rendere più veloce il trasferimento dei dati, per esempio attraverso una rete;
|
|
- Renzo Puglisi
- 5 anni fa
- Visualizzazioni
Transcript
1 Corso: Gestone ed elaborazone grand mol d dat Lezone del: 29 maggo 2006 Argomento: Introduzone alla compressone de dat: tecnche d compressone, msure d performance, entropa della sorgente, modell statstc Scrbes: Crstan Fuser e Matteo Volpato 1 Introduzone Nelle lezon precedent s è potuto vedere come l Dsk Model ntroduca un nuovo approcco allo svluppo d algortm per grand mol d dat, ponendo l accento, a dfferenza del modello RAM, sulle operazon d I/O su dsco rcheste dall algortmo ed ncoraggando la localtà, sa spazale che temporale. Il fatto d trattare grand mol d dat, costrnge l applcazone a rcorrere al dsco come mezzo d memorzzazone de dat d nput e d output. Oltre a svluppare algortm che sfruttno la localtà e che sano adatt al Dsk Model, s può consderare noltre d mplementare una rappresentazone effcente de dat, con l obettvo d rappresentare dat nel modo pù compatto possble. S rcorre qund a tecnche d compressone de dat, n modo tale da: rsparmare spazo per la rappresentazone de dat; rendere pù veloce l trasfermento de dat, per esempo attraverso una rete; poter lavorare drettamente su una rappresentazone de dat compressa; n questo modo l elaborazone de dat avverrebbe senza la necesstà d rcorrere alla decompressone degl stess. Questo procedmento è possble solo n alcun cas, mentre soltamente è necessaro rcorrere alla decompressone. In generale, con compressone de dat s ntende un processo d codfca de dat n modo tale che la rappresentazone compressa occup meno spazo (n bt) della rappresentazone orgnara. Da dat d orgne s passa qund a dat n una forma compressa, elmnandone le nformazon rdondant. Una volta n presenza d una rappresentazone compressa, l obettvo è d rcostrure dat orgnal o qualche buona approssmazone d ess. La compressone de dat è possble n quanto la maggor parte de dat real è caratterzzata da rdondanza statstca. Ad esempo, nella lngua nglese la lettera e è molto pù comune della lettera z e la probabltà che una q sa seguta da una z è molto bassa. Generare una rappresentazone compressa de dat è noltre molto mportante, n quanto, come descrtto n precedenza, permette d rdurre l utlzzo d rsorse, qual la memora e l occupazone d banda. Allo stesso tempo però, la compressone rchede una fase d elaborazone de dat, che può essere costosa. Per questo motvo s rende necessaro un trade-off 1
2 tra capactà d compressone, eventuale dstorsone ntrodotta, requst computazonal per la compressone. 2 Compressone Prma d entrare ne dettagl de metod mpegat per l consegumento dell effettva compressone de dat, s andranno d seguto a rportare alcune defnzon, essenzal per la comprensone degl aspett teorc alla base d tal tecnche. Defnzone 1 (Tecnca d compressone) E una coppa d algortm C, D tale che, data una sequenza X = (x 1 x 2... x n ) su un certo alfabeto fnto A, produce le trasformazon: X C X c, ovvero l applcazone d C (algortmo d codfca) alla sequenza X ottenendo una nuova sequenza X c ; D X c Y, ovvero l applcazone d D (algortmo d decodfca) alla sequenza Xc ottenendo un altra sequenza Y. dove X c rchede per la sua rappresentazone meno bt d X. Gl obettv che s voglono raggungere dalle trasformazon sono rspettvamente: per C ottenere una sequenza compressa che occup meno spazo d quella orgnale; per D nvece lo scopo è quello d permettere la rcostruzone della sequenza orgnale a partre da quella compressa. S fornsce ora un dea prelmnare de concett d tecnca d compressone con perdta e non, che s andranno a vedere n dettaglo nel seguto. Le tecnche d compressone s dvdono n due categore: tecnche lossless: comprmono dat attraverso un processo senza perdta d nformazone che sfrutta le rdondanze nella codfca del dato; esse garantscono Y = X; tecnche lossy: comprmono dat attraverso un processo con perdta d nformazone che sfrutta le rdondanze nell utlzzo de dat; esse non garantscono Y = X. Le tecnche senza perdta d nformazone sono caratterzzate dal fatto d preservare l messaggo orgnale quando effettuano la compressone. Un loro esempo è l formato ZIP per fle o l GIF per le mmagn. Le tecnche con perdta d nformazone, nvece, ottengono delle compresson molto spnte de dat a scapto dell ntegrtà degl stess. I dat prma della compressone e dopo la decompressone sono sml, ma non dentc. Normalmente le tecnche lossy vengono utlzzate per comprmere fle multmedal: quest nfatt, n orgne sono troppo grand per essere agevolmente trasmess o memorzzat qund s prefersce avere una pccola rduzone della qualtà, 2
