Teoria delle Decisioni Bayesiana
|
|
- Ortensia Piazza
- 5 anni fa
- Visualizzazioni
Transcript
1 Laurea Magistrale in Informatica Nicola Fanizzi Dipartimento di Informatica Università degli Studi di Bari 14 gennaio 2009
2 Sommario Introduzione Teoria delle decisioni Bayesiana - nel continuo Classificazione a Minimo Tasso d Errore (Minimum-Error-Rate) Classificatori, funzioni discriminanti e superfici di decisione Teoria delle decisioni Bayesiana - nel discreto
3 Introduzione I Esempio branzino/salmone Stato di natura, probabilità a priori Lo stato di natura è una variabile aleatoria La pesca di salmone o branzino è equiprobabile: P(ω 1 ) = P(ω 2 ) P(ω 1 ) + P(ω 2 ) = 1 probabilità a priori uniforme esclusività ed esaustività
4 Introduzione II Regola di decisione con la sola informazione delle probabilità a priori: Se P(ω 1 ) > P(ω 2 ) allora decidi per ω 1 altrimenti decidi per ω 2 Usare l informazione condizionale sulle classe Sia X una variabile aleatoria che misura il peso P(x ω 1 ) e P(x ω 2 ) descrivono la differente leggerezza tra le due popolazioni di pesci
5 Introduzione III
6 Probabilità a posteriori, verosimilianza, evidenza I P(ω j x) = }{{} p. a posteriori verosimilianza {}}{ P(x ω j ) p. a priori {}}{ P(ω j ) P(x) }{{} evidenza P(x) meno importante di P(ω j x) e P(ω j ) In caso di c categorie P(x) = c P(x ω j )P(ω j ) j=1
7 Probabilità a posteriori, verosimilianza, evidenza II
8 Errore I La decisione è conseguenza dalle probabilità a posteriori X è un osservazione per la quale: se P(ω 1 x) > P(ω 2 x) stato di natura reale = ω 1 se P(ω 1 x) < P(ω 2 x) stato di natura reale = ω 2 Pertanto: quando si osserva una particolare x, la probabilità d errore è: P(error x) = P(ω 1 x) decidendo per ω 2 P(error x) = P(ω 2 x) decidendo per ω 1
9 Errore II Minimizzare la probabilità d errore Se P(ω 1 x) > P(ω 2 x) allora decidi per ω 1 altrimenti per ω 2 Vale anche in media: P(errore) = P(errore, x)dx = P(errore x)p(x)dx Pertanto: P(errore x) = min{p(ω 1 x), P(ω 2 x)} (regola di decisione Bayesiana)
10 Nel caso del continuo I Generalizzazione delle idee precedenti: Usare più d una feature Usare più di due stati di natura Permettere azioni non decidere solo per lo stato di natura Permettere altre azioni oltre alla classificazione permette anche la possibilità di rigetto Rifiutare di prendere una decisione in casi difficili o cattivi! Introdurre una loss function più generale della probabilità d errore La loss function stabilisce il costo di ogni azione intrapresa
11 Nel caso del continuo II Sia {ω 1, ω 2,..., ω c } l insieme di c stati di natura ( categorie ) Sia {α 1, α 2,..., α a } l insieme delle azioni possibili Sia λ(α i ω j ) il costo dell azione α i quando lo stato di natura è ω j
12 Nel caso del continuo III Rischio globale R si ottiene sommando R(α i x) per i = 1,..., a }{{} rischio condizionato R = R(α(x) x)p(x)dx Minimizzare R Minimizzare R(α i x) per i = 1,..., a R(α i x) = c λ(α i ω j )P(ω j x) j=1 i = 1,..., a Selezionare l azione α i per la quale R(α i x) sia minima R minimale (rischio di Bayes, miglior performance ottenibile)
13 Classificazione binaria I α 1 : decidere per ω 1 α 2 : decidere per ω 2 λij = λ(αi ωj) costo della decisione per ω i quando il vero stato di natura è ω j Rischio condizionato: R(α 1 x) = λ 11 P(ω 1 x) + λ 12 P(ω 2 x) R(α 2 x) = λ 21 P(ω 1 x) + λ 22 P(ω 2 x)
