Efficient Algorithms for Mining Outliers from Large Data Sets
|
|
- Florindo Di Giovanni
- 5 anni fa
- Visualizzazioni
Transcript
1 Effcent Algorthms for Mnng Outlers from Large Data Sets Artcolo d S. Ramaswamy, R. Rastog, K. Shm Presentazone a cura d Marcoln Serena, Marno Renato 1
2 Indce dell ntervento Defnzon d Outlers Algortm Rsultat e confront 2
3 Da large patterns a small patterns Gl algortm trattat fno ad ora (tra cu Brch, Cure, DBScan) trattano gl outlers, ma tentano d rdurne l nterferenza con l processo d rcerca d large patterns. In molte applcazon real gl outlers (small patterns) contengono le vere nformazon rlevant (es. frod sulle carte d credto, rcerca farmaceutca, applcazon fnanzare). 3
4 Un confronto tra defnzon (1) Un punto p n un data set è un outler rspetto a parametr k e d se non pù d k punt sono a dstanza mnore o uguale a d da p. ( Knorr, Ng, 1998) Vantagg: non rchede a pror la conoscenza della dstrbuzone de dat. Svantagg: Il parametro d vene defnto come nput. Non classfca gl outlers. Problem computazonal degl algortm che lo mplementano. 4
5 Un confronto tra defnzon (2) Dat un data set d N punt e parametr n e k, k un punto p è un outler D se non c sono pù d n-1 punt p t.c. D k (p )> D k n (p) n numero d outlers rcercat k numero d vcn consderat D k (p) dstanza d p dal knn Vantagg: Non rchede d specfcare la dstanza d n nput. Gl outlers vengono classfcat n fuzone della loro D k (p). Funzona con dstanze metrche (L p ) e non metrche. 5
6 Notazon (1) Dstanza tra due punt: eucldea al quadrato Dstanza tra p e R: p,r є spazo δ-dmensonale MINDIST( p, R)= x2 = 1 y r p p r p r r p x Dove x = r p, p < p r ', r ' < 0, altrment r p 6
7 7 Notazon (2) Dstanza tra p e R: p,r є spazo δ-dmensonale Dove = )= 1 2, ( x R p MAXDIST + < = altrment r p r r p p r x, 2 ', ' p r r y x
8 8 Notazon (3) Dstanza tra S e R: S,R є spazo δ-dmensonale = )= 1 2, ( x R S MINDIST < < = altrment s r r s r s s r x 0, ' ', ', ' = )= 1 2, ( x R S MAXDIST = s r r s MAX x ', ' s s r r x y
9 Algortm Nested Loop Algorthm Index Based Algorthm Partton Based Algorthm 9
10 Nested Loop Algorthm Idea d base: per ogn punto p del DS calcola D k (p) e prende prm n punt con l massmo valore d D k (p). Calcolo d D K : Mantenmento de k-nn d p Scansone del data base per ogn punto p Check: per ogn q del data set, se dst(p,q) è mnore della D k corrente, q vene nserto nella lsta de k-nn Se la lsta contene pù d k element s elmna l punto pù lontano da p. 10
11 Index-Base Algorthm (1) Idea d base ved algortmo precedente Problema: complesstà computazonale O(N 2 ) Utlzzo d R * -tree: dmnure l numero d computazon nel calcolo delle dstanze. Prunng optmzaton 1: se la dstanza mnma tra p e MBR d un nodo (MINDIST(p,Node)) è maggore del D k (p) corrente Prunng dell ntero sottoalbero 11
12 Index-Base Algorthm (1) Prunng optmzaton 2: 1. Mantenamo n memora una lsta degl n outler mglor trovat fno ad ora. 2. Ogn outler ha una sua D k. Chamamo mndkdst la dstanza mnma tra queste. 3. Ogn punto p, l cu valore corrente d D k (p) è mnore o uguale a mndkdst, non sarà ma un ouler. Non outler mndkdst 12
13 Index-Base Algorthm (2) Scopo:calcolare k D outler 1,2 Costruzone dell ndce 3 outheap:lsta degl n punt con massmo D k n ordne crescente (outlers) 5,6 Per ogn punto p s calcola D k (p)= p.dkdst usando la procedura 7 Test sul valore d D k (p) 9,10 Se Dk(p) è nserto s aggorna la lsta affnchè contenga n element 11 S pone mndkdst uguale al prmo elemento della lsta outheap n Procedure computeoutlersindex(k,n) begn 1. for each pont p n nput data set do 2. nsertintoindex(tree, p) 3. outheap :=0 4. mndkdst := 0 5. for each pont p n nput data set do { 6. getkthneghbordst(tree.root, p, k, mndkdst) 7. f (p.dkdst> mndkdst){ 8. outheap.nsert(p) 9. f (outheap.numponts()> n)outheap.deletetop() 10. f (outheap.numponts( )= n) 11. mndkdst := outheap.top().dkdst 12. } 13. } 14. return outheap end 13
14 Index-Base Algorthm (3) Scopo: calcolare D k (p) d un punto p esamnando nod del R*-tree 1 nodelst: contene nod dell ndce ordnat secondo MINDIST da p ascendente. 3 nearheap:lsta de k vcn d p esamnat, n ordne decrescente della loro dstanza da p 4 Durante ogn terazone s esamna l prmo nodo della lsta 8,9.S cercano k vcn del punto p controllo del numero d element n nearheap, eventuale elmnazone ed aggornamento d pdkdst 13 Prunng 2 17,18 Se l nodo è nteror node nsermento de nod fgl n nodelst 21Prunng 1 Procedure getkthneghbordst(root, p, k, mndkdst) begn 1. nodelst := { Root } 2. p.dkdst := 3. nearheap := 0 4. whle nodelst s not empty do { 5. delete the frst element, Node, from nodelst 6. f (Node s a leaf) { 7. for each pont q n Node do 8. f (dst(p, q) < p.dkdst) { 9. nearheap.nsert(q) 10. f (nearheap.numponts()> k)nearheap.deletetop() 11. f (nearheap.numponts() = k) 12. p.dkdst :=dst(p, nearheap.top()) 13. f (p.dkdst<=mndkdst) return 14. } 15. } 16. else { 17. append Node s chldren to nodelst 18. sort nodelst by MINDIST 19. } 20. for each Node n nodelst do 21. f (p.dkdst <= MINDIST(p,Node)) 22. delete Node from nodelst 23. } 14 end