3 ma nel contempo fle molto pù legger. Un esempo sono le mmagn n formato JPEG o lo standard MPEG. La sequenza X sopra ctata rappresenta l nformazone che dev essere compressa ed è possble consderarla composta da una sequenza d smbol appartenent ad un alfabeto fnto arbtraro A. La sequenza compressa X c vene nvece vsta come sequenza d bt. Per unformare le due rappresentazon s vede anche X come sequenza d bt rappresentando sngol smbol tramte bt. La sequenza d partenza X s assume prodotta da una cosddetta sorgente S (reale o mmagnara). Come esempo d sorgente s può pensare ad un essere umano che produce un testo n lnguaggo naturale n una determnata lngua. S andranno successvamente a modellare le propretà della sorgente S e qund d tutte le possbl sequenze che tale sorgente può generare; queste dpendono fortemente dal modello mplementato per la stessa. Vale la pena sottolneare l fatto che una tecnca d compressone è defnta per una sorgente S n modo che resca a comprmere effcacemente tutte le sequenze prodotte da S. 3 Msure d performance La bontà d una tecnca d compressone vene valutata utlzzando alcune msure d prestazone: 1. Compresson Rato: X X c dove rappresenta lo spazo occupato dalla sequenza msurato n bt. 2. Compresson Rate: X c n dove n è l numero d smbol nella sequenza X. Il Compresson Rate vene d solto espresso n bts/smbolo come meda statstca, ossa esprme quant bt n meda vengono utlzzat per rappresentare n manera compressa una tpca sequenza prodotta da S. L obettvo sarebbe quello d avere un valore d rate basso, n quanto tale stuazone equvarrebbe ad avere un numero lmtato d bt per rappresentare medamente ogn smbolo compresso, ottenendo così una tecnca d compressone effcace. dpendente dalle caratterstche della sorgente. Il rate è comunque un valore In generale s può affermare che la comprmbltà d una sequenza X è tanto maggore quanto pù è predcble l comportamento della sorgente S che l ha generata. La comprmbltà, noltre, è legata alla quanttà d nformazone che una data sequenza X contene: nfatt 3
4 se una sequenza porta molta nformazone questa rsulta essere poco comprmble, mentre se questa ha poca nformazone è caratterzzata da una buona comprmbltà. Un ulterore legame può essere consderato tra la quanttà d nformazone d una sequenza e la predcbltà della sua sorgente, ntesa n termn d conoscenza a pror delle sequenze da essa prodotte. Nel caso d una sorgente predcble nfatt, le sequenze da essa prodotte portano poca nformazone, pochè è gà noto, con un certo grado d certezza, l contenuto nformatvo delle stesse. Può captare che certe sequenze possano non rsultare compresse dopo l applcazone dell algortmo d codfca. Questo può accadere per sequenze mprobabl oppure perchè l modello utlzzato per la sorgente S non rsulta essere troppo accurato. S verfca qund un bsogno d trade-off tra l accuratezza del modello e la possbltà d comprmere molte sequenze. Per questo motvo durante la modellazone c s rfersce alla compressone delle sequenze n termn probablstc. 4 Entropa della sorgente Per meglo comprendere termn n cu verranno trattate le propretà della sorgente, vale la pena soffermars su alcune consderazon prelmnar. S consder un espermento S con un certo numero d possbl rsultat (outcome) O 1 O 2... n cu p(o ) rappresenta la probabltà che l rsultato dell espermento sa O. rsultato è O, l nformazone assocata al verfcars d tale evento s msura con log 1 p(o ) = log p(o ) Quando l Tale msura rsulta essere adeguata, n quanto se O s verfca con certezza (p(o ) = 1), la msura è par a 0 (log 1 = 0) e dunque l nformazone ad essa assocata è nulla, dato che l rsultato è noto. Come è facle notare, pù bassa è la probabltà che s verfch un certo rsultato, maggore sarà la msura dell nformazone portata. L entropa assocata all espermento S è data da: 1 p(o ) log p(o ) = p(o ) log p(o ) Questa formula rappresenta l ncertezza totale legata a S. Essa fornsce seguent rsultat: se l espermento è totalmente predcble, ossa esste un rsultato con probabltà certa d accadere o n stuazon n cu tale probabltà è molto maggore rspetto alle altre, l entropa rsulta essere bassa; se nvece gl event sono equprobabl l entropa è alta. È possble ora costrure un analoga tra l espermento appena dscusso e una generca sorgente d sequenze S. Una sorgente emette uno stream, ossa una sequenza d smbol x 1 x