14 Classificazione binaria II La nostra regola è la seguente: Se R(α 1 x) < R(α 2 x) allora si compie l azione α 1 ossia decidi per ω 1 Questo porta alla regola equivalente: decidi per ω 1 se (λ 21 λ 11 )P(x ω 1 )P(ω 1 ) > (λ 12 λ 22 )P(x ω 2 )P(ω 2 ) altrimenti decidi per ω 2
15 Tasso di verosimiglianza La regola precedente equivale alla seguente: Se P(x ω 1 ) P(x ω 2 ) > (λ 12 λ 22 )P(ω 2 ) (λ 21 λ 11 )P(ω 1 ) allora compi l azione α 1 (decidere per ω 1 ) altrimenti compi l azione α 2 (decidere per ω 2 ) P(x ω 1 ) P(x ω 2 ) likelihood ratio Proprietà della decisione ottimale Se il grado di verosimiglianza eccede una soglia indipendente dall esempio di input x, si possono intraprendere azioni ottimali
16 Classificazione per minimo tasso d errore I Le azioni sono decisioni sulle classi Se α i viene intrapresa ed il vero stato di natura è ω j allora: la decisione è corretta se i = j ed erronea se i j Si cerca una regola di decisione che minimizza la probabilità d errore che è il tasso d errore Introduzione della loss function zero-uno: { 0 i = j λ(α i, ω j ) = 1 i j
17 Classificazione per minimo tasso d errore II Perciò, il rischio condizionato è: c R(α i x) = λ(α i, ω j )P(ω j x) j=1 = P(ω j x) = 1 P(ω i x) j i Il rischio corrispondente a questa loss function è la probabilità d errore media Minimizzare il rischio richiede di massimizzare P(ω i x) (dato che R(α i x) = 1 P(ω i x)) Per il minimo tasso d errore: Decidere ω i if P(ω i x) > P(ω j x) j i
18 Classificazione per minimo tasso d errore III Regioni di decisione e loss function zero-uno Pertanto si ha la regola: Sia (λ 12 λ 22 )P(ω 2 ) (λ 21 λ 11 )P(ω 1 ) = θ λ allora decidere per ω 1 se P(x ω 1) P(x ω 2 ) > θ λ Se λ è la loss function zero-uno che significa: Se λ = Se λ = ( ) allora θ λ = P(ω 2) P(ω 1 ) = θ a ( ) 0 2 allora θ 1 0 λ = 2P(ω 2) P(ω 1 ) = θ b
19 Classificazione per minimo tasso d errore IV Con una loss function 0/1 o basata sulla classificazione, i limiti di decisione sono determinati da θ a. Se la loss function penalizza la miscategorizzazione di ω 2, si passa a soglie più ampie θ b, e R 1 diventa più piccola
20 Il caso multi-categorico Insieme di funzioni discriminanti g i (x), i = 1,..., c Il classificatore assegna un vettore x alla classe ω i se: g i (x) > g j (x) j i
21 Struttura funzionale di un classificatore Un passo successivo determina quale dei valori discriminanti sia il massimo, e assegna la classe di conseguenza
22 Minimizzazione del rischio Sia g i (x) = R(α i x) La discriminazione massima corrisponde al minimo rischio! Per il minimum error rate, considerare g i (x) = P(ω i x) La discriminazione massima corrisponde alla massima prob. a posteriori! g i (x) P(x ω i )P(ω i ) ossia g i (x) = ln P(x ω i ) + ln P(ω i )
23 Regioni di decisione I Lo spazio delle feature viene diviso in c regioni di decisione Se g i (x) > g j (x) j i allora x è in R i (R i significa assignare x a ω i ) Caso binario Un classificatore detto dicotomizzatore con due funzioni discriminanti g 1 e g 2 Sia g(x) = g 1 (x) g 2 (x) Decidere per ω 1 se g(x) > 0; altrimenti decidere per ω 2 Calcolo di g(x) g(x) = P(ω 1 x) P(ω 2 x) = ln P(x ω 1) P(x ω 2 ) + ln P(ω 1) P(ω 2 )
24 Regioni di decisione II
25 Caso discreto I Le componenti di x sono a valori binari o interi, x prende solo uno degli m valori discreti v 1, v 2,..., v m Caso di features binarie indipendenti nel problema binario Sia x = [x 1, x 2,..., x d ] t dove ogni x i è 0 o 1, con le probabilità: p i = P(x i = 1 ω 1 ) e q i = P(x i = 1 ω 2 )