15 Partton Based Algorthm Idea d base: Partzonamento del DS e prunng sulle partzon che non contengono outlers. Implcazon: > veloctà nel calcolo degl outlers < overhead nella fase d preprocessng. Macofas del processo: 1. Generazone delle partzon. 2. Calcolo del lmte sup. e nf. d D k (p) per punt n ogn partzone. 3. Selezon delle partzon che possono contenere outlers. 4. Calcolo degl outlers da punt delle sole partzon consderate. 15
16 1-Generazone delle Partzon Usamo la fase d pre-clusterng d Brch (scala lneramente n N) Brch genera un set d clusters d dmensone unforme che stanno n memora. Ogn cluster è una partzone e vene rappresentata come un MBR. N.B. non utlzzamo Brch per scovare outlers, ma solo per generare partzon! 16
17 2-Calcolo del lmte sup. e nf. d D k (p) Per ogn partzone P, calcolamo l lmte superore ed l lmte nferore della D k (p), vald per tutt punt ntern alla partzone. per ogn p є P, P.lower <= D k (p) <= P.upper P.lower e P.upper possono essere defnt determnando le L partzon pù vcne a P per MINDIST e MAXDIST tal che l numero totale de punt d P 1,,P L è almeno k. (S. Ramaswamy, R. Rastog, K. Shm). Qund Consdero le L partzon pù vcne a P tal che l numero totale de punt d P 1,,P L è almeno k. P.lower èla mnma MINDIST ( P,P ) per = 1,,L P.upper èla massma MAXDIST ( P,P ) per = 1,,L 17
18 3-Determnazone delle partzon canddate S dentfcano le partzon che potenzalmente contengono outlers (Candset) e s potano quelle rmanent. S defnsce mndkdst da bound dello step precedente: Sano P 1,,P L le partzon con l massmo valore d P.lower tal che la somma de punt sa almeno n: mndkdst = mn { P.lower } per 1<= <= L Data una partzone P, questa è una partzone canddata se P.upper >= mndkdst. 18
19 4-Rcerca degl outlers Per ogn partzone P chamamo P.neghbors l nseme delle partzon pù vcne: { P } : MINDIST( P,P ) < = P.upper Procedamo con la rcerca degl outlers attraverso l calcolo della D k (p) per ogn punto p (Index Based Algorthm). se l punto p є P, allora sol altr punt da consderare per l calcolo d D k (p) sono solo quell appartenent a P.neghbor. P. neghbor << DataSet 19
20 Partton Based Algorthm (1) Scopo: selezonare le partzon che contengono outlers 3 partheap:lsta delle partzon con l valore P.lower maggore contenent almeno n punt, memorzzate n ordne crescente d P.Lower 8-13 se per una partzone P, Plower è pù grande del valore corrente d mndkdst,la partzone vene nserta n partheap e vene aggornato l valore d mndkdst 13 mndkdst è posto uguale al prmo valore della lsta partheap per ogn partzone canddata P s va a costrure Pneghbors composte dalle partzon Q che potenzalmente possono contenere l Kth NN per un punto P. 23 la procedura resttusce l nseme delle partzon canddate da esamnare nell ultmo step dell algortmo Procedure computecanddateparttons(pset, k, n) begn 1. for each partton P n PSet do 2. nsertintoindex(tree, P) 3. partheap := 0 4. mndkdst := 0 5. for each partton P n PSet do { 6. computelowerupper(tree.root, P, k, mndkdst) 7. f (P.lower > mndkdst) { 8. partheap.nsert(p) 9. whle partheap.numponts() _ 10. partheap.top().numponts()>=n do 11. partheap.deletetop() 12. f (partheap.numponts() >=n) 13. mndkdst := partheap.top().lower 14. } 15. } 16. candset := for each partton P n PSet do 18. f (P.upper>= mndkdst) { 19. candset := candset U {P} 20. P.neghbors := 21. {Q: Q Є PSet and MINDIST(P,Q)<= P.upper } 22 } 23. return candset end 20
21 Partton Based Algorthm (2) Scopo: calcolare P.lower e P.Upper della partzone P 3 lowerheap: lsta delle partzon vcne ordnate per MINDIST da P decrescente 3 upperheap: lsta delle partzone vcne ordnate per MAXDIST da p decrescente 6-15 controllo MINDIST(Q,P), eventale nsermento n lowerheap ed aggornamento della lsta controllo MAXDIST(P,Q), eventale nsermento n upperhead ed aggornamento della lsta. 23 controllo con MnDkDs ed eventuale prunng 28,29 Se l nodo è nteror node nsermento de nod fgl n nodelst controllo dstanza del nodo dalla partzone consderata Procedure computelowerupper(root, P, k, mndkdst) Begn 1. nodelst := { Root } 2. P.lower := P.upper := 3. lowerheap := upperheap := 0 4. whle nodelst s not empty do { 5. delete the frst element, Node, from nodelst 6. f (Node s a leaf) { 7. for each partton Q n Node { 8. f (MINDIST(P,Q)<P.lower) { 9. lowerheap.nsert(q) 10. whle lowerheap.numponts() lowerheap.top().numponts()>=k do 12. lowerheap.deletetop() 13. f (lowerheap.numponts() >= k) 14. P.lower := MINDIST(P, lowerheap.top()) 15. } 16. f (MAXDIST(P,Q)< P.upper) { 17. upperheap.nsert(q) 18. whle upperheap.numponts() upperheap.top().numponts() >= k do 20. upperheap.deletetop() 21. f (upperheap.numponts() >= k) 22. P.upper := MAXDIST(P, upperheap.top()) 23. f (P.upper <= mndkdst) return 24. } 25. } 26. } 27. else { 28. append Node s chldren to nodelst 29. sort nodelst by MINDIST 30. } 31. for each Node n nodelst do 32. f (P.upper <= MAXDIST(P,Node) and 33. P.lower <= MINDIST(P,Node)) 34. delete Node from nodelst 35. } end 21