5 su un alfabeto fnto A. Qund è possble assocare le sequenze prodotte da S a rsultat dell espermento e dunque dervare la defnzone d entropa per la sorgente, sfruttando rsultat ottenut n precedenza. Prma d defnre formalmente l entropa d una sorgente S, s ntroducono le seguent notazon. Sa A (n) = e a. nvolte {}}{ A A A p( a), a A (n) la probabltà che n smbol successv prodott da S sano ugual al vettore Defnzone 2 L entropa della sorgente S vene defnta come H(S) = 1 ( lm n + n ) p( a) log p( a) a A (n) Questa rappresenta l ncertezza o la predcbltà della sorgente S. L entropa ha sempre un valore 0 ed è tanto pù pccola quanto pù è predcble l comportamento della sorgente S, ossa fornsce meno nformazone. S rporta ora l seguente teorema: Teorema 1 (Shannon) H(S) è un lmte nferore al Compresson Rate d una qualsas tecnca d compressone lossless per S. Avvalorata da tale teorema, v è la seguente consderazone, ovvero che la comprmbltà d una sequenza prodotta da una sorgente S è legata all entropa della sorgente stessa. Per meglo capre legam tra le vare propretà e concett fn ora ncontrat, s rporta n Fgura 1 uno schema rassuntvo. Fgure 1: Relazon tra le propretà vste 5 Modellazone della sorgente Come accennato n precedenza, l modello per una sorgente rcopre un ruolo molto mportante, n quanto permette d avere una descrzone statstca delle sequenze prodotte dalla sorgente. 5
6 L obettvo prmaro, dunque, è quello d determnare un modello accurato per la sorgente stessa. Il consegumento d tale obettvo porta ad ottenere una stma accurata dell entropa H(S) e permette d svluppare tecnche d compressone effcent, che s avvcnano al lmte teorco mposto dal teorema d Shannon. 5.1 Utlzzo del modello Fgure 2: Schema del modello d una sorgente L utlzzo d un modello per la sorgente è parte ntegrante della tecnca d compressone, sa n fase d codfca che n quella d decodfca. In Fgura 2 è llustrato l processo d codfca e d decodfca d una sequenza X. Come s può notare, la sorgente S genera X, la quale vene passata come parametro d ngresso asseme al modello per S all algortmo d codfca C. L algortmo produrrà la sequenza compressa X c la quale, per poter essere rportata allo stato orgnale, vene passata al decodfcatore D. Quest ultmo, sfruttando ancora l modello per S, genererà la sequenza fnale Y, che sarà par ad X nel caso d tecnca d compressone d tpo lossless. In alcun cas l modello può essere rcavato onlne dagl algortm C e D, mentre n altr cas l modello s assume noto a pror. 5.2 Modell statstc S è pù volte rbadto che una sorgente S è generatrce d uno stream d smbol x 1 x 2... su un alfabeto fnto A. Quando, per defnre le propretà d tale sorgente, s assumono smbol x come varabl aleatore su A, s parla d modellazone statstca. Esstono var tp d modell statstc, suddvs per ordne, tra qual: modello d ordne 0 e modello Markovano d ordne k Modello d ordne 0 Il modello pù semplce che possamo assumere per una sorgente S è l modello d ordne 0, l quale è defnto quando smbol x delle sequenze sono consderat come varabl aleatore 6
