Giochi ed equilibri di Nash. Marco Sciandrone Dipartimento di Ingegneria dell Informazione Università di Firenze

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Giochi ed equilibri di Nash. Marco Sciandrone Dipartimento di Ingegneria dell Informazione Università di Firenze E-mail: marco.sciandrone@unifi."

Transcript

1 Giochi ed equilibri di Nash Marco Sciandrone Dipartimento di Ingegneria dell Informazione Università di Firenze 1

2 1 Notazione e definizione di equilibrio di Nash Si supponga di avere N giocatori (decisori): ogni giocatore controlla le variabili x ν R ν. Indichiamo con x il vettore composto da tutte le variabili di decisione x 1 x 2 x =. x N Il vettore x ha dimensione n = N n ν. Indichiamo con x ν il vettore formato dalle variabili ν=1 di tutti i giocatori con esclusione delle variabili del giocatore ν. Le possibili strategie di ogni giocatore ν appartengono a un insieme non vuoto X ν, ossia il vettore delle variabili x ν deve appartenere all insieme ammissibile X ν. Ogni giocatore ν ha una funzione di costo θ ν (x ν,x ν ) che dipende dalle variabili x ν controllate dal giocatore stesso, e dalla variabili x ν controllate da tutti gli altri giocatori. Un gioco è costituito: - da un insieme di N giocatori, - da un insieme {X ν } N di strategie, - da un insieme {θ ν } N di funzioni, dove ogni funzione θ ν : X 1 X 2... X N R. Ci sono varie classificazioni di giochi. Noi ci limiteremo a considerare: - giochi non cooperativi, ossia giochi in cui non si stabiliscono accordi tra giocatori; - giochi a informazione completa, ossia giochi in cui ogni giocatore conosce le regioni ammissibili e le funzioni di costo degli altri giocatori. Se tutti gli insiemi ammissibili X ν sono costituiti da un numero finito di punti diremo che il gioco è un gioco finito. Il problema che ci poniamo è quello di determinare quale strategia sceglierà ogni giocatore ν, ossia che vettore x ν. Si osservi che la funzione di costo di ogni giocatore dipende anche dalle variabili degli altri giocatori, per cui non è immediato stabilire il concetto di soluzione ottima per ogni giocatore (intuitivamente ogni giocatore tenderà a minimizzare il proprio costo, che però dipende anche dalle decisioni degli altri giocatori). Diremo che un vettore x X = X 1 X 2... X N è un equilibrio di Nash se risulta per ν = 1,...,N θ ν ( x ν, x ν ) θ ν (x ν, x ν ) x ν X ν. (1) In un equilibrio di Nash nessun giocatore può diminuire il proprio costo modificando unilateralmente la propria strategia. 2

3 2 Esempio di equlibrio di Nash in un problema di telecomunicazioni Si consideri una rete di comunicazione costituita da un insieme Ω = {1,...,V} di nodi e da un insieme L = {1,...,L} di archi. Supponiamo che ci siano N utenti (giocatori): ogni utente ν è associato in modo univoco a una connessione tra un nodo sorgente s ν e un nodo destinazione d ν attraverso un cammino L ν predeterminato. Il flusso di informazione che transita attraverso il cammino L ν è indicato con x ν. Appare naturale imporre un vincolo su x µ del tipo 0 x ν x ν max, dove x ν max è un limite superiore imposto da vincoli fisici oppure da regolamentazione. Ad ogni utente ν è associata una funzione di costo del tipo θ ν (x) = l:l L ν P l (x) U ν (x ν ). Si osservi che la funzione obiettivo dell utente ν è data dalla differenza tra una funzione di costo (la somma dei costi relativi agli archi del cammino L ν ) e una funzione guadagno U ν associata al flusso x ν inviato dall utente. Quindi il problema diventa quello di determinare un vettore x equilibrio di Nash secondo la defizione data nel paragrafo precedente. In particolare, l insieme ammissibile di ogni giocatore ν è X ν = {x ν R : 0 x ν x ν max}. 3 Esistenza dell equilibrio di Nash Si consideri un gioco finito con due giocatori, ognuno dei quali ha a disposizione due possibili strategie. I costi dei due giocatori sono riportati nelle tabelle seguenti (la tabella di sinistra si riferisce al giocatore riga, quella di destra al giocatore colonna) Secondo la notazione adottata abbiamo quindi θ 1 (1,1) = 1 θ 1 (1,2) = 0 θ 1 (2,1) = 0 θ 1 (2,2) = 1 θ 2 (1,1) = 1 θ 2 (2,1) = 0 θ 2 (1,2) = 0 θ 1 (2,2) = 1. Si può verificare che non esiste un equilibrio di Nash. Infatti, per ogni coppia di strategie dei due giocatori, uno dei due otterrebbe un costo inferiore modificando la propria strategia. Ad esempio, se entrambi i giocatori giocano la strategia 1, il primo giocatore (giocatore riga) ha un costo pari a -1 e non ha interesse a cambiare strategia perché avrebbe un costo maggiore pari a 0. Viceversa, il giocatore 2 (giocatore colonna) ha un costo pari a 1 e ha interesse a passare alla strategia 2 con la quale avrebbe un costo inferiore pari a 0. In formule θ 1 (1,1) = 1 < θ 1 (2,1) = 0, θ 2 (1,1) = 1 > θ 2 (1,2) = 0. Stabiliremo ora delle condizioni sull esistenza di un equilibrio di Nash: 3

4 - in un caso particolare di giochi finiti (due giocatori antagonisti); - nel caso di giochi infiniti. Enunceremo una condizione necessaria e sufficiente di esistenza di un equilibrio di Nash nel caso particolare di giochi finiti con due giocatori antagonisti. Diremo che un gioco è a somma costante se per ogni x X risulta N θ ν (x) = costante. ν=1 Se la costante è pari a zero il gioco si dice a somma zero. In un gioco a somma zero con due giocatori, i due giocatori sono detti antagonisti. Si consideri un gioco finito a somma zero con due giocatori. Abbiamo θ(x,y) = θ 1 (x,y) = θ 2 (x,y). Si vede facilmente che un punto ( x,ȳ) è un equilibrio di Nash se e solo se θ( x,y) θ( x,ȳ) θ(x,ȳ) x X,y Y. (2) Osservazione. Se X è un insieme finito, comunque si scelga y Y, l operazione min x X θ(x,y) è ben definita. Il simbolo min va inteso come abbreviazione della parola minimizzare, ossia l intenzione di determinare un punto di minimo. Il simbolo min va inteso come il valore della funzione obiettivo all ottimo. Per ogni x X e y Y abbiamo Possiamo quindi scrivere F(x) = maxθ(x,y) θ(x,y), y Y G(y) = minθ(x,y) θ(x,y). x X maxg(y) min F(x), y Y x X da cui otteniamo, utilizzando le definizioni di F(x) e G(y), max min y Y x X θ(x,y) min max x X y Y θ(x,y). (3) Proposizione 1. Si consideri un gioco finito a somma zero con due giocatori. Allora esiste un equilibrio di Nash se e solo se max min y Y x X θ(x,y) = min max x X y Y θ(x,y). (4) 4