22 Caso applcatvo Data base NBA, dat stagone gocator consderat Normalzzazone de valor delle colonne Specfche d rcerca: k=10 neghbors n=5 outlers 22
23 Applcazone PBA Gl outlers sono que gocator che presentano un valore maggore d D k I gocator che tendono a domnare n una o due colone e sono partcolarmente scars n altre, rsultano gl outlers pù fort. Non compaono, nvece, nella lsta gocator ben blancat n tutte le statstche. Gl otulers tendono ad essere pù nteressant se vengono consderate poche dmenson 23
24 Confronto fra gl algortm S consdera un data set costruto artfcalmente: Data set bdmensonale 100 cluster (sferc d raggo 4) organzzat n una grgla 10 X 10 Parametr d confronto 1. Numero d punt nel Data Set 2. Numero d outler 3. KthNN 4. Numero d dmenson 24
25 Confronto fra gl algortm (2) Numero d punt nel Data Set - Block nested-lopp: worst performer, O(N 2 ) - Index- based: mglore d block nested-loop ma 2-6 volte pù lento d PBA - PBA: best performer - 75% partzon completamente elmnate -Le operazon d prunng sono meno effcac se N cresce ma non cresce l numero d partzon Numero d outler - Crescta graduale del tempo d esecuzone per tutt gl algortm 25
26 Confronto fra gl algortm (3) KthNN PBA non degrada al crescere d k Se k cresce l numero d partzon canddate decresce sgnfcatvamente,n quanto k mpone un valore d mndkdst maggore e qund pù prunng, ma s tende ad avere molt vcn e qund gl effett s compensano. Al crescere d k la performance dell algortmo peggora, n quanto se ogn partzone contene poch punt l costo computazonale per l calcolo de bounds s alza. In questo caso l algortmo tende a convergere con ndex-base Numero d dmenson PBA cresce sub-lneramente al crescere del numero d dmenson Index based cresce molto rapdamente a causa dell alto dervante dall uso d R*-tree. 26
27 Concluson del confronto Partton based algortm scala bene sa n relazone alla grandezza del Data Set (num. d punt), che n funzone della dmensonaltà dello stesso. Partton based è pù veloce d almeno un ordne d grandezza rspetto agl altr algortm consderat. 27
Algoritmi basati sulla tecnica Divide et Impera
Qucksort Algortm basat sulla tecnca Dvde et Impera In questo corso: Rcerca bnara Mergesort (ordnamento) Qucksort (ordnamento) Moltplcazone d nter Moltplcazone d matrc (non n programma) NOTA: nonostante
DettagliEsercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media
Alcun esercz su algortm e programmazone Fondament d Informatca A Ingegnera Gestonale Unverstà degl Stud d Bresca Docente: Prof. Alfonso Gerevn Scrvere l algortmo e l dagramma d flusso per l seguente problema:
DettagliCode a priorità (Heap) Definizione Heapify (mantenimento coda a priorità) Costruire un Heap Insert, Maximum e Extract-Max
Code a prortà (Heap) Defnzone Heapfy (mantenmento coda a prortà) Costrure un Heap Insert, Maxmum e Extract-Max Coda a prortà (Heap) Una coda a prortà può essere rappresentato da un albero bnaro completo.
DettagliEsercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media
Alcun esercz su algortm e programmazone Fondament d Informatca A Ingegnera Gestonale Unverstà degl Stud d Bresca Docente: Prof. Alfonso Gerevn Scrvere l algortmo e l dagramma d flusso per l seguente problema:
DettagliAlgoritmo di Carlier- Pinson per problemi di Job Shop Scheduling: un esempio
Formulazone e Notazon Algortmo d Carler- Pnson er roblem d Job Sho Schedulng: un esemo Notazon o C M ( o r, q -esma oerazone del ob Temo d rocessamento d o Macchna che deve rocessare o Clque (nseme d oerazon
DettagliANALISI STATISTICA DELLE INCERTEZZE CASUALI
AALISI STATISTICA DELLE ICERTEZZE CASUALI Consderamo l caso della msura d una grandezza fsca che sa affetta da error casual. Per ottenere maggor nformazone sul valore vero della grandezza rpetamo pù volte
DettagliModello del Gruppo d Acquisto
InVMall - Intellgent Vrtual Mall Modello del Gruppo d Acqusto Survey L attvtà svolta per la realzzazone dell attvtà B7 Defnzone del Gruppo d Acqusto e de Relatv Algortm d Inferenza, prevsta dal captolato
DettagliLe operazioni che vogliamo realizzare sono. Supporremo che una tabella T abbia i seguenti attributi: 1. Table(T): costruisce una tabella vuota T.