7 ndpendent e dentcamente dstrbute (d). S defnsca p(a) = P rob(x = a) ossa la probabltà che x assuma l valore del smbolo a appartenente ad A. S può qund dmostrare che l entropa della sorgente S s rduce n questo caso alla formula H 0 (S) = p(a) log p(a) a A In questo caso s parla d sorgente memoryless (senza memora), n quanto la probabltà che ogn smbolo assuma un certo valore non è condzonata da valor assunt da smbol precedent. Per fssare meglo le dee s presenta un breve esempo. Esempo S consder un alfabeto fnto A = {a 1, a 2 } d cardnaltà 2 n cu la probabltà p p(a 1 ) e 1 p p(a 2 ). Applcando la formula per H(S) appena presentata s ottene H 0 (S) = p log p (1 p) log (1 p) Tale funzone ha l seguente andamento: Fgure 3: Andamento d H(S) Il grafco precedente è stato ottenuto assumendo che 0 log 0 = 0 e che tutt logartm sano n base 2 pochè s lavora con smbol espress n bt. Ulteror consderazon possono essere fatte osservando l andamento dell entropa n funzone della probabltà: l entropa H 0 (S) vale 0 quando p assume valor 0 o 1, l che equvale a dre rspett- 7
8 vamente certezza nel verfcars d a 2 (p(a 2 ) = 1 p = 1) o certezza nell occorrenza d a 1 (p(a 1 ) = p = 1). Infatt, come detto n precedenza, n corrspondenza d alta predcbltà s ha bassa entropa. L entropa nvece assume un massmo per p = 1/2, l che sgnfca equprobabltà tra smbol e qund massma ncertezza: nfatt bassa predcbltà, alta entropa. È utle porre l accento su alcune propretà della funzone entropa H 0 (S) = a A p(a) log p(a) H 0 (S) 0, l entropa rsulta essere non negatva; H 0 = 0 sse a A con p(a) = 1 e p(a ) = 0 a a, come vsto nell esempo sopra; H 0 (S) log A. Per dmostrare tale propretà s rchama la dsuguaglanza d Jensen. Proposzone 1 (Dsuguaglanza d Jensen) Sa f una funzone convessa (rspettvamente concava) e s consder una dstrbuzone dscreta d probabltà p 1 p 2... p n, tale che p 0 e p = 1. Allora dat de valor arbtrar d x 1 x 2... x p nel domno d f, s ha ( ) p f(x ) f p x se f è convessa altrment ( ) p f(x ) f p x se f è concava Rtornando alla defnzone d H 0 s nota che l logartmo è una funzone concava, qund utlzzando l rsultato appena ctato s ottene: H 0 (S) = a A p(a) log 1 p(a) log 1 p(a) = log A p(a) a A L entropa d una sorgente memoryless è al pù log A. H 0 (S) = log A sse p(a) = 1 A a A. Cò sgnfca che l entropa è massma quando smbol sono equprobabl, come anche mostrato nell esempo precedente. Osservazone. Nel caso n cu tutt smbol sano equprobabl s parla d Full Ignorance e l entropa H 0 (S) = log A. Il fatto d avere smbol equprobabl corrsponde ad una stuazone d massma ncertezza sulla sorgente. Il rsultato d Shannon n questo caso afferma che al meglo è possble codfcare ogn smbolo della sequenza d partenza con log A bt. 8
9 5.2.2 Modello (Markovano) d ordne k o modello a contesto fnto d ordne k (k 1) A dfferenza del modello d ordne 0, n questo caso la dstrbuzone d probabltà per l prossmo smbolo prodotto dalla sorgente n esame dpende solo da k smbol precedent generat dalla sorgente stessa. S può qund affermare che: p(a n a n 1 a n 2... a 1 ) = p(a n a n 1 a n 2... a n k ) In questo modello qund, smbol precedent ad a n k non nfluenzano n alcun modo la probabltà d a n. Nel modello Markovano d ordne k 1, s può dmostrare che l entropa sarà data dalla seguente formula: H k (S) = p( a) p(b a) log p(b a) a A (k) b A dove con a A (k) s rappresentano le strnghe d k smbol nell alfabeto fnto A. Esempo (k = 1) S consder l caso d modello Markovano d ordne 1 per una sorgente S. La probabltà d uscta assocata ad ogn smbolo dell alfabeto dpenderà soltanto dal smbolo precedente generato dalla sorgente S. L entropa è qund data dalla formula H 1 (S) = p(a) p(b a) log p(b a) a A dove p(b a) rappresenta la probabltà condzonata del smbolo b dato a. b A Bblografa [WkIT] Wkpeda, Sto web dat. [WkEN] Wkpeda, Sto web compresson. 9
Sorgenti 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
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
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
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
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
DettagliLaboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica
Laboratoro B A.A. 01/013 Elaborazone Dat Lab B CdL Fsca Lab B CdL Fsca Elaborazone dat spermental Prncpo della massma verosmglanza Quando eseguamo una sere d msure relatve ad una data grandezza fsca, quanto
DettagliMisure indipendenti della stessa grandezza, ciascuna con una diversa precisione.
Msure ndpendent della stessa grandezza, cascuna con una dversa precsone. Consderamo d avere due msure o n generale della stessa grandezza, ndpendent, caratterzzate da funzone denstà d probabltà d Gauss.