5 Proof. Sia ( x,ȳ) un equilibrio di Nash. Vale quindi la (2). Posto F(x) = max y Y θ(x,y) G(y) = min θ(x,y), x X possiamo scrivere minf(x) = min x x max x x y Y dove l ultima disuguaglianza segue dalla (2). Analogamente risulta max y Y G(y) = max min y Y x X θ(x,y) F( x) = maxθ( x,y) θ( x,ȳ), y Y θ(x,y) G(ȳ) = minθ(x,ȳ) θ( x,ȳ), x X dove l ultima disuguaglianza segue nuovamente dalla (2). Possiamo quindi scrivere min max x X y Y θ(x,y) max min x X y Y D altra parte, come precedentemente dimostrato (si veda la (3)), risulta max min y Y x X θ(x,y) min max x X y Y per cui, tenendo conto della (5), concludiamo che vale la (4). Siano x X e ȳ Y tali che θ(x,y). (5) θ(x,y), (6) min max x X y Y θ(x,y) = max y Y θ( x,y) maxmin y Y x X θ(x,y) = min x X θ(x,ȳ) Ovviamente risulta θ( x,ȳ) maxθ( x,y) = min maxθ(x,y) y Y x X y Y θ( x,ȳ) min x X θ(x,ȳ) = max y Y min x X θ(x,y). Utilizzando le due precedenti relazioni, tenendo conto della (4), possiamo scrivere da cui segue θ( x,ȳ) = maxθ( x,y) = min θ(x,ȳ), y Y x X θ( x,ȳ) = minθ(x,ȳ) θ(x,ȳ) x X, x X θ( x,ȳ) = maxθ( x,y) θ( x,y) y y Y Il punto ( x,ȳ) soddisfa la (2) ed è quindi un equilibrio di Nash. Y Nell esempio precedente avevamo, per il giocatore 1 (giocatore riga) max y=1,2 θ(1,y) = max{ 1,0} = 0 max y=1,2 θ(2,y) = max{0, 1} = 0, 5

6 per il giocatore 2 (giocatore colonna) min x=1,2 θ(x,1) = min{ 1,0} = 1 min x=1,2 θ(x,2) = min{0, 1} = 1., Quindi abbiamo min max θ(x,y) = 0 max min θ(x,y) = 1, x=1,2y=1,2 y=1,2x=1,2 per cui (come già verificato) in base alla Proposizione 1 non può esistere un equilibrio di Nash. Enunciamo ora delle condizioni sufficienti per l esistenza di un equilibrio di Nash nel caso di giochi infiniti. Proposizione 2. Supponiamo che gli insiemi ammissibili X ν per ν = 1,...,N siano insiemi convessi e compatti. Supponiamo inoltre che almeno una delle due seguenti condizioni sia soddisfatta: (i) per ν = 1,...,N le funzioni θ ν sono continue in x e per ogni fissato x ν X ν la funzione θ ν (x ν,x ν ) è quasi-convessa in x ν. (i) per ν = 1,...,N le funzioni θ ν sono continue in x e per ogni fissato x ν X ν il problema ha un unica soluzione (globale) min θ(x ν,x ν ) x ν X ν Ricordiamo che una funzione f : S R, dove S R n è un insieme convesso, è una funzione quasi-convessa se, comunque si fissino x,y S, si ha f((1 λ)x+λy) max{f(x),f(y)}. Un esempio di funzione quasi-convessa è riportato nella figura. 4 Calcolo di soluzioni di equilibrio di Nash Equivalenza con disequazioni variazionali Sotto opportune ipotesi il problema di determinare un equilibrio di Nash può essere ricondotto a quello di determinare una soluzione di una disequazione variazionale (si veda l appendice per alcuni richiami sulle disequazioni varizaionali). Ricordiamo che dati una funzione continua F : R n R n e un insieme non vuoto, chiuso e convesso X R n, determinare una soluzione della disequazione variazionale VI(X,F) significa determinare un vettore x X tale che F(x ) T (x x ) 0 x X. Si osservi che una condizione sufficiente di esistenza di una soluzione di una VI(F,X) è che X sia un insieme convesso e compatto e F sia una funzione continua. Abbiamo il seguente risultato di equivalenza tra equilibrio di Nash e soluzione di una disequazione variazionale. 6

7 Figure 1: Funzione quasi-convessa. Proposizione 3. Si supponga che per ogni giocatore ν e per ogni x ν, la funzione θ(.,x ν ) sia convessa e l insieme X ν sia chiuso e convesso. Si assuma inoltre che le funzioni θ ν siano continuamente differenziabili. Allora un punto x è un equilibrio di Nash se e solo se è soluzione di VI(X,F), dove N X = X ν F(x) = ( x νθ ν (x)) N ν=1. ν=1 Dim. Sia x X un equilibrio di Nash: per ν = 1,...,N risulta Dalle condizioni di ottimalità segue da cui si ottiene F( x) T (x x) = θ ν ( x ν, x ν ) θ ν (x ν, x ν ) x ν X ν. (7) x νθ ν ( x) T (x ν x ν ) 0 x ν X ν, N x νθ ν ( x) T (x ν x ν ) 0 x X, ν=1 ossia che x è soluzione di VI(X,F). Viceversa, supponiamo che x sia soluzione della disequazione variazionale V I(X, F). Ragioniamo per assurdo e assumiamo che x non sia un equilibrio di Nash. Allora esistono un indice ν e un punto ˆx ν X ν tali che θ ν (ˆx ν, x ν ) < θ ν ( x ν, x ν ). Dalle ipotesi di convessità di X ν e della funzione θ ν (x ν, x ν ) segue θ ν (ˆx ν, x ν ) θ ν ( x ν, x ν )+ x νθ ν ( x) T (ˆx ν x ν ), 7