tabelle dnamche Tabelle dnamche Spesso non s conosce a pror quanta memora serve per memorzzare una struttura dat (tabella d dat ~ array, tabella hash, heap, stack, ecc.. Può captare qund d allocare una
DettagliApprendimento Automatico: Apprendimento Non Supervisionato
Apprendmento Automatco: Apprendmento Non Supervsonato 1 Supervsone nell Apprendmento (aranco, rotondo, classe= ) (gallo, lungo, classe= ) (gallo, rotondo, classe= ) colore forma (gallo, lungo, classe=
DettagliIl campionamento casuale semplice
Il camponamento casuale semplce Metod d estrazone del campone. robabltà d nclusone. π = n N π j = n N n 1 N 1 Stmatore corretto del totale e della meda. Ŷ = Nȳ e ˆȲ = ȳ Varanza degl stmator corrett. V
Dettaglix 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n
Corso d Statstca docente: Domenco Vstocco La msura della varabltà per varabl qualtatve ordnal Lo studo della varabltà per varabl qualtatve ordnal può essere condotto servendos degl ndc d omogenetà/eterogenetà
DettagliAlgoritmi di Ordinamento. Fondamenti di Informatica Prof. Ing. Salvatore Cavalieri
Algortm d Ordnamento Fondament d Informatca Prof. Ing. Salvatore Cavaler 1 Introduzone Ordnare una sequenza d nformazon sgnfca effettuare una permutazone n modo da rspettare una relazone d ordne tra gl
DettagliIl problema dell'ordinamento. Algoritmi e Laboratorio a.a Lezioni. prof. Elio Giovannetti
Unverstà d Torno Facoltà d Scenze MFN Corso d Stud n Informatca Currculum SR (Sstem e Ret) Algortm e Laboratoro a.a. 25-6 Lezon prof. Elo Govannett Parte 7 Algortm d ordnamento elementar (quadratc). versone
DettagliClassificazione di immagini con GRASS
Classfcazone d mmagn con GRASS Classfcazone d mmagn Scopo della classfcazone: rcavare da una mmagne nformazon sulla superfce. Foto nterpretazone sfrutta le conoscenze a pror dell operatore. Classfcazone
DettagliModelli descrittivi, statistica e simulazione
Modell descrttv, statstca e smulazone Master per Smart Logstcs specalst Roberto Cordone (roberto.cordone@unm.t) Statstca descrttva Cernusco S.N., govedì 28 gennao 2016 (9.00/13.00) 1 / 15 Indc d poszone
DettagliSorgenti Numeriche - Soluzioni
Sorgent umerche - Soluzon *) L anals delle frequenze con cu compaono le vare lettere n un documento n talano, comprendente 5975 caratter, ha fornto seguent dat: Lettera umero Frequenza relatva A 666. B
DettagliMinistero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA
Mnstero della Salute D.G. della programmazone santara --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA La valutazone del coeffcente d varabltà dell mpatto economco consente d ndvduare gl ACC e DRG
DettagliAlgoritmi euristici: III Ricerca Locale
Algortm eurstc: III Rcerca Locale Danele Vgo D.E.I.S. - Unverstà d Bologna dvgo@des.unbo.t rev. 1.0 - dcembre 2003 Algortm d Rcerca Locale partono da una soluzone (ammssble) cercano teratvamente d mglorarla
DettagliIl logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico.
Il logartmo dscreto n Z p Il gruppo moltplcatvo Z p delle class resto modulo un prmo p è un gruppo cclco. Defnzone (Logartmo dscreto). Sa p un numero prmo e sa ā una radce prmtva n Z p. Sa ȳ Z p. Il logartmo
DettagliClassificazione di immagini con GRASS
Classfcazone d mmagn con GRASS Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento Classfcazone d mmagn Scopo della classfcazone: rcavare da una mmagne nformazon sulla superfce. Foto
DettagliStatistica Descrittiva II
Organzzazone de dat Statstca Descrttva II Indc d poszone Indc d varabltà Indc d asmmetra Indc d normaltà Outler Box-plot Sere statstche monovarate Carattere: Cellular possedut Popolazone: 7 student d Botecnologe
DettagliErrata corrige del libro Fondamenti di Informatica in Java
corrge del lbro Fondament d Informatca n Java Emlo D Gacomo, Walter Ddmo Captolo 1 R1 R2 R3 Rn PC IR PSW Untà d controllo Pag. 23, Fgura 1.2 Bus nterno ALU MAR MDR al bus dat al bus ndrzz al bus d controllo
DettagliAllora v = v2 =
Problema: a partre da due sequenze ordnate v1 e v2 d element voglamo costrurne una ordnata v con tutt gl element d v1 e v2 Algortmo rcorsvo: Se le due sequenze contengono element confronta prm due element
Dettagli* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *
* PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che
DettagliIl procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria.