26 Caso discreto II La funzione discriminante in tal caso sarà: g(x) = d w i x i + w 0 i=1 dove e w i = ln p i(1 q i ) q i (1 p i ) w 0 = d i=1 i = 1,..., d ln 1 p i + ln P(ω 1) 1 q i P(ω 2 ) Decidere ω 1 se g(x) > 0 e ω 2 se g(x) 0
27 Credits R. Duda, P. Hart, D. Stork: Pattern Classification, Wiley
VARIABILI ALEATORIE CONTINUE
VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
DettagliTecniche di analisi multivariata
Tecniche di analisi multivariata Metodi che fanno riferimento ad un modello distributivo assunto per le osservazioni e alla base degli sviluppi inferenziali - tecniche collegate allo studio della dipendenza
DettagliDISTRIBUZIONI DI PROBABILITÀ
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI
DettagliRichiami di teoria della probabilitá e Modelli Grafici
Modelli di computazione affettiva e comportamentale Data: 23 Aprile 2010 Richiami di teoria della probabilitá e Modelli Grafici Docente: Prof. Giuseppe Boccignone Scriba: Matteo Battistini 1 Richiami di
DettagliAnalisi discriminante
Capitolo 6 Analisi discriminante L analisi statistica multivariata comprende un corpo di metodologie statistiche che permettono di analizzare simultaneamente misurazioni riguardanti diverse caratteristiche
DettagliFeature Selection per la Classificazione
1 1 Dipartimento di Informatica e Sistemistica Sapienza Università di Roma Corso di Algoritmi di Classificazione e Reti Neurali 20/11/2009, Roma Outline Feature Selection per problemi di Classificazione
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliLaboratorio 2. Calcolo simbolico, successioni, limiti e derivate
Anno Accademico 2007-2008 Corso di Analisi 1 per Ingegneria Informatica Laboratorio 2 Calcolo simbolico, successioni, limiti e derivate 1 Introduzione al Toolbox simbolico Con le routines del Symbolic
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
DettagliEsercizi 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
DettagliProblemi di localizzazione impianti
Problemi di localizzazione impianti Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 2 Dicembre 2014 Ricerca Operativa 2 Laurea
DettagliTutorato di Probabilità e Statistica
Università Ca Foscari di Venezia Dipartimento di informatica 20 aprile 2006 Variabili aleatorie... Example Giochiamo alla roulette per tre volte 1 milione sull uscita del numero 29. Qual è la probabilità
DettagliModello Black-Scholes
Modello Black-Scholes R. Marfé Indice 1 Il modello Black Scholes 1.1 Formule di valutazione per le opzioni standard......... 3 1. Implementazione in VBA..................... 6 1 1 Il modello Black Scholes
Dettagli2) 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
DettagliTeoria della probabilità Assiomi e teoremi
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Assiomi e teoremi A.A. 2008-09 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento
DettagliVALORE PIÙ CONVENIENTE DEL RENDIMENTO
VALORE PIÙ CONVENIENTE DEL RENDIENTO In una macchina elettrica ad un rendimento più elevato corrisponde un minor valore delle perdite e quindi un risparmio nelle spese di esercizio (in quanto minori risultano
DettagliLa teoria dell utilità attesa
La teoria dell utilità attesa 1 La teoria dell utilità attesa In un contesto di certezza esiste un legame biunivoco tra azioni e conseguenze: ad ogni azione corrisponde una e una sola conseguenza, e viceversa.