8 per cui neecssariamente abbiamo x νθ ν ( x) T (ˆx ν x ν ) < 0. Si costruisca un punto y le cui componenti sono definite come segue { y h x h se h ν = ˆx h se h = ν Allora otteniamo F( x) T (y x) = x νθ ν ( x) T (ˆx ν x ν ) < 0, il che implica che x non è soluzione di VI(X,F). Nelle ipotesi della proposizione precedente, per calcolare un equilibrio di Nash si risolve la corrispondente disequazione variazionale mediante, ad esempio, metodi di proiezione. Algoritmi di decomposizione di tipo best-response Il comportamento naturale dei giocatori è descritto dal seguente algoritmo di tipo Gauss-Seidel. In questo schema, come naturale, ogni giocatore determina la propria strategia, fissate le strategie degli altri giocatori, risolvendo il corrispondente problema di ottimizzazione (best-response). Tuttavia, la convergenza di un algoritmo di questo tipo non può essere garantita in generale (anzi, è possibile mostrare esempi in cui l algoritmo non converge). Algorithm 1: Gauss-Seidel best-response algorithm (S.0) : Choose a feasible starting point x 0 = ( x 1 ) 0,...,xN 0, and set k := 0 (S.1) : If x k satisfies a suitable termination criterion: STOP. (S.2) : for ν = 1,...,N, compute a solution x ν k+1 of min x ν ( θ ν x 1 k+1,...,x ν 1 k+1,xν,x ν+1 k,...,x N ) k s.t. x ν X ν. (8) end (S.3) : Set x k+1 := ( x 1 k+1,...,xn k+1),k k +1, and go to (S.1). Nel paragrafo successivo analizzeremo una classe più generale di problemi di equilibrio di Nash e riporteremo alcuni risultati di convergenza per algoritmi di tipo Gauss-Seidel (best response). 5 Problemi di equilibrio di Nash generalizzato Nei problemi di equilibrio di Nash generalizzato l insieme ammissibile di ogni giocatore ν dipende dalle variabili x ν degli altri giocatori. Diremo che un vettore x è un equilibrio di Nash generalizzato se risulta per ν = 1,...,N x ν X ν ( x ν ) θ ν ( x ν, x ν ) θ ν (x ν, x ν ) x ν X ν ( x ν ). (9) 8

9 Si consideri nuovamente l esempio del paragrafo 2. Avevamo un grafo con L archi, N utenti, e per ogni utente ν un cammino L ν ad esso associato. Si assuma ora che ad ogni arco l sia associata una capacità massima c l, Sia A la matrice L N in cui A l,ν = 1 se l L ν e 0 altrimenti. I vincoli di capacità possono essere quindi espressi nella forma Ax c, dove c = (c 1,...,c l,...,c L ) T. Si osservi che i vari utenti interferiscono ora, non solo a livello di funzione obiettivo, ma anche di insieme ammissibile. In particolare, per ogni giocatore µ abbiamo un insieme ammissibile del tipo X ν (x ν ) = {x ν R : 0 x ν x ν max, A(x ν,x ν ) c}. In questo caso, ossia quando l insieme ammissibile di un giocatore dipende dalle variabili degli altri giocatori, si parla di equilibrio di Nash generalizzato. Esempio. Analizziamo un problema di equilibrio di Nash gerneralizzato che ammette infinite soluzioni. Si consideri il seguente gioco, con due giocatori i quali controllano rispettivamente la variabile x e la variabile y: min x (x 1) 2 x+y 1 min y (y 1/2) 2 x+y 1 Gli insiemi delle soluzioni ottime dei due problemi sono 1, se y 0 1/2, se x 1/2 S 1 (y) = S 2 (x) = 1 y se y 0 1 x se x 1/2 Analizziamo gli equilibri di Nash. Si può verificare che le soluzioni di questo problema sono del tipo [α,1 α] con α [1/2,1]. A questo fine osserviamo preliminarmente che un punto ( x,ȳ) è un equilibrio di Nash se e solo se (10) x S 1 (ȳ), ȳ S 2 ( x). Preso x = α [1/2,1], abbiamo 0 1 x = y = S 2 (x), da cui segue, essendo y 0, S 1 (y) = 1 y = x. Viceversa, preso un x < 1/2, abbiamo 1/2 = S 2 (x), da cui segue, prendendo y = 1/2, S 1 (y) = 1 1/2 > x, e quindi non è un equilibrio di Nash. Analogamente, se x > 1, abbiamo S 2 (x) = 1 x, 9

10 da cui segue, prendendo y = 1 x ed essendo y 0, S 1 (y) = 1 < x. Questo problema ha quindi infinite soluzioni a cui corrispondono valori differenti delle funzioni obiettivo di entrambi i giocatori. Il problema di tipo jointly convex. Un caso particolare di problema di equilibrio di Nash generalizzato è quello denominato jointly convex. In un problema di questo tipo: - per ogni giocatore ν e per ogni x ν, la funzione θ(.,x ν ) è convessa; - nel caso di insiemi ammissibili definiti mediante un sistema di disequazioni, si ha X = {x R n : g(x) 0}, (11) in cui g : R n R m, e le funzioni g i sono convesse rispetto a tutte le variabili x. Proposizione 4. Si consideri un problema di equilibrio di Nash generalizzato di tipo jointly convex. Si assuma che le funzioni θ ν siano continuamente differenziabili. Allora ogni soluzione di VI(X,F), dove F(x) = ( x νθ ν (x)) N ν=1, e X è definito nella (11), è soluzione di equilibrio di Nash generalizzato. Si osservi che la proposizione non stabilisce una corrispondenza biunivoca tra soluzioni di equilibrio e soluzioni della disequazione variazionale. Nel passaggio dal problema di equilibrio alla disequazione variazionale molte soluzioni vengono perse. Per comprendere questo fenomeno consideriamo l esempio (10) visto in precedenza che, come evidenziato, ha infinite soluzioni di equilibrio. Il problema è chiaramente di tipo jointly convex. La corrispondente disequazione variazionale è definita come segue 2x 2 F = X = {(x,y) R 2 : x+y 1}. 2y 1 Si verifica facilmente che il punto ( x ȳ) T = (3/4 1/4) è soluzione della disequazione variazionale. La F è strettamente monotona (essendo la matrice Jacobiana definita positiva), per cui la soluzione della disequazione variazionale è unica. 6 Giochi potenziali generalizzati Come visto in precedenza, in un problema di equilibrio di Nash generalizzato (GNEP) l obiettivo è quello di determinare, per ogni giocatore ν, con ν = 1,...,N, un vettore x ν tale che x ν X ν (x ν ) θ ν ( x ν, x ν ) θ ν (x ν, x ν ) x ν X ν (x ν ). (12) 10