SCELTA OTTIMALE DEL PROCEDIMENTO PER PESARE Il procedmento può essere pensato come una rcerca n un nseme ordnato, l peso ncognto può essere cercato con l metodo della rcerca bnara. PESI CAMPIONE IN BASE
DettagliLaboratorio di Matematica e Informatica 1
Laboratoro d Matematca e Informatca 1 Matteo Mondn Antono E. Porreca matteo.mondn@gmal.com porreca@dsco.unmb.t Dpartmento d Informatca, Sstemstca e Comuncazone Unverstà degl Stud d Mlano - Bcocca 10 Gennao
DettagliSistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese
Sstem Intellgent Relazone tra ottmzzazone e statstca - IV Alberto Borghese Unverstà degl Stud d Mlano Laboratory of Appled Intellgent Systems (AIS-Lab) Dpartmento d Informatca borghese@dunmt Anals dell
DettagliSupport Vector Machines. Macchine a vettori di supporto
Support Vector Machnes Macchne a vettor d supporto Separator Lnear Percettrone La classfcazone bnara può essere vsta come un problema d separazone d class nello spazo delle feature m b b b > 0 b 0 b
DettagliAppunti di Teoria dell Informazione
Corso d Telecomuncazon (Classe Qunta della specalzzazone Elettronca e Telecomuncazon) Pagna - - . La teora dell nformazone La teora dell nformazone descrve l funzonamento de sstem d comuncazone sa analogc
DettagliSOLUZIONE ESERCIZI: STRUTTURA DI MERCATO. ECONOMIA INDUSTRIALE Università degli Studi di Milano-Bicocca. Christian Garavaglia
SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO ECONOMIA INDUSTRIALE Unverstà degl Stud d Mlano-Bcocca Chrstan Garavagla Soluzone 7 a) L ndce d concentrazone C (o CR k ) è la somma delle uote d mercato (o share)
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne
Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che
DettagliAnalisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:
Anals ammortzzata Anals ammortzzata S consdera l tempo rchesto per esegure, nel caso pessmo, una ntera sequenza d operazon. Se le operazon costose sono relatvamente meno frequent allora l costo rchesto
DettagliScrivere programmi corretti
Scrvere programm corrett L esempo della rcerca bnara o dcotomca J. Bentley, Programmng Pearls, Addson Welsey. 1 Schema processo produzone funzone teratva Algortmo n pseudo-codce Indvduazone nvarante Codfca
Dettagli4. ALGORITMI GREEDY. cambia-monete scheduling a minimo il ritardo. Il problema del cambia-monete. Proprietà di una soluzione ottima
Il problema del camba-monete. ALGORITMI GREEDY camba-monete schedulng a mnmo l rtardo Scopo. Dat tagl dsponbl: c, c, 5c, 0c, 0c, 50c,, progettare un algortmo che data una certa somma la camb usando l mnmo
DettagliPROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata
DettagliSommatori: Full Adder. Adder. Architetture aritmetiche. Ripple Carry. Sommatori: Ripple Carry [2] Ripple Carry. Ripple Carry
CEFRIEL Consorzo per la Formazone e la Rcerca n Ingegnera dell Informazone Poltecnco d Mlano s Sommator: x y c x y c x y c x y c x y c Archtetture artmetche s x y Sommator:, Rpple Carry Sommator: Carry
DettagliUniversità di Cassino Corso di Statistica 1 Esercitazione del 28/01/2008 Dott. Alfonso Piscitelli. Esercizio 1
Unverstà d Cassno Corso d Statstca Eserctazone del 28/0/2008 Dott. Alfonso Psctell Eserczo Il seguente data set rporta la rlevazone d alcun caratter su un collettvo d 20 soggett. Soggetto Età Resdenza
DettagliSegmentazione di immagini
Segmentazone d mmagn Introduzone Segmentazone: processo d partzonamento d un mmagne n regon dsgunte e omogenee. Esempo d segmentazone. Tratta da [] Introduzone (def. formale ( Sa R l ntera regone spazale
DettagliDefinizione di campione
Defnzone d campone S consder una popolazone fnta U = {1, 2,..., N}. Defnamo campone ordnato d dmensone n qualsas sequenza d n etchette della popolazone anche rpetute. s = ( 1, 2,..., n ), dove j è l etchetta
DettagliUniversità di Cassino. Esercitazione di Statistica 1 del 4 dicembre Dott.ssa Simona Balzano
Unverstà d Cassno Eserctazone d Statstca del 4 dcembre 6 Dott.ssa Smona Balzano Eserczo Sa la varable casuale che descrve l rsultato del lanco d dad, sulle cu facce v sono numer: 5, 5, 7, 7, 9, 9. a) Defnre
DettagliStatistica descrittiva
Statstca descrttva. Indc d poszone. Per ndc d poszone d un nseme d dat, ordnat secondo la loro randezza, s ntendono alcun valor che cadono all nterno dell nseme. Gl ndc pù usat sono: I. eda. II. edana.