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 1 - Introduzione generale Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliComputazione per l interazione naturale: macchine che apprendono
Computazione per l interazione naturale: macchine che apprendono Corso di Interazione Naturale! Prof. Giuseppe Boccignone! Dipartimento di Informatica Università di Milano! boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html
DettagliBontà dei dati in ingresso
COMPLESSITÀ COMPUTAZIONALE DEGLI ALGORITMI Fondamenti di Informatica a.a.2006/07 Prof. V.L. Plantamura Dott.ssa A. Angelini Il costo puo' dipendere dal valore dei dati in ingresso Un tipico esempio è dato
DettagliProbabilità e Statistica Esercitazioni. a.a. 2006/2007
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliEsercitazioni di statistica
Esercitazioni di statistica Misure di associazione: Indipendenza assoluta e in media Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 22 ottobre 2014 Stefania Spina Esercitazioni
DettagliDESCRIZIONE CREAZIONE APP Si suddivide in 4 fasi di lavoro: 1. PIANIFICAZIONE; 2. PROGETTAZIONE; 3. SVILUPPO; 4. DISTRIBUZIONE.
DESCRIZIONE CREAZIONE APP Si suddivide in 4 fasi di lavoro: 1. PIANIFICAZIONE; 2. PROGETTAZIONE; 3. SVILUPPO; 4. DISTRIBUZIONE. PIANIFICAZIONE La pianificazione è la prima fase. Questa è la più delicata
DettagliCorso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica
Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Nome N. Matricola Ancona, 14 luglio 2015 1. Tre macchine producono gli stessi pezzi
DettagliUniversità di Milano Bicocca. Esercitazione 6 di Matematica per la Finanza. 14 Maggio 2015
Università di Milano Bicocca Esercitazione 6 di Matematica per la Finanza 14 Maggio 2015 Esercizio 1 Un agente presenta una funzione di utilitá u(x) = ln(1 + 6x). Egli dispone di un progetto incerto che
DettagliXVIII Rapporto AlmaLaurea sul Profilo e la Condizione occupazionale dei laureati UNIVERSITA E LAVORO, UN PAESE A DUE VELOCITA
XVIII Rapporto AlmaLaurea sul Profilo e la Condizione occupazionale dei laureati UNIVERSITA E LAVORO, UN PAESE A DUE VELOCITA Napoli, - Il XVIII Rapporto AlmaLaurea sul Profilo e la Condizione occupazionale
Dettagli1 Valore atteso o media
1 Valore atteso o media Definizione 1.1. Sia X una v.a., si chiama valore atteso (o media o speranza matematica) il numero, che indicheremo con E[X] o con µ X, definito come E[X] = i x i f(x i ) se X è
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione
DettagliINTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.
INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati
Dettagli1 Serie di Taylor di una funzione
Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita
DettagliSelezione di un portafoglio di titoli in presenza di rischio. Testo
Selezione di un portafoglio di titoli in presenza di rischio Testo E ormai pratica comune per gli operatori finanziari usare modelli e metodi basati sulla programmazione non lineare come guida nella gestione
DettagliEQUAZIONI DIFFERENZIALI Esercizi svolti. y = xy. y(2) = 1.
EQUAZIONI DIFFERENZIALI Esercizi svolti 1. Determinare la soluzione dell equazione differenziale (x 2 + 1)y + y 2 =. y + x tan y = 2. Risolvere il problema di Cauchy y() = 1 2 π. 3. Risolvere il problema
DettagliPROBABILITÀ - 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 -
DettagliCorso di Automazione Industriale 1. Capitolo 4
Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione
DettagliSVM. Veronica Piccialli. Roma 11 gennaio 2010. Università degli Studi di Roma Tor Vergata 1 / 14
SVM Veronica Piccialli Roma 11 gennaio 2010 Università degli Studi di Roma Tor Vergata 1 / 14 SVM Le Support Vector Machines (SVM) sono una classe di macchine di che derivano da concetti riguardanti la
DettagliViene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita?