11 Il comportamento naturale dei giocatori è descritto dall algoritmo di tipo Gauss-Seidel (bestresponse) presentato nel paragrafo 4. In questo schema, come naturale, ogni giocatore determina la propria strategia, fissate le strategie degli altri giocatori, risolvendo il corrispondente problema di ottimizzazione. Tuttavia, la convergenza di un algoritmo di questo tipo non può essere garantita in generale (anzi, è possibile mostrare esempi in cui l algoritmo non converge). Analizzeremo una classe di problemi di equilibrio per i quali è possibile garantire la convergenza di algoritmi di decomposizione di tipo Gauss-Seidel. Per quanto riguarda gli insiemi ammissibili assumiamo X ν (x ν ) {x ν D ν : g(x ν,x ν ) 0}, (13) dove g : R n R m è una funzione continua. Diremo che un GNEP è un gioco potenziale generalizzato se esiste una funzione continua P(x) : R n R tale che per ogni ν, per ogni x ν (tale che X ν (x ν ) è non vuoto), e per ogni y ν,z ν X ν (x ν ) θ ν (y ν,x ν ) θ ν (z ν,x ν ) > 0 implica P(y ν,x ν ) P(z ν,x ν ) c(θ ν (y ν,x ν ) θ ν (z ν,x ν )), (14) dove c è una costante maggiore di zero. La precedente condizione stabilisce l esistenza di una singola funzione P in grado di riflettere le variazioni delle funzioni obiettivo di tutti i giocatori. Si può dimostrare che una soluzione globale del problema di minimizzazione minx P(x) t.c. x X, x ν D ν, ν = 1,...,N (15) fornisce un equilibrio di Nash. Quindi la classe dei giochi potenziali generalizzati stabilisce una connessione tra teoria dei giochi e ottimizzazione. Vediamo in quali casi si ottengono dei giochi potenziali generalizzati, ossia quei giochi per i quali è possibile definire una funzione potenziale P che goda della proprietà precedentemente enunciata. I casi di interesse sono i seguenti: (i) la funzione obiettivo di ogni giocatore non dipende dalle variabili degli altri giocatori, ossia θ ν (x) = θ ν (x ν ); in questo caso una funzione potenziale è la seguente P(x) = N θ ν (x ν ). (ii) le funzioni obiettivo dei vari giocatori hanno un termine comune, ossia ν=1 θ ν (x) = c(x)+d ν (x ν ); in questo caso una funzione potenziale è la seguente P(x) = c(x)+ N d ν (x ν ). Presenteremo ora due schemi di decomposizione relativi ai casi seguenti: ν=1 11

12 (I) N giocatori e ipotesi di convessità; (II) 2 giocatori senza ipotesi di convessità. Nel caso (I) assumiamo la seguente ipotesi. Le funzioni obiettivo θ ν (,x ν ) e gli insiemi ammissibili X ν (x ν ) sono convessi. Nel caso (I) lo schema di decomposizione è il seguente. Algorithm 2: Regularized Gauss-Seidel Convex Subproblems (S.0) : Choose any feasible starting point x 0 = ( x 1 ) 0,...,xN 0, a positive regularization parameter τ > 0 and set k := 0 (S.1) : If x k satisfies a suitable termination criterion: STOP. Otherwise set x k,1 = x k. (S.2) : for ν = 1,...,N, compute a solution x ν k+1 of min x ν s.t. ( θ ν x 1 k+1,...,x ν 1 k+1,xν,x ν+1 k,...,x N ) k +τ x ν x ν k 2 x ν ( X ν x 1 k+1,...,x ν 1 k+1,xν+1 k,...,x N ) (16) k. Set x k,ν+1 = (x 1 k+1,...,xν k+1,xν+1 k,...,x N k ) end (S.3) : Set x k+1 := ( x 1 k+1,...,xn k+1),k k +1, and go to (S.1). Nel caso (II), ossia quello di due giocatori, lo schema di decomposizione è quello classico di Gauss-Seidel senza termine di regolarizzazione. Algorithm 3: Gauss-Seidel Two Players (S.0) : Choose a feasible starting point x 0 R n 1,y 0 R n 2 and set k := 0 (S.1) : If (x k,y k ) satisfies a suitable termination criterion: STOP (S.2) : Let x k+1 be a (global) solution of minθ 1 (x,y k ) x X(y k ). (17) (S.3) : Let y k+1 be a (global) solution of minθ 2 (x k+1,y) y Y(x k+1 ). (18) (S.4) : Set k k +1, and go to (S.1). Per entrambi gli schemi si possono dimostrare proprietà di convergenza globale. 12

13 7 Appendice: richiami sulle disequazioni variazionali Siano dati un insieme X R n non vuoto, chiuso e convesso, e una funzione continua F : R n R n. Una disequazione variazionale, indicata con VI(X,F), è il problema di determinare un vettore x X tale che F(x ) T (x x ) 0 x X. Si consideri un problema di ottimizzazione del tipo minf(x) x S, (19) in cui f : R n R è una funzione continuamente differenziabile e S è un insieme convesso. Sappiamo che un punto x di minimo locale soddisfa le condizioni di ottimalità f(x ) T (x x ) 0 x S, ossia x è soluzione della disequazione variazionale VI(S, f). Quindi determinare un punto critico per il problema (19) equivale a risolvere una VI. Viceversa, data una disequazione variazionale V I(X, F), non è sempre possibile associare ad essa un problema di ottimizzazione equivalente. Questa associazione è possibile se e solo se F è il gradiente di qualche funzione. Da un risultato di analisi, sotto opportune ipotesi di differenziabilità su insiemi aperti e convessi, si ha che F è il gradiente di una funzione f se e solo se la matrice Jacobiana di F è simmetrica. In tal caso, la funzione f, a meno di una costante, assume la forma f(x) = 1 0 F(x 0 +t(x x 0 )) T (x x 0 )dt, dove x 0 è un punto arbitrario nell insieme considerato. Esistenza della soluzione di una disequazione variazionale. Una condizione sufficiente di esistenza di una VI(X,F) è quella che richiede che l insieme X sia compatto e convesso, e la funzione F sia continua. Per avere risultati di convergenza che prescindano dalla compattezza dell insieme X, occorre introdurre i concetti di monotonia, stretta monotonia, forte monotonia di una funzione vettoriale. Sia F : X R n R n. Diremo che la funzione F è monotona se comunque presi due vettori x 1,x 2 X risulta (F(x 1 ) F(x 2 )) T (x 1 x 2 ) 0. DiremochelafunzioneF èstrettamente monotonasecomunquepresiduevettoridistintix 1,x 2 X risulta (F(x 1 ) F(x 2 )) T (x 1 x 2 ) > 0. Diremo che F è strettamente monotona se esiste una costante α > 0 tale che (F(x 1 ) F(x 2 )) T (x 1 x 2 ) α x 1 x 2 2. Si osservi che la forte implica la stretta che implica la monotonia. La F è monotona se e solo se la matrice Jacobiana è semidefinita positiva in tutti i punti di X. 13