DettagliPrecisione e Cifre Significative
Precsone e Cfre Sgnfcatve Un numero (una msura) è una nformazone! E necessaro conoscere la precsone e l accuratezza dell nformazone. La precsone d una msura è contenuta nel numero d cfre sgnfcatve fornte
Dettagli3) Entropie condizionate, entropie congiunte ed informazione mutua
Argoment della Lezone ) Coppe d varabl aleatore 2) Canale dscreto senza memora 3) Entrope condzonate, entrope congunte ed nformazone mutua 4) Esemp d canal Coppe d varabl aleatore Fno ad ora è stata consderata
DettagliMisure dirette utilizzate per il calcolo della misura indiretta X:
Propagazone degl error Msure drette utlzzate per l calcolo della msura ndretta X: ( ) a a a = ± Δ b = ( b ± Δ b) Il calcolo dell errore assoluto X ( espresso nella stessa untà d msura della grandezza X
DettagliESERCITAZIONE 2 DIAGRAMMI A BARRE, COSTRUZIONE DI ISTOGRAMMA. Notazione: x i = i-esima modalità della variabile X
ESERCITAZIONE 2 DIAGRAMMI A BARRE, COSTRUZIONE DI ISTOGRAMMA Notazone: x = -esma modaltà della varable X Nel caso d dstrbuzon n class: x = Lmte superore della classe -esma x -1 = Lmte nferore della classe
DettagliRICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2
RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A La rappresentazone n Complemento a Due d un numero ntero relatvo (.-3,-,-1,0,+1,+,.) una volta stablta la precsone che s vuole ottenere (coè l numero d
DettagliUniversità di Verona Prof. S. De Marchi Verona, 30 gennaio 2007
LABORATORIO DI CALCOLO NUMERICO Autovalor d matrc: II Unverstà d Verona Prof. S. De March Verona, 30 gennao 2007 Data una matrce quadrata A n n, a coeffcent real, cu autovalor possono essere ordnat come
DettagliAmplificatori operazionali
Amplfcator operazonal Parte 3 www.de.ng.unbo.t/pers/mastr/ddattca.htm (versone del 9-5-) Confgurazone nvertente generalzzata Se nella confgurazone nvertente s sosttuscono le resstenze R e R con due mpedenze
DettagliCampo elettrico. F E q. Qq k r. r q r
Campo elettrco In passato s potzzava che le nterazon (lumnose, elettrche) potessero vaggare a veloctà nfnta, per cu due carche poste ad una certa dstanza avrebbero dovuto stantaneamente rsentre d una forza
DettagliS O L U Z I O N I. 1. Effettua uno studio qualitativo della funzione. con particolare riferimento ai seguenti aspetti:
S O L U Z I O N I 1 Effettua uno studo qualtatvo della funzone con partcolare rfermento a seguent aspett: f ( ) ln( ) a) trova l domno della funzone b) ndca qual sono gl ntervall n cu f() rsulta postva
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Matematica aa lezione febbraio 2009
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Matematca aa 2008-2009 lezone 17 13 febbrao 2009 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/19? 2/19? Fgura 1: ( 5y
DettagliGestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Un algortmo per l flusso su ret a costo mnmo: l smplesso su ret Convergenza
DettagliCapitolo 3. Cap. 3-1
Statstca Captolo 3 Descrzone Numerca de Dat Cap. 3-1 Obettv del Captolo Dopo aver completato l captolo, sarete n grado d: Calcolare ed nterpretare la meda, la medana e la moda d un set tdd dat Trovare
DettagliClaudio Biancalana
Semnar d sstem nformatc Text Categorzaton metodologa d apprendmento medante approcc statstc e ret neuronal artfcal Claudo Bancalana 1 Contatt Claudo Bancalana c.bancalana@opennformatca.org 2 Informaton
DettagliUniversità di Cassino Corso di Statistica 1 Esercitazione del 17/10/2006 Dott. Alfonso Piscitelli. Esercizio 1
Unverstà d Cassno Corso d Statstca Eserctazone del 7/0/006 Dott. Alfonso Psctell Eserczo Il seguente data set rporta la rlevazone d alcun caratter su un collettvo d 0 soggett. Soggetto Sesso Età Reddto
DettagliIntroduzione a MATLAB
Unverstà degl Stud d Napol Federco II CdL Ing. lettrca Corso d Laboratoro d Crcut lettrc Introduzone a MATLAB Lezone n.5 Dr. Carlo Petrarca Dpartmento d Ingegnera lettrca e Tecnologe dell Informazone Unverstà
DettagliLezione n 18. Lezioni di Ricerca Operativa. Corso di Laurea in Informatica Università di Salerno. Prof. Cerulli Dott.ssa Gentili Dott.
Lezon d Rcerca Operatva Corso d Laurea n Informatca Unverstà d Salerno Lezone n 18 - Teora de graf: defnzon d base - Problema del flusso a costo mnmo Prof. Cerull Dott.ssa Gentl Dott. Carrabs Teora de
DettagliPredimensionamento reti chiuse
Predmensonamento ret chuse Rspetto ad una rete aperta, ogn magla aggunge un grado d lbertà (una nfntà d soluzon) nella determnazone delle portate Q,Q 1, e Q 2, utlzzando le sole equazon d contnutà. a dfferenza
DettagliScienze Geologiche. Corso di Probabilità e Statistica. Prove di esame con soluzioni
Scenze Geologche Corso d Probabltà e Statstca Prove d esame con soluzon 004-005 1 Corso d laurea n Scenze Geologche - Probabltà e Statstca Appello del 1 gugno 005 - Soluzon 1. (Punt 3) In una certa zona,
DettagliCARATTERISTICHE DEI SEGNALI RANDOM
CARATTERISTICHE DEI SEGNALI RANDOM I segnal random o stocastc rvestono una notevole mportanza poché sono present, pù che segnal determnstc, nella maggor parte de process fsc real. Esempo d segnale random:
DettagliFunzione di matrice. c i λ i. i=0. i=0. m 1. γ i A i. i=0. Moltiplicando entrambi i membri di questa equazione per A si ottiene. α i 1 A i α m 1 A m
Captolo INTRODUZIONE Funzone d matrce Sa f(λ) una generca funzone del parametro λ svluppable n sere d potenze f(λ) Sa A una matrce quadrata d ordne n La funzone d matrce f(a) èdefnta nel modo seguente
Dettagli* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1
APAT Agenza per la Protezone dell Ambente e per Servz Tecnc Dpartmento Dfesa del Suolo / Servzo Geologco D Itala Servzo Tecnologe del sto e St Contamnat * * * Nota nerente l calcolo della concentrazone
DettagliFlusso a costo minimo
Flusso a costo mnmo Consderamo un grafo G=(N, A), con capactà u sugl arch. Il problema: mn s.t. c (, j) A x (, j) δ x + x ( ) u ( j, ) δ x j ( ) = b( ) N (, j) A s dce problema d flusso a costo mnmo. Assumamo
DettagliAlgebra 2. 6 4. Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.