Viene lanciata una moneta. Se esce testa vinco 00 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Osserviamo che il valore della vincita dipende dal risultato dell esperimento
DettagliMicroeconomia per la Finanza - Esercitazione 3 Bayesian updating
Microeconomia per la Finanza - Esercitazione 3 Bayesian updating pcrosetto@luiss.it 6 Maggio 2010 1. Che faremo? Dove trovare i materiali: http://docenti.luiss.it/crosetto/ 1 Ripasso di probabilità 2 Regola
DettagliTeoria delle scorte. Ricerca operativa Met. e mod. per le decisioni (Informatica Matematica) Pierluigi Amodio
Teoria delle scorte Ricerca operativa Met. e mod. per le decisioni (Informatica Matematica) Pierluigi Amodio Dipartimento di Matematica Università di Bari Teoria delle scorte p.1/26 definizione del problema
DettagliL indagine statistica
1 L indagine statistica DEFINIZIONE. La statistica è quella disciplina che si occupa della raccolta di dati quantitativi relativi a diversi fenomeni, della loro elaborazione e del loro utilizzo a fini
DettagliInformatica Teorica. Macchine a registri
Informatica Teorica Macchine a registri 1 Macchine a registri RAM (Random Access Machine) astrazione ragionevole di un calcolatore nastro di ingresso nastro di uscita unità centrale in grado di eseguire
DettagliValutazione dell accordo spaziale fra carte di vulnerabilità degli acquiferi
Consiglio Nazionale delle Ricerche IDPA - Milano Valutazione dell accordo spaziale fra carte di vulnerabilità degli acquiferi A. Sorichetta, M. Masetti, Dip. Scienze della Terra, Università di Milano C.
DettagliI Problemi e la loro Soluzione. Il Concetto Intuitivo di Calcolatore. Risoluzione di un Problema. Esempio
Il Concetto Intuitivo di Calcolatore Fondamenti di Informatica A Ingegneria Gestionale Università degli Studi di Brescia Docente: Prof. Alfonso Gerevini I Problemi e la loro Soluzione Problema: classe
DettagliIntroduzione al Pattern Recognition Statistico
Introduzione al Pattern Recognition Statistico Roberto Tagliaferri Dipartimento di Informatica Università di Salerno ( Sa ) 84084 Fisciano e-mail robtag@unisa.it Statistical Pattern Recognition Introduzione
DettagliFrancesca Pierri Dipartimento di Economia Finanza e Statistica Università degli Studi di Perugia
Francesca Pierri Dipartimento di Economia Finanza e Statistica Università degli Studi di Perugia Introduzione La ricerca accademica ha spesso evidenziato l esigenza di costruire indicatori delle performance
DettagliBarriere assorbenti nelle catene di Markov e una loro applicazione al web
Università Roma Tre Facoltà di Scienze M.F.N Corso di Laurea in Matematica a.a. 2001/2002 Barriere assorbenti nelle catene di Markov e una loro applicazione al web Giulio Simeone 1 Sommario Descrizione
DettagliTeoria delle Decisioni. Lezioni 1 e 2 a.a. 2006 2007. J. Mortera, Università Roma Tre mortera@uniroma3.it
Teoria delle Decisioni Lezioni 1 e 2 a.a. 2006 2007 J. Mortera, Università Roma Tre mortera@uniroma3.it Decisioni in Condizioni di Incertezza Sia singoli individui che gruppi di individui (società, governi,
DettagliComputazione per l interazione naturale: Modelli dinamici
Computazione per l interazione naturale: Modelli dinamici Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html
Dettagli1.5. ISTOGRAMMA 17. Figura 1.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =0, σ 2 X =1).