14 SelamatriceJacobianaèdefinitapositivaintuttiipuntidiX alloraf èstrettamentemonotona. Se la matrice Jacobiana è uniformemente definita positiva in tutti i punti di X allora F è fortemente monotona. Se F è strettamente monotona la VI(X,F) ha al più una soluzione. Se F è fortemente monotona la soluzione di VI(X,F) esiste ed è unica. Metodi di soluzione L algoritmo di base è quello di proiezione. Data una costante τ > 0, all iterazione k si pone x k+1 = P[x k τf(x k )], dove P è l operatore di proiezione su X. Se esistono costanti α e L maggiori di zero tali che e se la costante τ è tale che allora il metodo converge. (F(x) F(y)) T (x y) α x y 2, F(y) F(x) L, y x τ < 2α L 2, Esiste un altro metodo, detto metodo di proiezione sull iperpiano, che converge sotto ipotesi molto meno restrittive. La strategia del metodo è la seguente: - viene generato il punto y k = P[x k τf(x k )]; - viene determinato un punto z k con una ricerca di linea, a partire da x k lungo la direzione d k = y k x k ; - si calcola il punto w k compe proiezione del punto x k lungo l iperpiano passante per z k e ortogonale a F(z k ); - il punto x k+1 è ottenuto proiettando w k su X. Si osservi che il punto w k si ottiene risolvendo il problema seguente: Scrivendo la funzione Lagrangiana abbiamo min 1 2 xk w 2 F(z k ) T (w z k ) = 0. L(w,λ) = 1 2 xk w 2 +λf(z k ) T (w z k ). Dall annullamento del gradiente della Lagrangiana (condizioni KKT) segue w = x k λ F(z k ) da cui si ottiene λ = F(zk ) T (x k z k ) F(z k ) 2. Possiamo quindi concludere che risulta w k = w = x k F(zk ) T (x k z k ) F(z k ) 2 F(z k ). 14

Dimensionamento dei lotti di produzione: il caso con variabilità nota

Dimensionamento dei lotti di produzione: il caso con variabilità nota Dimensionamento dei lotti di produzione: il caso con variabilità nota A. Agnetis In questi appunti studieremo alcuni modelli per il problema del lot sizing, vale a dire il problema di programmare la dimensione

Dettagli

Massimi e minimi vincolati

Massimi e minimi vincolati Massimi e minimi vincolati In problemi di massimo e minimo vincolato viene richiesto di ricercare massimi e minimi di una funzione non definita su tutto R n, ma su un suo sottoinsieme proprio. Esempio:

Dettagli

SUCCESSIONI NUMERICHE

SUCCESSIONI NUMERICHE SUCCESSIONI NUMERICHE Una funzione reale di una variabile reale f di dominio A è una legge che ad ogni x A associa un numero reale che denotiamo con f(x). Se A = N, la f è detta successione di numeri reali.

Dettagli

1.1. Spazi metrici completi

1.1. Spazi metrici completi SPAZI METRICI: COMPLETEZZA E COMPATTEZZA Note informali dalle lezioni 1.1. Spazi metrici completi La nozione di convergenza di successioni è centrale nello studio degli spazi metrici. In particolare è

Dettagli

5. La teoria astratta della misura.

5. La teoria astratta della misura. 5. La teoria astratta della misura. 5.1. σ-algebre. 5.1.1. σ-algebre e loro proprietà. Sia Ω un insieme non vuoto. Indichiamo con P(Ω la famiglia di tutti i sottoinsiemi di Ω. Inoltre, per ogni insieme

Dettagli

b i 1,1,1 1,1,1 0,1,2 0,3,4

b i 1,1,1 1,1,1 0,1,2 0,3,4 V o Appello // RICERCA OPERATIVA - Corso A (a.a. 9/) Nome Cognome: Corso di Laurea: L C6 LS LM Matricola: ) Si consideri il problema di flusso di costo minimo in figura. Si verifichi se il flusso ammissibile

Dettagli

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S

Dettagli

Ottimizzazione non Vincolata

Ottimizzazione non Vincolata Dipartimento di Informatica e Sitemistica Università di Roma Corso Dottorato Ingegneria dei Sistemi 15/02/2010, Roma Outline Ottimizzazione Non Vincolata Introduzione Ottimizzazione Non Vincolata Algoritmi

Dettagli

SIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno

SIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno SIMULAZIONE ESAME di OTTIMIZZAZIONE 28 novembre 2005 SIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno Cognome : XXXXXXXXXXXXXXXXX Nome : XXXXXXXXXXXXXX VALUTAZIONE

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

1 Serie di Taylor di una funzione

1 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

Dettagli

A i è un aperto in E. i=1

A i è un aperto in E. i=1 Proposizione 1. A è aperto se e solo se A c è chiuso. Dimostrazione. = : se x o A c, allora x o A = A o e quindi esiste r > 0 tale che B(x o, r) A; allora x o non può essere di accumulazione per A c. Dunque

Dettagli

Problema del trasporto

Problema del trasporto p. 1/1 Problema del trasporto Supponiamo di avere m depositi in cui è immagazzinato un prodotto e n negozi che richiedono tale prodotto. Nel deposito i è immagazzinata la quantità a i di prodotto. Nel

Dettagli

Sono casi particolari di MCF : SPT (cammini minimi) non vi sono vincoli di capacità superiore (solo x ij > 0) (i, j) A : c ij, costo di percorrenza

Sono casi particolari di MCF : SPT (cammini minimi) non vi sono vincoli di capacità superiore (solo x ij > 0) (i, j) A : c ij, costo di percorrenza Il problema di flusso di costo minimo (MCF) Dati : grafo orientato G = ( N, A ) i N, deficit del nodo i : b i (i, j) A u ij, capacità superiore (max quantità di flusso che può transitare) c ij, costo di

Dettagli

Massimi e minimi vincolati di funzioni in due variabili

Massimi e minimi vincolati di funzioni in due variabili Massimi e minimi vincolati di funzioni in due variabili I risultati principali della teoria dell ottimizzazione, il Teorema di Fermat in due variabili e il Test dell hessiana, si applicano esclusivamente

Dettagli

Modelli di Ottimizzazione

Modelli di Ottimizzazione Capitolo 2 Modelli di Ottimizzazione 2.1 Introduzione In questo capitolo ci occuperemo più nel dettaglio di quei particolari modelli matematici noti come Modelli di Ottimizzazione che rivestono un ruolo