Testo Fac-smle 2 Durata prova: 2 ore 8 1. Un gruppo G s dce semplce se suo unc sottogrupp normal sono 1 e G stesso. Sa G un gruppo d ordne pq con p e q numer prm tal che p < q. (a) Il gruppo G può essere
DettagliIndividuazione di linee e curve. Minimi quadrati. Visione e Percezione. Model fitting: algoritmi per trovare le linee. a = vettore dei parametri
Segmentazone tramte modell ad hoc Indvduazone d lnee e curve Obbettvo: Data l mmagne d output d un algortmo d rlevamento d bord, trova tutte le stanze d una certa curva (lnea o ellss) o una sua parte.
DettagliValutazione dei Benefici interni
Corso d Trasport Terrtoro prof. ng. Agostno Nuzzolo Valutazone de Benefc ntern Valutazone degl ntervent Indvduazone degl effett rlevant La defnzone degl effett rlevant per un ntervento sul sstema d trasporto
DettagliUniversità di Verona Prof. S. De Marchi Verona, 6 febbraio 2006
LABORATORIO DI CALCOLO NUMERICO : Gruppo A Autovalor d matrc: II Unverstà d Verona Prof. S. De March Verona, 6 febbrao 2006 Data una matrce quadrata A n n, a coeffcent real, cu autovalor possono essere
DettagliPropagazione degli errori
Propagazone degl error Msure drette: la grandezza sca vene msurata drettamente (ad es. Spessore d una lastrna). Per questo tpo d msure, la teora dell errore svluppata nelle lezone precedent é sucente per
DettagliIntroduzione al Machine Learning
Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone
Dettagli1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x
TEORIA 1) Le mede e le varanze calcolate su n osservazon relatve alle varabl quanttatve X ed Y sono tal che 1 e. Consderando le corrspondent varabl standardzzate delle seguent affermazon rsulta vera 1
DettagliLezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo
UNIVERSITA DEGLI STUDI DI BASILICATA FACOLTA DI ECONOMIA Corso d laurea n Economa Azendale Lezon d Statstca (25 marzo 2013) Docente: Massmo Crstallo QUARTILI Dvdono la dstrbuzone n quattro part d uguale
DettagliLezione n. 10. Legge di Raoult Legge di Henry Soluzioni ideali Deviazioni dall idealit. idealità Convenzioni per le soluzioni reali
Chmca Fsca - Chmca e Tecnologa Farmaceutche Lezone n. 10 Legge d Raoult Legge d Henry Soluzon deal Devazon dall dealt dealtà Convenzon per le soluzon real Relazon tra coeffcent d attvtà 02/03/2008 Antonno
DettagliStatistica e calcolo delle Probabilità. Allievi INF
Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:
DettagliCMPE, Economia Industriale. Lezione 11. Costi di entrata, struttura di mercato e benessere
LIUC AA 2008-2009 CMPE, Economa Industrale Anals della Concorrenza e Anttrust Lezone 11 Cost d entrata, struttura d mercato e benessere 1 Sommaro della lezone: 1 Concentrazone, cost d entrata e dmensone
DettagliRappresentazione dei numeri PH. 3.1, 3.2, 3.3
Rappresentazone de numer PH. 3.1, 3.2, 3.3 1 Tp d numer Numer nter, senza segno calcolo degl ndrzz numer che possono essere solo non negatv Numer con segno postv negatv Numer n vrgola moble calcol numerc
Dettaglidi una delle versioni del compito di Geometria analitica e algebra lineare del 12 luglio 2013 distanza tra r ed r'. (punti 2 + 3)
Esempo d soluzone d una delle verson del compto d Geometra analtca e algebra lneare del luglo 3 Stablre se la retta r, d equazon parametrche x =, y = + t, z = t (nel parametro reale t), è + y + z = sghemba
DettagliControllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Controllo e schedulng delle operazon Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Organzzazone della produzone PRODOTTO che cosa ch ORGANIZZAZIONE PROCESSO come FLUSSO DI PRODUZIONE
DettagliRappresentazione dei numeri
Rappresentazone de numer PH. 3.1, 3.2, 3.3 1 Tp d numer Numer nter, senza segno calcolo degl ndrzz numer che possono essere solo non negatv Numer con segno postv negatv Numer n vrgola moble calcol numerc
DettagliEttore Limoli. Lezioni di Matematica Prof. Ettore Limoli. Sommario. Calcoli di regressione
Sto Personale d Ettore Lmol Lezon d Matematca Prof. Ettore Lmol Sommaro Calcol d regressone... 1 Retta d regressone con Ecel... Uso della funzone d calcolo della tendenza... 4 Uso della funzone d regressone
DettagliLezione n La concentrazione
1 La concentrazone Corso d Laurea: Economa Azendale Nello studo de fenomen economc e socal descrtt attraverso caratter quanttatv d tpo trasferble può essere nteressante analzzare la cosddetta concentrazone
DettagliPropagazione delle incertezze
Propagazone delle ncertezze In questa Sezone vene trattato l problema della propagazone delle ncertezze quando s msurano pù grandezze dfferent,,,z soggette a error d tpo casuale e po s utlzzano tal grandezze
DettagliStatistica di Bose-Einstein
Statstca d Bose-Ensten Esstono sstem compost d partcelle dentche e ndstngubl che non sono soggette al prncpo d esclusone. In quest sstem non esste un lmte al numero d partcelle che possono essere osptate
DettagliStatistica Descrittiva
Statstca Descrttva Corso d Davd Vettur Dat osservat Sano note le seguent msure dello spessore d una lastra d materale polmerco espresse n mllmetr 3.71 3.83 3.85 3.96 3.84 3.8 3.94 3.55 3.76 3.63 3.88 3.86
DettagliCorso di. Dott.ssa Donatella Cocca
Corso d Statstca medca e applcata 3 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone I concett prncpal che sono stat presentat sono: Mede forme o analtche (Meda artmetca semplce, Meda artmetca
DettagliFRAME 1.1. Definizione Diciamo variabile aleatoria una funzione definita sullo spazio campionario di un esperimento a valori reali.