.5. ISTOGRAMMA 7.5 Istogramma A partire dalle considerazioni svolte nel paragrafo precedente, posto x m = min(x,,x N e x M = max(x,,x N, possiamo ottenere una stima della densità di probabilità p (x suddividendo
DettagliMatematica II: Calcolo delle Probabilità e Statistica Matematica
Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # Esercizi Statistica Descrittiva Esercizio I gruppi sanguigni di persone sono B, B, AB, O,
DettagliLe stringhe. Le stringhe
Informatica: C++ Gerboni Roberta Stringhe di caratteri (esempi di utilizzo dei vettori) Nel linguaggio C++ una stringa è semplicemente un vettore di caratteri Vettori di caratteri La stringa "hello" è
DettagliCorso di Laurea Ingegneria Informatica Fondamenti di Informatica
Corso di Laurea Ingegneria Informatica Fondamenti di Informatica Dispensa E01 Esempi di programmi A. Miola Ottobre 2011 1 Contenuti Vediamo in questa lezione alcuni primi semplici esempi di applicazioni
DettagliAnalisi Statistica Spaziale
Analisi Statistica Spaziale Posa D., De Iaco S. posa@economia.unile.it s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA ANNO ACCADEMICO
DettagliCapitolo 5: Ottimizzazione Discreta. E. Amaldi DEI, Politecnico di Milano
Capitolo 5: Ottimizzazione Discreta E. Amaldi DEI, Politecnico di Milano 5.1 Modelli di PLI, formulazioni equivalenti ed ideali Il modello matematico di un problema di Ottimizzazione Discreta è molto spesso
DettagliESERCITAZIONE 5 SOLUZIONE:
ESERCITAZIONE 5 1. Supponiamo che le imposte sul lavoro diminuiscano e, di conseguenza, aumenti il salario orario percepito dai lavoratori da w1 a w2. L'aumento del salario fa aumentare il costoopportunità
DettagliIntroduzione 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
DettagliFunzioni di più variabili
Funzioni di più variabili Introduzione Funzioni reali di più variabili reali Una unzione reale di due variabili è una unzione : D R dove il dominio D è un sottoinsieme di R. ESEMPI: - / ln. Considerazioni
DettagliMetodi statistici in genetica forense terza edizione
GENETISTI FORENSI ITALIANI Metodi statistici in genetica forense terza edizione Carla Bini Federica Alessandrini Thore Egeland Oskar Hansson Bologna, 6-7 Giugno 2016 Bologna, 6-7 Giugno 2016 GENETISTI
DettagliELEMENTI DI CALCOLO DELLE PROBABILITA
Statistica, CLEA p. 1/55 ELEMENTI DI CALCOLO DELLE PROBABILITA Premessa importante: il comportamento della popolazione rispetto una variabile casuale X viene descritto attraverso una funzione parametrica
DettagliCorso di Politica Economica
Corso di Politica Economica Lezione 12: Introduzione alla Teoria dei Giochi (part 3) David Bartolini Università Politecnica delle Marche (Sede di S.Benedetto del Tronto) d.bartolini@univpm.it (email) http://utenti.dea.univpm.it/politica
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
Dettagli1 Modelli di variabili aleatorie continue
Modelli di variabili aleatorie continue. Variabili aleatorie continue uniformi (o rettangolari) Una v.a. X è detta uniforme (o rettangolare) sull intervallo [a, b] se la sua densità è data da se x [a,
DettagliCIRCUITI INTELLIGENTI Parte 5: PCA e ICA
Ing. Simone SCARDAPANE Circuiti e Algoritmi per l Elaborazione dei Segnali Anno Accademico 2012/2013 Indice della Lezione 1. Analisi delle Componenti Principali 2. Auto-Associatori 3. Analisi delle Componenti
DettagliMetodologie Quantitative
Metodologie Quantitative Regressione Logistica II M Q Marco Perugini Milano-Bicocca 1 La regressione logistica La regressione logistica si propone di studiare e quantificare le relazioni tra una o più
DettagliSTRATEGIA DI TRADING. http://www.doveinvestire.com. Semplice, Immediata e senza Rischi. Sito internet
Titolo STRATEGIA DI TRADING Semplice, Immediata e senza Rischi Sito internet http://www.doveinvestire.com ATTENZIONE: Tutti i diritti sono riservati a norma di legge. Nessuna parte di questo libro può