DettagliCorso di TELECOMUNICAZIONI a.a
Corso d TEECOMUNICAZIONI anno accademco 2008-2009 Element d Teora dell Informazone Introduzone Storcamente, s fa rsalre la nascta della teora dell nformazone al 1948, quando C. Shannon pubblcò l suo lavoro
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
DettagliIntelligenza Artificiale II. Ragionamento probabilistico Rappresentazione. Marco Piastra. Intelligenza Artificiale II - AA 2007/2008
Intellgenza rtfcale II Ragonamento probablstco Rappresentazone Marco astra Ragonamento probablstco: rappresentazone - arte Mond possbl sottonsem event artzon e varabl aleatore robabltà Margnalzzazone Condzonal
DettagliDBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2
DBMS multmedal A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2 DBMS multmedal Def: Sono DBMS che consentono d memorzzare e recuperare dat d natura multmedale:
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
Dettagli6. Catene di Markov a tempo continuo (CMTC)
6. Catene d Markov a tempo contnuo (CMTC) Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto numerable. L nseme de
Dettagli6. Catene di Markov a tempo continuo (CMTC)
6. Catene d Markov a tempo contnuo (CMTC) Carla Seatzu, 8 Marzo 28 Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto
DettagliIntorduzione alla teoria delle Catene di Markov
Intorduzone alla teora delle Catene d Markov Mchele Ganfelce a.a. 2014/2015 Defnzone 1 Sa ( Ω, F, {F n } n 0, P uno spazo d probabltà fltrato. Una successone d v.a. {ξ n } n 0 defnta su ( Ω, F, {F n }
Dettagli= = = = = 0.16 NOTA: X P(X) Evento Acquisto PC Intel Acquisto PC Celeron P(X)
ESERCIZIO 3.1 Una dtta vende computer utlzzando on-lne, utlzzando sa processor Celeron che processor Intel. Dat storc mostrano che l 80% de clent preferscono acqustare un PC con processore Intel. a) Sa
DettagliUNIVERSITA DEGLI STUDI DI CASSINO FACOLTA DI INGEGNERIA
UNIVERSITA DEGI STUDI DI CASSINO FACOTA DI INGEGNERIA ANTONIO RUSSO, ANGEO EOPARDI ANAISI DE ERRORE CONNESSO A APPROSSIMAZIONE DEE UNGHEZZE E DEE CEERITA NE METODO DI INTEGRAZIONE DEE CARATTERISTICHE (MOC)
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
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
DettagliIntegrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1
Integrazone numerca dell equazone del moto per un sstema lneare vscoso a un grado d lbertà Prof. Adolfo Santn - Dnamca delle Strutture 1 Introduzone 1/2 L equazone del moto d un sstema vscoso a un grado
DettagliLa likelihood. , x 3. , x 2. ,...x N
La lkelhood È dato un set d msure {x 1, x 2, x 3,...x N } (cascuna delle qual può essere multdmensonale) Supponamo che la pdf (f) dpenda da un parametro (anch'esso eventualmente multdmensonale) La verosmglanza
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
DettagliArchitetture aritmetiche. Corso di Organizzazione dei Calcolatori Mariagiovanna Sami
Archtetture artmetche Corso d Organzzazone de Calcolator Maragovanna Sam 27-8 8 Sommator: : Full Adder s = x y c + x y c + x y c + x y c Full Adder x y c s x y c = x y + x c + + y c c + Full Adder c x
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
Dettagliy. E' semplicemente la media calcolata mettendo
COME FUNZIONA L'ANOVA A UN FATTORE: SI CONFRONTANO TANTE MEDIE SCOMPONENDO LA VARIABILITA' TOTALE Per testare l'potes nulla che la meda d una varable n k popolazon sa la stessa, s suddvde la varabltà totale
DettagliIncertezza di sensibilità < fluttuazione intrinseca delle misure.
Error casual no ad ora abbamo correlato la bontà d una msura alla sensbltà degl strument utlzzat. Samo partt da una stuazone n cu effettuata una sere d msure rpetute, le msure hanno tutte dato lo stesso
DettagliMisure Ripetute ed Indipendenti
Msure Rpetute ed Indpendent Una delle metodologe pù semplc per valutare l affdabltà d una msura consste nel rpeterla dverse volte, nelle medesme condzon, ed esamnare dvers valor ottenut. Ovvamente, una
DettagliDistribuzione di Boltzmann. Nota
Dstrbuzone d Boltzmann ota Tutto l soggetto trattato deve n realta essere nserto nel quadro concettuale della meccanca statstca, che non e trattato n questo corso. Quest cenn sono solo un breve rchamo
DettagliAd esempio, potremmo voler verificare la legge di caduta dei gravi che dice che un corpo cade con velocità uniformemente accellerata: v = v 0 + g t
Relazon lnear Uno de pù mportant compt degl esperment è quello d nvestgare la relazone tra due varabl. Il caso pù mportante (e a cu spesso c s rconduce, come vedremo è quello n cu la relazone che s ntende
DettagliVariabili statistiche - Sommario
Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su
DettagliIl modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti
Il modello marovano per la rappresentazone del Sstema Bonus Malus rof. Cercara Rocco Roberto Materale e Rferment. Lucd dstrbut n aula. Lemare 995 (pag.6- e pag. 74-78 3. Galatoto G. 4 (tt del VI Congresso
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
Dettagli3 CAMPIONAMENTO DI BERNOULLI E DI POISSON
3 CAMPIOAMETO DI ROULLI E DI POISSO 3. ITRODUZIOE In questo captolo esamneremo due schem d camponamento che dversamente dal camponamento casuale semplce non producono campon d dmensone fssa ma varable.
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
DettagliTeoria dell informazione e Meccanica Statistica
Teora dell nformazone e Meccanca Statstca L. P. Gugno 2007 Rporto qu una breve rassegna dell approcco alla Meccanca Statstca medante la teora dell nformazone. Partamo dalla consderazone che la probabltà
DettagliEsercitazione 12 ottobre 2011 Trasformazioni circuitali. v 3. v 1. Per entrambi i casi, i valori delle grandezze sono riportati in Tab. I.
