazione e la sua codifica L'informazione e la sua codifica Corso di Informatica CdL: Chimica Claudia d'amato claudia.damato@di.uniba.it Informatica e telecomunicazione Cos è l informatica informatica? lo studio sistematico degli

Dettagli

Funzione reale di variabile reale

Funzione reale di variabile reale Funzione reale di variabile reale Siano A e B due sottoinsiemi non vuoti di. Si chiama funzione reale di variabile reale, di A in B, una qualsiasi legge che faccia corrispondere, a ogni elemento A x A

Dettagli

Compressione Dati. Teorema codifica sorgente: Entropia fornisce un limite sia inferiore che superiore al numero di bit per simbolo sorgente.. p.

Compressione Dati. Teorema codifica sorgente: Entropia fornisce un limite sia inferiore che superiore al numero di bit per simbolo sorgente.. p. Compressione Dati Teorema codifica sorgente: Entropia fornisce un limite sia inferiore che superiore al numero di bit per simbolo sorgente.. p.1/21 Compressione Dati Teorema codifica sorgente: Entropia

Dettagli

Un po di teoria dei numeri

Un po di teoria dei numeri Un po di teoria dei numeri Applicazione alla crittografia RSA Christian Ferrari Liceo di Locarno Matematica Sommario 1 L aritmetica modulare di Z n Le congruenze L anello Z n Le potenze in Z n e algoritmo

Dettagli

Funzioni. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara

Funzioni. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara Funzioni Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)

Dettagli

11) convenzioni sulla rappresentazione grafica delle soluzioni

11) convenzioni sulla rappresentazione grafica delle soluzioni 2 PARAGRAFI TRATTATI 1)La funzione esponenziale 2) grafici della funzione esponenziale 3) proprietá delle potenze 4) i logaritmi 5) grafici della funzione logaritmica 6) principali proprietá dei logaritmi

Dettagli

Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica

Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica Lucio Demeio Dipartimento di Scienze Matematiche Università Politecnica delle Marche 1. Esercizio. Siano X ed Y due variabili

Dettagli

Note del corso di Calcolabilità e Linguaggi Formali - Lezione 6

Note del corso di Calcolabilità e Linguaggi Formali - Lezione 6 Note del corso di Calcolabilità e Linguaggi Formali - Lezione 6 Alberto Carraro 30 novembre DAIS, Universitá Ca Foscari Venezia http://www.dsi.unive.it/~acarraro 1 Funzioni Turing-calcolabili Finora abbiamo

Dettagli

MATEMATICA 2001. p = 4/6 = 2/3; q = 1-2/3 = 1/3. La risposta corretta è quindi la E).

MATEMATICA 2001. p = 4/6 = 2/3; q = 1-2/3 = 1/3. La risposta corretta è quindi la E). MATEMATICA 2001 66. Quale fra le seguenti affermazioni è sbagliata? A) Tutte le funzioni ammettono la funzione inversa B) Una funzione dispari è simmetrica rispetto all origine C) Una funzione pari è simmetrica

Dettagli

Studio di funzioni ( )

Studio di funzioni ( ) Studio di funzioni Effettuare uno studio qualitativo e tracciare un grafico approssimativo delle seguenti funzioni. Si studi in particolare anche la concavità delle funzioni e si indichino esplicitamente

Dettagli

Corso di Laurea Ingegneria Informatica Fondamenti di Informatica

Corso di Laurea Ingegneria Informatica Fondamenti di Informatica Corso di Laurea Ingegneria Informatica Fondamenti di Informatica Dispensa 05 La rappresentazione dell informazione Carla Limongelli Ottobre 2011 http://www.dia.uniroma3.it/~java/fondinf/ La rappresentazione

Dettagli

Capitolo 5. Funzioni. Grafici.

Capitolo 5. Funzioni. Grafici. Capitolo 5 Funzioni. Grafici. Definizione: Una funzione f di una variabile reale,, è una corrispondenza che associa ad ogni numero reale appartenente ad un insieme D f R un unico numero reale, y R, denotato

Dettagli

Un ripasso di aritmetica: Rappresentazione binaria - operazioni. riporti

Un ripasso di aritmetica: Rappresentazione binaria - operazioni. riporti Un ripasso di aritmetica: Rappresentazione binaria - operazioni A queste rappresentazioni si possono applicare le operazioni aritmetiche: riporti 1 1 0 + 1 0 = 1 0 0 24 Un ripasso di aritmetica: Rappresentazione

Dettagli

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -

Dettagli

La scelta in condizioni di incertezza

La scelta in condizioni di incertezza La scelta in condizioni di incertezza 1 Stati di natura e utilità attesa. L approccio delle preferenza per gli stati Il problema posto dall incertezza riformulato (state-preference approach). L individuo

Dettagli

lezione 18 AA 2015-2016 Paolo Brunori

lezione 18 AA 2015-2016 Paolo Brunori AA 2015-2016 Paolo Brunori Previsioni - spesso come economisti siamo interessati a prevedere quale sarà il valore di una certa variabile nel futuro - quando osserviamo una variabile nel tempo possiamo

Dettagli

MATEMATICA GENERALE - (A-D) Prova d esame del 7 febbraio 2012 - FILA A

MATEMATICA GENERALE - (A-D) Prova d esame del 7 febbraio 2012 - FILA A MATEMATICA GENERALE - (A-D) Prova d esame del 7 febbraio 2012 - FILA A Nome e cognome Matricola I Parte OBBLIGATORIA (quesiti preliminari: 1 punto ciascuno). Riportare le soluzioni su questo foglio, mostrando

Dettagli

2 FUNZIONI REALI DI VARIABILE REALE

2 FUNZIONI REALI DI VARIABILE REALE 2 FUNZIONI REALI DI VARIABILE REALE 2.1 CONCETTO DI FUNZIONE Definizione 2.1 Siano A e B due insiemi. Una funzione (o applicazione) f con dominio A a valori in B è una legge che associa ad ogni elemento

Dettagli

Rappresentazione digitale

Rappresentazione digitale I BIT POSSONO RAPPRESENTARE TUTTO Tutta l informazione interna ad un computer è codificata con sequenze di due soli simboli : 0 e 1 è facile realizzare dispositivi elettronici che discriminano fra due

Dettagli