Dettagli

CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI

CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI Abbiamo studiato successioni e serie numeriche, ora vogliamo studiare successioni e serie di funzioni. Dato un insieme A R, chiamiamo successione di funzioni

Dettagli

Teoria dei Giochi. Teoria dei Giochi

Teoria dei Giochi. Teoria dei Giochi Teoria dei Giochi E uno strumento decisionale, utile per operare previsioni sul risultato quando un decisore deve operare in concorrenza con altri decisori. L ipotesi principale su cui si basa la TdG è

Dettagli

SVM. 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 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

Dettagli

u 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k

u 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k Capitolo 4 Serie numeriche 4. Serie convergenti, divergenti, indeterminate Data una successione di numeri reali si chiama serie ad essa relativa il simbolo u +... + u +... u, u 2,..., u,..., (4.) oppure

Dettagli

Appunti delle esercitazioni di Ricerca Operativa

Appunti delle esercitazioni di Ricerca Operativa Appunti delle esercitazioni di Ricerca Operativa a cura di P. Detti e G. Ciaschetti 1 Esercizi sulle condizioni di ottimalità per problemi di ottimizzazione non vincolata Esempio 1 Sia data la funzione

Dettagli

Corso di Analisi Numerica

Corso di Analisi Numerica Corso di Laurea in Ingegneria Informatica Corso di Analisi Numerica 8 - METODI ITERATIVI PER I SISTEMI LINEARI Lucio Demeio Dipartimento di Scienze Matematiche 1 Norme e distanze 2 3 4 Norme e distanze

Dettagli

Laboratorio Complementi di Ricerca Operativa DEI, Politecnico di Milano. Stima di parametri

Laboratorio Complementi di Ricerca Operativa DEI, Politecnico di Milano. Stima di parametri Stima di parametri Il gestore di un sito turistico dove si pratica il bungee-jumping deve fornire alla sovrintendenza municipale un documento che riguarda la sicurezza del servizio fornito. Il documento

Dettagli

EQUAZIONI DIFFERENZIALI Esercizi svolti. y = xy. y(2) = 1.

EQUAZIONI 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

Dettagli

Serie numeriche. 1 Definizioni e proprietà elementari

Serie numeriche. 1 Definizioni e proprietà elementari Serie numeriche Definizioni e proprietà elementari Sia { } una successione, definita per ogni numero naturale n n. Per ogni n n, consideriamo la somma s n degli elementi della successione di posto d s

Dettagli

La Programmazione Lineare

La Programmazione Lineare 4 La Programmazione Lineare 4.1 INTERPRETAZIONE GEOMETRICA DI UN PROBLEMA DI PROGRAMMAZIONE LINEARE Esercizio 4.1.1 Fornire una rappresentazione geometrica e risolvere graficamente i seguenti problemi

Dettagli

Corso di Analisi Matematica. Successioni e serie numeriche

Corso di Analisi Matematica. Successioni e serie numeriche a.a. 2011/12 Laurea triennale in Informatica Corso di Analisi Matematica Successioni e serie numeriche Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità

Dettagli

15 febbraio 2010 - Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a. 2009-2010 COGNOME... NOME... N. MATRICOLA...

15 febbraio 2010 - Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a. 2009-2010 COGNOME... NOME... N. MATRICOLA... 15 febbraio 010 - Soluzione esame di geometria - 1 crediti Ingegneria gestionale - a.a. 009-010 COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura

Dettagli

09 - Funzioni reali di due variabili reali

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

Dettagli

Metodi 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 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

Dettagli

APPENDICE NOZIONI BASE E VARIE

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

Dettagli

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme 1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R

Dettagli

EQUAZIONI DIFFERENZIALI. 1. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x 2 log t (d) x = e t x log x (e) y = y2 5y+6

EQUAZIONI DIFFERENZIALI. 1. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x 2 log t (d) x = e t x log x (e) y = y2 5y+6 EQUAZIONI DIFFERENZIALI.. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x log t (d) x = e t x log x (e) y = y 5y+6 (f) y = ty +t t +y (g) y = y (h) xy = y (i) y y y = 0 (j) x = x (k)

Dettagli

Note di matematica per microeconomia

Note di matematica per microeconomia Note di matematica per microeconomia Luigi Balletta Funzioni di una variabile (richiami) Una funzione di variabile reale ha come insieme di partenza un sottoinsieme di R e come insieme di arrivo un sottoinsieme

Dettagli

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2 NLP -OPT 1 CONDIZION DI OTTIMO [ Come ricavare le condizioni di ottimo. ] Si suppone x* sia punto di ottimo (minimo) per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J la condizione

Dettagli

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

Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... Entropia Motivazione Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... ) s,s 2,s 3,... ognuno dei quali appartiene ad un alfabeto A di M elementi.? Quant è l informazione portata

Dettagli

Ricerca Operativa 2. Introduzione al metodo del Simplesso

Ricerca Operativa 2. Introduzione al metodo del Simplesso Ricerca Operativa 2. Introduzione al metodo del Simplesso Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema di ottimizzazione vincolata è definito dalla massimizzazione

Dettagli

Metodi iterativi per sistemi lineari

Metodi iterativi per sistemi lineari Metodi iterativi per sistemi lineari Dario A. Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati relativi ai metodi iterativi per risolvere sistemi di equazioni

Dettagli

- Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo)

- Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo) Se si ha un problema lineare e' possibile risolverlo in piu' modi (equivalenti ) - Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo) - Trovare soluzione ottima duale (con il simplesso

Dettagli

2 Formulazione dello shortest path come problema di flusso

2 Formulazione dello shortest path come problema di flusso Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10 Lecture 20: 28 Maggio 2010 Cycle Monotonicity Docente: Vincenzo Auletta Note redatte da: Annibale Panichella Abstract In questa lezione

Dettagli

Ottimizazione vincolata

Ottimizazione vincolata Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l

Dettagli

4. Operazioni binarie, gruppi e campi.

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

Dettagli

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE

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

Dettagli

Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni

Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni CARLO MANNINO Università di Roma La Sapienza Dipartimento di Informatica e Sistemistica

Dettagli

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

Dettagli

11) convenzioni sulla rappresentazione grafica delle soluzioni

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

Dettagli

Prova parziale di Geometria e Topologia I - 5 mag 2008 (U1-03, 13:30 16:30) 1/8. Cognome:... Nome:... Matricola:...