Eserctazone ottobre 0 Trasformazon crcutal Sere e parallelo S consderno crcut n Fg e che rappresentano rspettvamente un parttore d tensone e uno d corrente v v v v Fg : Parttore d tensone Fg : Parttore
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
Dettagli5: Strato fisico: limitazione di banda, formula di Nyquist; caratterizzazione del canale in frequenza
5: Strato fsco: lmtazone d banda, formula d Nyqust; caratterzzazone del canale n frequenza Larghezza d banda d un segnale La larghezza d banda d un segnale è data dall ntervallo delle frequenze d cu è
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
DettagliEsercitazione 8 del corso di Statistica (parte 1)
Eserctazone 8 del corso d Statstca (parte ) Dott.ssa Paola Costantn Eserczo Marzo 0 Un urna rossa contene 3 pallne banche, nere e galla. S consder l estrazone d due pallne. S calcol la probabltà d estrarre:.
DettagliRagionamento probabilistico: rappresentazione
Intellgenza Artfcale II Ragonamento probablstco: rappresentazone Marco astra Intellgenza Artfcale II - A.A. - Rappresentazone robablstca ] Ragonamento probablstco: rappresentazone Mond possbl sottonsem
DettagliEsercizi sulle reti elettriche in corrente continua (parte 2)
Esercz sulle ret elettrche n corrente contnua (parte ) Eserczo 3: etermnare gl equvalent d Thevenn e d Norton del bpolo complementare al resstore R 5 nel crcuto n fgura e calcolare la corrente che crcola
DettagliIL RUMORE NEGLI AMPLIFICATORI
IL RUMORE EGLI AMPLIICATORI Defnzon S defnsce rumore elettrco (electrcal nose) l'effetto delle fluttuazon d corrente e/o d tensone sempre present a termnal degl element crcutal e de dspostv elettronc.
DettagliI generatori dipendenti o pilotati e gli amplificatori operazionali
108 Lucano De Menna Corso d Elettrotecnca I generator dpendent o plotat e gl amplfcator operazonal Abbamo pù volte rcordato che generator fn ora ntrodott, d tensone e d corrente, vengono dett deal per
DettagliEsercizi di econometria: serie 1
Esercz d econometra: sere Eserczo E data la popolazone dell Abruzzo classcata n se categore d reddto ed n tre class d età come segue: Reddto: () L... 4.. () L. 4.. 8.. () L. 8.... (4) L..... () L.....
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
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
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
DettagliPer calcolare le probabilità di Testa e Croce è possibile risolvere il seguente sistema di due equazioni in due incognite:
ESERCIZIO.1 Sa X la varable casuale che descrve l numero d teste ottenute nella prova lanco d tre monete truccate dove P(Croce)= x P(Testa). 1) Defnrne la dstrbuzone d probabltà ) Rappresentarla grafcamente
DettagliModelli di variabili casuali
Modell d varabl casual Un modello d v.c. è una funzone f() che assoca ad ogn valore d una v.c. X la corrspondente probabltà. Obettvo: calcolo della probabltà per tutt valor che X può assumere Per le v.c.
DettagliLaboratorio 2B A.A. 2013/2014. Elaborazione Dati. Lab 2B CdL Fisica
Laboratoro B A.A. 013/014 Elaborazone Dat Lab B CdL Fsca Elaborazone dat spermental Come rassumere un nseme d dat spermental? Una statstca è propro un numero calcolato a partre da dat stess. La Statstca
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
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
DettagliElementi di statistica
Element d statstca Popolazone statstca e campone casuale S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..) e
Dettagliuna variabile casuale è continuase può assumere un qualunque valore in un intervallo
Varabl casual contnue Se samo nteressat alla temperatura massma gornaleraquesta è una varable casuale msurata n un ntervallo contnuoe qund è una v.c. contnua una varable casuale è contnuase può assumere
DettagliSERIE STORICHE, TREND, MEDIE MOBILI, REGRESSIONE Andrea Prevete
SERIE STORICHE, TREND, MEDIE MOBILI, REGRESSIONE Andrea Prevete Una sere storca o temporale è un nseme d dat costtut da una sequenza d osservazon su un fenomeno d nteresse X, effettuate n stant (per le
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:
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
DettagliIL GRUPPO SIMMETRICO S n
EMILIO ZAPPA MATRICOLA UNIVERSITA DEGLI STUDI DI TORINO DIPARTIMENTO DI MATEMATICA ANNO ACCADEMICO 00/00 TESINA PER IL LABORATORIO DI COMBINATORICA IL GRUPPO SIMMETRICO S n IL GIOCO DEL Sa A un nseme fnto
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
DettagliAnalisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986
Anals degl error Introduzone J. R. Taylor, Introduzone all anals degl error, Zanchell, Bo 1986 Sstem d untà d msura, rappresentazone numerca delle quanttà fsche e cfre sgnfcatve Resnck, Hallday e Krane
DettagliUNIVERSITÀ DEGLI STUDI DI TORINO CORSO DI LAUREA IN CHIMICA Dispense ad esclusivo uso introduttivo per il modulo di Fisica C
ELEMETI BASILARI DI TEORIA DEGLI ERRORI. VALOR MEDIO, DEVIAZIOE STADARD E VARIAZA S defnsce valor medo d un nseme d dat,,, la quanttà: () S defnsce varanza emprca dell nseme precedente la quanttà: σ ()
DettagliIndicatori di dimensione e di concentrazione
Indcator d dmensone e d concentrazone 1 Indcator d dmensone Lo studo delle caratterstche struttural ed evolutve d un sstema produttvo necessta dell mpego d ndcator per msurare la dmensone delle untà economche
DettagliPropagazione degli errori
Propagaone degl error Voglamo rcavare le ncertee nelle msure ndrette. Abbamo gà vsto leone un prma stma degl error sulle grandee dervate valda n generale. Consderamo ora l caso specco d grandee aette da
DettagliEsame di Statistica tema A Corso di Laurea in Economia Prof.ssa Giordano Appello del 15/07/2011
Esame d Statstca tema A Corso d Laurea n Economa Prof.ssa Gordano Appello del /07/0 Cognome Nome atr. Teora Dmostrare che la somma degl scart dalla meda artmetca è zero. Eserczo L accesso al credto è sempre
DettagliELEMENTI DI STATISTICA
ELEMENTI DI STATISTICA POPOLAZIONE STATISTICA E CAMPIONE CASUALE S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..)
DettagliV n. =, e se esiste, il lim An
Parttore resstvo con nfnte squadre n cascata. ITIS Archmede CT La Fg. rappresenta un parttore resstvo, formato da squadre d restor tutt ugual ad, conness n cascata, e l cu numero n s fa tendere ad nfnto.
DettagliCAPITOLO 3 CIRCUITI DI RESISTORI
CAPITOLO 3 CIRCUITI DI RESISTORI Pagna 3. Introduzone 70 3. Connessone n sere e connessone n parallelo 70 3.. Bpol resstv n sere 7 3.. Bpol resstv n parallel 77 3.3 Crcut resstv lnear e sovrapposzone degl
DettagliPotenzialità degli impianti
Unverstà degl Stud d Treste a.a. 2009-2010 Impant ndustral Potenzaltà degl mpant Impant ndustral Potenzaltà degl mpant 1 Unverstà degl Stud d Treste a.a. 2009-2010 Impant ndustral Defnzone della potenzaltà
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
DettagliPattern Recognition. Bayes decision theory
Computer Scence Department Unversty of Verona A.A. 015-16 Pattern Recognton Bayes decson theory 1 Rev. Thomas Bayes, F.R.S 170-1761 Introduzone Approcco statstco fondamentale d classfcazone d pattern Ipotes:
DettagliEsame di Statistica tema B Corso di Laurea in Economia Prof.ssa Giordano Appello del 15/07/2011
Esame d Statstca tema B Corso d Laurea n Economa Prof.ssa Gordano Appello del 15/07/011 Cognome Nome Matr. Teora Dmostrare la propretà assocatva della meda artmetca. Eserczo 1 L accesso al credto è sempre
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
DettagliSi dice corpo rigido un oggetto ideale che mantiene la stessa forma e le stesse dimensioni qualunque sia la sollecitazione cui lo si sottopone.
Captolo 7 I corp estes 1. I movment d un corpo rgdo Che cosa s ntende per corpo esteso? Con l termne d corpo esteso c s rfersce ad oggett per qual non è lecto adoperare l approssmazone d partcella, coè
DettagliCORRETTA RAPPRESENTAZIONE DI UN RISULTATO: LE CIFRE SIGNIFICATIVE
CORRETT RPPREETZIOE DI U RIULTTO: LE CIFRE IGIFICTIVE Defnamo cfre sgnfcatve quelle cfre che esprmono realmente l rsultato d una msura, o del suo errore, coè che non sono completamente ncluse nell ntervallo
DettagliUniversità di Catania Facoltà di Ingegneria Corso di Gestione delle Risorse Idriche. Appunti sulla programmazione dinamica A.