DettagliEsercitazioni di Reti Logiche. Lezione 1 Rappresentazione dell'informazione. Zeynep KIZILTAN zkiziltan@deis.unibo.it
Esercitazioni di Reti Logiche Lezione 1 Rappresentazione dell'informazione Zeynep KIZILTAN zkiziltan@deis.unibo.it Introduzione Zeynep KIZILTAN Si pronuncia Z come la S di Rose altrimenti, si legge come
DettagliAppunti di Sistemi Elettronici
Prof.ssa Maria Rosa Malizia 1 LA PROGRAMMAZIONE La programmazione costituisce una parte fondamentale dell informatica. Infatti solo attraverso di essa si apprende la logica che ci permette di comunicare
DettagliI costi di produzione
I costi di produzione Sommario Profitti economici e contabili I costi di breve periodo Scelta dei fattori produttivi I costi di lungo periodo Curve di costo nel lungo e nel breve periodo a confronto Stima
DettagliMATLAB. Caratteristiche. Dati. Esempio di programma MATLAB. a = [1 2 3; 4 5 6; 7 8 9]; b = [1 2 3] ; c = a*b; c
Caratteristiche MATLAB Linguaggio di programmazione orientato all elaborazione di matrici (MATLAB=MATrix LABoratory) Le variabili sono matrici (una variabile scalare equivale ad una matrice di dimensione
DettagliIntroduzione 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
DettagliEsercitazione n o 3 per il corso di Ricerca Operativa
Esercitazione n o 3 per il corso di Ricerca Operativa Ultimo aggiornamento October 17, 2011 Fornitura acqua Una città deve essere rifornita, ogni giorno, con 500 000 litri di acqua. Si richiede che l acqua
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
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:
DettagliI costi d impresa (R. Frank, Capitolo 10)
I costi d impresa (R. Frank, Capitolo 10) COSTI Per poter realizzare la produzione l impresa sostiene dei costi Si tratta di scegliere la combinazione ottimale dei fattori produttivi per l impresa È bene
DettagliAlgoritmi e Strutture Dati II: Parte B Anno Accademico 2004-2005. Lezione 11
Algoritmi e Strutture Dati II: Parte B Anno Accademico 2004-2005 Docente: Ugo Vaccaro Lezione 11 In questa lezione vedremo alcune applicazioni della tecnica greedy al progetto di algoritmi on-line. Vediamo
DettagliEsponenziali e logaritmi
Esponenziali e logaritmi Corso di accompagnamento in matematica Lezione 4 Sommario 1 La funzione esponenziale Proprietà Grafico 2 La funzione logaritmo Grafico Proprietà 3 Equazioni / disequazioni esponenziali
Dettagli1. la probabilità che siano tutte state uccise con pistole; 2. la probabilità che nessuna sia stata uccisa con pistole;
Esercizi di Statistica della 5 a settimana (Corso di Laurea in Biotecnologie, Università degli Studi di Padova). Esercizio 1. L FBI ha dichiarato in un rapporto che il 44% delle vittime di un omicidio
DettagliOnline Gradient Descent
F94 Metodi statistici per l apprendimento Online Gradient Descent Docente: Nicolò Cesa-Bianchi versione 9 aprile 06 L analisi del Perceptrone ha rivelato come sia possibile ottenere dei maggioranti sul
DettagliLa selezione binaria
Andrea Marin Università Ca Foscari Venezia Laurea in Informatica Corso di Programmazione part-time a.a. 2011/2012 Introduzione L esecuzione di tutte le istruzioni in sequenza può non è sufficiente per
DettagliFISICA Corso di laurea in Informatica e Informatica applicata
FISICA Corso di laurea in Informatica e Informatica applicata I semestre AA 2004-2005 G. Carapella Generalita Programma di massima Testi di riferimento Halliday Resnick Walker CEA Resnick Halliday Krane
DettagliLa distribuzione Gaussiana
Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione
DettagliDomande a scelta multipla 1
Domande a scelta multipla Domande a scelta multipla 1 Rispondete alle domande seguenti, scegliendo tra le alternative proposte. Cercate di consultare i suggerimenti solo in caso di difficoltà. Dopo l elenco
DettagliTesting: basato su analisi dinamica del codice. Metodi Formali: basato su analisi statica del codice.