Prova parziale di Geometria e Topologia I - 5 mag 2008 (U1-03, 13:30 16:30) 1/8. Cognome:... Nome:... Matricola:... Prova parziale di Geometria e Topologia I - 5 mag 2008 (U1-03, 13:30 16:30) 1/8 Cognome:................ Nome:................ Matricola:................ (Dare una dimostrazione esauriente di tutte le

Dettagli

SPAZI METRICI. Uno spazio metrico X con metrica d si indica con il simbolo (X, d). METRICI 1

SPAZI METRICI. Uno spazio metrico X con metrica d si indica con il simbolo (X, d). METRICI 1 SPAZI METRICI Nel piano R 2 o nello spazio R 3 la distanza fra due punti è la lunghezza, o norma euclidea, del vettore differenza di questi due punti. Se p = (x, y, z) è un vettore in coordinate ortonormali,

Dettagli

2 Progetto e realizzazione di funzioni ricorsive

2 Progetto e realizzazione di funzioni ricorsive 2 Progetto e realizzazione di funzioni ricorsive Il procedimento costruttivo dato dal teorema di ricorsione suggerisce due fatti importanti. Una buona definizione ricorsiva deve essere tale da garantire

Dettagli

Ricerca Operativa A.A. 2007/2008. 10. Dualità in Programmazione Lineare

Ricerca Operativa A.A. 2007/2008. 10. Dualità in Programmazione Lineare Ricerca Operativa A.A. 2007/2008 10. Dualità in Programmazione Lineare Luigi De Giovanni - Ricerca Operativa - 10. Dualità in Programmazione Lineare 10.1 Soluzione di un problema di PL: punti di vista

Dettagli

FUNZIONI ELEMENTARI - ESERCIZI SVOLTI

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

Dettagli

Parte 6. Applicazioni lineari

Parte 6. Applicazioni lineari Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R

Dettagli

Esistenza di funzioni continue non differenziabili in alcun punto

Esistenza di funzioni continue non differenziabili in alcun punto UNIVERSITÀ DEGLI STUDI DI CAGLIARI FACOLTÀ DI SCIENZE MATEMATICHE, FISICHE E NATURALI CORSO DI LAUREA IN MATEMATICA Esistenza di funzioni continue non differenziabili in alcun punto Relatore Prof. Andrea

Dettagli

TSP con eliminazione di sottocicli

TSP con eliminazione di sottocicli TSP con eliminazione di sottocicli Un commesso viaggiatore deve visitare 7 clienti in modo da minimizzare la distanza percorsa. Le distanze (in Km) tra ognuno dei clienti sono come segue: 7-8 9 7 9-8 79

Dettagli

Sulla monotonia delle funzioni reali di una variabile reale

Sulla monotonia delle funzioni reali di una variabile reale Liceo G. B. Vico - Napoli Sulla monotonia delle funzioni reali di una variabile reale Prof. Giuseppe Caputo Premetto due teoremi come prerequisiti necessari per la comprensione di quanto verrà esposto

Dettagli

Proof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme

Proof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme G Pareschi Principio di induzione Il Principio di Induzione (che dovreste anche avere incontrato nel Corso di Analisi I) consente di dimostrare Proposizioni il cui enunciato è in funzione di un numero

Dettagli

Ricerca Operativa Dualità e programmazione lineare

Ricerca Operativa Dualità e programmazione lineare Ricerca Operativa Dualità e programmazione lineare L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi alle spiegazioni del

Dettagli

METODI ITERATIVI PER SISTEMI LINEARI

METODI ITERATIVI PER SISTEMI LINEARI METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione

Dettagli

Successioni e serie di funzioni

Successioni e serie di funzioni Successioni e serie di funzioni A. Albanese, A. Leaci, D. Pallara In questa dispensa generalizzeremo la trattazione delle successioni e delle serie al caso in cui i termini delle stesse siano non numeri

Dettagli

Corso di Calcolo Numerico

Corso di Calcolo Numerico Corso di Calcolo Numerico Dottssa MC De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Corso di Calcolo Numerico - Dottssa MC De Bonis

Dettagli

FUNZIONI CONVESSE. + e x 0

FUNZIONI CONVESSE. + e x 0 FUNZIONI CONVESSE Sia I un intervallo aperto di R (limitato o illimitato) e sia f(x) una funzione definita in I. Dato x 0 I, la retta r passante per il punto P 0 (x 0, f(x 0 )) di equazione y = f(x 0 )

Dettagli

Equilibrio bayesiano perfetto. Giochi di segnalazione

Equilibrio bayesiano perfetto. Giochi di segnalazione Equilibrio bayesiano perfetto. Giochi di segnalazione Appunti a cura di Stefano Moretti, Silvia VILLA e Fioravante PATRONE versione del 26 maggio 2006 Indice 1 Equilibrio bayesiano perfetto 2 2 Giochi

Dettagli

Rette e curve, piani e superfici

Rette e curve, piani e superfici Rette e curve piani e superfici ) dicembre 2 Scopo di questo articolo è solo quello di proporre uno schema riepilogativo che metta in luce le caratteristiche essenziali delle equazioni di rette e curve

Dettagli

1. PRIME PROPRIETÀ 2

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

Dettagli

VC-dimension: Esempio

VC-dimension: Esempio VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio

Dettagli

Formulazioni PLI di problemi di decisione. 1 Introduzione: La formulazione dei problemi di ottimizzazione combinatoria

Formulazioni PLI di problemi di decisione. 1 Introduzione: La formulazione dei problemi di ottimizzazione combinatoria Formulazioni PLI di problemi di decisione Dispensa per il modulo di Analisi e Ottimizzazione dei Processi di Produzione Università di Roma Tor Vergata a cura di Andrea Pacifici, Claudio Cavalletti, Daniela

Dettagli

1 Massimi e minimi liberi 1. 2 Massimi e minimi vincolati 7. 3 Soluzioni degli esercizi 12

1 Massimi e minimi liberi 1. 2 Massimi e minimi vincolati 7. 3 Soluzioni degli esercizi 12 UNIVR Facoltà di Economia Sede di Vicenza Corso di Matematica 1 Massimi e minimi delle funzioni di più variabili Indice 1 Massimi e minimi liberi 1 Massimi e minimi vincolati 7 3 Soluzioni degli esercizi

Dettagli

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1 LEZIONE 14 141 Dimensione di uno spazio vettoriale Abbiamo visto come l esistenza di una base in uno spazio vettoriale V su k = R, C, permetta di sostituire a V, che può essere complicato da trattare,

Dettagli

Analisi 2. Argomenti. Raffaele D. Facendola

Analisi 2. Argomenti. Raffaele D. Facendola Analisi 2 Argomenti Successioni di funzioni Definizione Convergenza puntuale Proprietà della convergenza puntuale Convergenza uniforme Continuità e limitatezza Teorema della continuità del limite Teorema