Unverstà d Catana Facoltà d Ingegnera Corso d Gestone delle Rsorse Idrche Appunt sulla programmazone dnamca A. Cancellere A.A. 007-008 Introduzone La programmazone dnamca (PD) è una tecnca che consente
DettagliStrada B. Classe Velocità valore frequenza Frequ. ass Frequ. % hi Freq. Cum
Eserczo SINTESI S supponga d avere eseguto 70 msure della veloctà stantanea de vecol che transtano nelle sezon d due strade A e B. S supponga che tal msure sano state eseguta n corrspondenza d valor modest
DettagliEsercitazione sulle Basi di di Definizione
Eserctazone sulle as d d Defnzone ESERIZIO Un bpolo ressto (dodo) ha la seguente equazone: = k [ 0 + 00] con k 0 nella quale ed sono descrtt dalla conenzone degl utlzzator come n fgura. Stablre se l bpolo
DettagliPRIMA PROVA INTERMEDIA DI STATISTICA CLEA (COD. 5047/4038/371/377) 3 Novembre 2004 COMPITO A1
PRIMA PROVA INTERMEDIA DI STATISTICA CLEA (COD. 5047/4038/37/377) 3 Novembre 004 Cognome Numero d matrcola Nome COMPITO A A fn della valutazone s terrà conto solo ed esclusvamente d quanto rportato negl
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
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
DettagliEsercizi di Probabilità e Statistica
Esercz d Probabltà e Statstca Samuel Rota Bulò 25 maggo 2007 Funzon d v.a., meda, varanza, moda, medana, quantl e quartl. Vettor aleator, denst condzonata, covaranza, correlazone. Eserczo 1 Sa Y ax + b
DettagliEsame del corso di Tecniche Avanzate per il Trattamento delle Immagini
Esame del corso d Tecnche Avanzate per l Trattamento delle Immagn Data: 18 Settembre 2007 1 Es.1 [pt. 5]: Nella fgura (10x10 pxel) rportata a fanco l rettangolo banco è d dmenson 6x4 pxel. Indcando con
Dettagli03/03/2012. Campus di Arcavacata Università della Calabria
Campus d Arcavacata Unverstà della Calabra Corso d statstca RENDE a.a 0-00 3 4 5 6 7 8 9 0 3 4 5 6 7 8 9 Concentrazone Un altro aspetto d un nseme d dat che s aggunge alla meda e alla varabltà è costtuto
DettagliPrincipio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
DettagliPrincipio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
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,
DettagliESERCIZIO 4.1 Si consideri una popolazione consistente delle quattro misurazioni 0, 3, 12 e 20 descritta dalla seguente distribuzione di probabilità:
ESERCIZIO. S consder una popolazone consstente delle quattro msurazon,, e descrtta dalla seguente dstrbuzone d probabltà: X P(X) ¼ ¼ ¼ ¼ S estrae casualmente usando uno schema d camponamento senza rpetzone
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
DettagliCOMPORTAMENTO DINAMICO DI ASSI E ALBERI
COMPORTAMENTO DNAMCO D ASS E ALBER VBRAZON TORSONAL Costruzone d Macchne Generaltà l problema del progetto d un asse o d un albero non è solo statco Gl ass e gl alber, come sstem elastc, sotto l azone
DettagliREGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari
REGRESSIONE LINEARE Ha un obettvo mportante: nvestgare sulle relazon emprche tra varabl allo scopo d analzzare le cause che possono spegare un determnato fenomeno È caratterzzata da semplctà: modell utlzzat
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
DettagliPROBLEMA DI SCELTA FRA DUE REGIMI DI
PROBLEMA DI SCELTA FRA DUE REGIMI DI CAPITALIZZAZIONE Prerequst: legge d captalzzazone semplce legge d captalzzazone composta logartm e loro propretà dervate d una funzone pendenza d una curva n un punto
DettagliStabilità dei Sistemi Dinamici. Stabilità Semplice. Stabilità Asintotica. Stabilità: concetto intuitivo che può essere formalizzato in molti modi
Gustavo Belforte Stabltà de Sstem Dnamc Gustavo Belforte Stabltà de Sstem Dnamc Stabltà de Sstem Dnamc Il Pendolo Stabltà: concetto ntutvo che può essere formalzzato n molt mod Intutvamente: Un oggetto
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Matematica aa lezione marzo 2009
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Matematca aa 2008-2009 lezone 25 17 marzo 2009 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/26? Convesstà Sa I un ntervallo
DettagliCarla Seatzu, 18 Marzo 2008
8. Ret d Code Carla Seatzu, 8 Marzo 008 Nella maggor parte de process produttv rsulta troppo restrttvo consderare una sola rsorsa. Esempo: lea tandem arrv µ µ v partenze V sono dverse stazon cu una parte
DettagliLEZIONE 2. Riassumere le informazioni: LE MEDIE MEDIA ARITMETICA MEDIANA, MODA, QUANTILI. La media aritmetica = = N
LE MEDIE LEZIOE MEDIE ALGEBRICHE: calcolate con operazon algebrche su valor del carattere (meda artmetca) per varabl Rassumere le nformazon: MEDIA ARITMETICA MEDIAA, MODA, QUATILI MEDIE LASCHE: determnate
DettagliRelazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione
1 La Regressone Lneare (Semplce) Relazone funzonale e statstca tra due varabl Modello d regressone lneare semplce Stma puntuale de coeffcent d regressone Decomposzone della varanza Coeffcente d determnazone
Dettagli