Convalida: attività volta ad assicurare che il SW sia conforme ai requisiti dell utente. Verifica: attività volta ad assicurare che il SW sia conforme alle specifiche dell analista. Goal: determinare malfunzionamenti/anomalie/errori
DettagliTesti del Syllabus. 1006079 - MACHINE LEARNING FOR PATTERN RECOGNITION (2st MODULE) Corso di studio: Anno regolamento:
Testi del Syllabus Resp. Did. CAGNONI Stefano Matricola: 005079 Anno offerta: 2014/2015 Insegnamento: 1006079 - MACHINE LEARNING FOR PATTERN RECOGNITION (2st MODULE) Corso di studio: Anno regolamento:
DettagliLiceo Scientifico " C. CATTANEO " PIANO DI LAVORO DI INFORMATICA. CLASSE 3 LSA SEZ. B e D
Liceo Scientifico " C. CATTANEO " PIANO DI LAVORO DI INFORMATICA CLASSE 3 LSA SEZ. B e D Sommario PIANO DI LAVORO DI INFORMATICA... 1 INDICAZIONI GENERALI... 2 PREREQUISITI... 2 CONOSCENZE, COMPETENZE
DettagliSteering User Behavior with Badges
Steering User Behavior with Badges Fonte: Steering User Behavior with Badges, A. Anderson, D. Huttenlocher, J. Kleinberg, J. Leskovec, WWW 2013, Rio De Janeiro, Brazil per Sistemi Complessi Laurea Magistrale
DettagliAnalisi della redditività, effetto leva e creazione di valore
Finanza Aziendale Analisi e valutazioni per le decisioni aziendali Analisi della redditività, effetto leva e creazione di valore Capitolo 10 Indice degli argomenti 1. Analisi della redditività 2. Effetto
DettagliINDICAZIONI PER LA RICERCA DEGLI ASINTOTI VERTICALI
2.13 ASINTOTI 44 Un "asintoto", per una funzione y = f( ), è una retta alla quale il grafico della funzione "si avvicina indefinitamente", "si avvicina di tanto quanto noi vogliamo", nel senso precisato
DettagliUn applicazione della programmazione lineare ai problemi di trasporto
Un applicazione della programmazione lineare ai problemi di trasporto Corso di Ricerca Operativa per il Corso di Laurea Magistrale in Ingegneria della Sicurezza: Trasporti e Sistemi Territoriali AA 2012-2013
DettagliAppunti: elementi di Probabilità
Università di Udine, Facoltà di Scienze della Formazione Corso di Laurea in Scienze e Tecnologie Multimediali Corso di Matematica e Statistica (Giorgio T. Bagni) Appunti: elementi di Probabilità. LA PROBABILITÀ..
DettagliVerifica di ipotesi e intervalli di confidenza nella regressione multipla
Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2014 Rossi MRLM Econometria - 2014 1 / 23 Sommario Variabili di controllo
Dettaglidella funzione obiettivo. Questo punto dovrebbe risultare chiaro se consideriamo una generica funzione:
Corso di laurea in Economia e finanza CLEF) Economia pubblica ************************************************************************************ Una nota elementare sulla ottimizzazione in presenza di
DettagliCapitolo 7: Teoria generale della calcolabilitá
Capitolo 7: Teoria generale della calcolabilitá 1 Differenti nozioni di calcolabilitá (che seguono da differenti modelli di calcolo) portano a definire la stessa classe di funzioni. Le tecniche di simulazione
DettagliEsperimento sull ottica
Esperimento sull ottica Gruppo: Valentina Sotgiu, Irene Sini, Giorgia Canetto, Federica Pitzalis, Federica Schirru, Jessica Atzeni, Martina Putzu, Veronica, Orgiu e Deborah Pilleri. Teoria di riferimento:
DettagliLezioni di Economia Politica
Università degli Studi di Roma TRE - Dipartimento di Giurisprudenza Lezioni di Economia Politica Principi fondamentali dell economia e strumenti per lo studio Testi http://www.maggiolieditore.it/9788891605061-economia-politica.html
DettagliProgetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di Localizzazione
Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di Localizzazione Posizionamento di antenne È dato un insieme A di possibili siti in cui installare antenne, a ciascuno
DettagliCERTIFICAZIONE ENERGETICA DEGLI EDIFICI Regione Lombardia
CERTIFICAZIONE ENERGETICA DEGLI EDIFICI Regione Lombardia Introduzione al corso 1 Programma del corso Modulo I: Inquadramento legislativo 2 Programma del corso Modulo II: Bilancio energetico sistema edificio-impianto
DettagliCapitolo 7 TEST DELLE IPOTESI
B. Chiandotto F. Cipollini Versione 3 Cap. 7 Capitolo 7 TEST DELLE IPOTESI In questo capitolo si affronta il problema della verifica d ipotesi statistiche limitando la trattazione alla cosiddetta teoria
Dettagli