FRAME 0.1. Contents 1. Varabl aleatore 1 1.1. Introduzone 1 1.2. Varabl aleatore dscrete 2 1.3. Valore atteso (Meda) e Varanza 3 1.4. Varabl aleatore bnomal e d Posson 4 1.1. Introduzone. 1. Varabl aleatore
DettagliB - ESERCIZI: IP e TCP:
Unverstà d Bergamo Dpartmento d Ingegnera dell Informazone e Metod Matematc B - ESERCIZI: IP e TCP: F. Martgnon Archtetture e Protocoll per Internet Eserczo b. S consder l collegamento n fgura A C =8 kbt/s
DettagliLE FREQUENZE CUMULATE
LE FREQUENZE CUMULATE Dott.ssa P. Vcard Introducamo questo argomento con l seguente Esempo: consderamo la seguente dstrbuzone d un campone d 70 sttut d credto numero flal present nel terrtoro del comune
DettagliDipartimento di Scienze Statistiche Università di Bologna. Matematica finanziaria aa lezione 12: 6 marzo 2014
Dpartmento d Scenze Statstche Unverstà d Bologna Matematca fnanzara aa 2013-2014 lezone 12: 6 marzo 2014 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/19? Eserczo 3 000 vanno rmborsat n tre ann
DettagliExact Indexing of Dynamic Time Warping
Exact Indexng of Dynamc Tme Warpng Eamonn Keogh Computer Scence & Engneerng Department Unversty of Calforna - Rversde Rversde,CA 92521 eamonn@cs.ucr.edu Argoment trattat A cosa serve l confronto delle
DettagliREALTÀ E MODELLI SCHEDA DI LAVORO
REALTÀ E MODELLI SCHEDA DI LAVORO 1 Le tabelle d crescta Nella tabella sono rportat dat relatv alle altezze mede delle bambne dalla nascta fno a un anno d età. Stablsc se esste una relazone lneare tra
Dettagli1 Le equazioni per le variabili macroscopiche: i momenti dell equazione di Boltzmann
FISICA DEI FLUIDI Lezone 5-5 Maggo 202 Le equazon per le varabl macroscopche: moment dell equazone d Boltzmann Teorema H a parte, non è facle estrarre altre consderazon general sulla funzone denstà d probabltà
DettagliStrumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 10: 6-7 Maggio Meccanismi con Pagamenti: Applicazioni e Limiti
trument della Teora de Goch per l Informatca A.A. 2009/0 Lecture 0: 6-7 Maggo 200 Meccansm con Pagament: Applcazon e Lmt ocente Paolo Penna Note redatte da: Paolo Penna Lezone precedente Funzon d scelta
Dettagli{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo
Element d teora de goch Govann D Bartolomeo Unverstà degl Stud d Teramo 1. Descrzone d un goco Un generco goco, Γ, che s svolge n un unco perodo, può essere descrtto da una Γ= NSP,,. Ess sono: trpla d
DettagliDipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 3: 27 febbraio 2013
Dpartmento d Statstca Unverstà d Bologna Matematca fnanzara aa 2012-2013 lezone 3: 27 febbrao 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/26? S può dmostrare che 1. se 0 < t < 1 allora
DettagliMetodi ad un passo espliciti con passo adattivo Metodi Runge - Kutta
Metod ad un passo esplct con passo adattvo Metod Runge - Kutta Scrvere un programma che approssm l problema d Cauchy: u (t) = f(t, u), t 0 t T, u R d, u(t 0 ) = v per un sstema d equazon dfferenzal ordnare
DettagliGestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Struttura delle ret logstche Sstem produttv multstado Struttura logstca
DettagliDipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 3:
Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2011-2012 lezone 3: 21022012 professor Danele Rtell www.unbo.t/docdent/danele.rtell 1/31? Captalzzazone msta S usa l regme composto per l
DettagliIntroduzione alla Programmazione e Applicazioni per la Finanza M2 (Prodotti Derivati) Lezione 12
Introduzone alla Programmazone e Applcazon per la Fnanza M2 (Prodott Dervat) Lezone 12 Anno accademco 2006-07 Ttolare corso: Prof. Costanza Torrcell Docente: Dott.ssa Maranna Brunett In partcolare mplementeremo:
Dettagli