Dettagli

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

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

Dettagli

1. Sia dato un poliedro. Dire quali delle seguenti affermazioni sono corrette.

1. Sia dato un poliedro. Dire quali delle seguenti affermazioni sono corrette. . Sia dato un poliedro. (a) Un vettore x R n è un vertice di P se soddisfa alla seguenti condizioni: x P e comunque presi due punti distinti x, x 2 P tali che x x e x x 2 si ha x = ( β)x + βx 2 con β [0,

Dettagli

3.1 Successioni. R Definizione (Successione numerica) E Esempio 3.1 CAPITOLO 3

3.1 Successioni. R Definizione (Successione numerica) E Esempio 3.1 CAPITOLO 3 CAPITOLO 3 Successioni e serie 3. Successioni Un caso particolare di applicazione da un insieme numerico ad un altro insieme numerico è quello delle successioni, che risultano essere definite nell insieme

Dettagli

Lezioni di Ricerca Operativa. Corso di Laurea in Informatica Università di Salerno. Lezione n 4

Lezioni di Ricerca Operativa. Corso di Laurea in Informatica Università di Salerno. Lezione n 4 Lezioni di Ricerca Operativa Lezione n 4 - Problemi di Programmazione Matematica - Problemi Lineari e Problemi Lineari Interi - Forma Canonica. Forma Standard Corso di Laurea in Informatica Università

Dettagli

16. Vari modi di convergenza delle successioni di funzioni reali misurabili.

16. Vari modi di convergenza delle successioni di funzioni reali misurabili. 16. Vari modi di convergenza delle successioni di funzioni reali misurabili. L argomento centrale di questa ultima parte del corso è lo studio in generale della convergenza delle successioni negli spazi

Dettagli

2) Codici univocamente decifrabili e codici a prefisso.

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

Dettagli

1 Applicazioni Lineari tra Spazi Vettoriali

1 Applicazioni Lineari tra Spazi Vettoriali 1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!

Dettagli

L espressione torna invece sempre vera (quindi la soluzione originale) se cambiamo contemporaneamente il verso: 1 < 0.

L espressione torna invece sempre vera (quindi la soluzione originale) se cambiamo contemporaneamente il verso: 1 < 0. EQUAZIONI E DISEQUAZIONI Le uguaglianze fra espressioni numeriche si chiamano equazioni. Cercare le soluzioni dell equazione vuol dire cercare quelle combinazioni delle lettere che vi compaiono che la

Dettagli

1 Convessità olomorfa

1 Convessità olomorfa 1 Convessità olomorfa Esercizio 1 Sia f O(C n ) e sia X = {f = 0}; dimostrare che, per ogni K compatto di X, l inviluppo K O(Cn ) è contenuto in X. Esercizio 2 Fissato un reale δ (0, 2π), consideriamo

Dettagli

La funzione è continua nel suo dominio perchè y = f(x) è composizione di funzioni continue. Il punto x = 0 è un punto isolato per D f.

La funzione è continua nel suo dominio perchè y = f(x) è composizione di funzioni continue. Il punto x = 0 è un punto isolato per D f. FUNZIONI CONTINUE - ALCUNI ESERCIZI SVOLTI SIMONE ALGHISI 1. Continuità di una funzione Dati un insieme D R, una funzione f : D R e x 0 R, si è detto che f è continua in x 0 se sono soddisfatte le seguenti

Dettagli

Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali.

Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali. CAPITOLO 7 Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali. Esercizio 7.1. Determinare il rango delle seguenti matrici al variare del parametro t R. 1 4 2 1 4 2 A 1 = 0 t+1 1 A 2 = 0 t+1 1

Dettagli

Logistica - Il problema del trasporto

Logistica - Il problema del trasporto Logistica - Il problema del trasporto Federico Di Palma December 17, 2009 Il problema del trasporto sorge ogniqualvolta si debba movimentare della merce da una o più sorgenti verso una o più destinazioni

Dettagli

Equazioni non lineari

Equazioni non lineari Equazioni non lineari Data una funzione f : [a, b] R si cerca α [a, b] tale che f (α) = 0. I metodi numerici per la risoluzione di questo problema sono metodi iterativi. Teorema Data una funzione continua

Dettagli

ESEMPIO P.L. : PIANIFICAZIONE DI INVESTIMENTI

ESEMPIO P.L. : PIANIFICAZIONE DI INVESTIMENTI ESEMPIO P.L. : PIANIFICAZIONE DI INVESTIMENTI PROBLEMA: un azienda deve scegliere fra due possibili investimenti al fine di massimizzare il profitto netto nel rispetto delle condizioni interne e di mercato

Dettagli

Moto uniforme sul toro bidimensionale

Moto uniforme sul toro bidimensionale 4/3/06 Luigi Chierchia Moto uniforme sul toro bidimensionale 1. Il toro bidimensionale Denotiamo con R l insieme dei numeri reali e con Z l insieme dei numeri interi (con segno) {..., 2, 1, 0, 1, 2,...};

Dettagli

4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale

4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale 4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale Spazi Metrici Ricordiamo che uno spazio metrico è una coppia (X, d) dove X è un insieme e d : X X [0, + [ è una funzione, detta metrica,

Dettagli

Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso

Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso Flusso di costo minimo È dato un grafo direzionato G = (N, A). Ad ogni arco (i, j) A è associato il costo c ij

Dettagli

LE FUNZIONI A DUE VARIABILI

LE FUNZIONI A DUE VARIABILI Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre

Dettagli

Appunti sulla Macchina di Turing. Macchina di Turing

Appunti sulla Macchina di Turing. Macchina di Turing Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso

Dettagli

Scelte in condizione di incertezza

Scelte in condizione di incertezza Scelte in condizione di incertezza Tutti i problemi di decisione che abbiamo considerato finora erano caratterizzati dal fatto che ogni possibile scelta dei decisori portava a un esito certo. In questo

Dettagli

Un modello matematico di investimento ottimale

Un modello matematico di investimento ottimale Un modello matematico di investimento ottimale Tiziano Vargiolu 1 1 Università degli Studi di Padova Liceo Scientifico Benedetti Venezia, giovedì 30 marzo 2011 Outline 1 Investimento per un singolo agente

Dettagli

Funzioni in più variabili

Funzioni in più variabili Funzioni in più variabili Corso di Analisi 1 di Andrea Centomo 27 gennaio 2011 Indichiamo con R n, n 1, l insieme delle n-uple ordinate di numeri reali R n4{(x 1, x 2,,x n ), x i R, i =1,,n}. Dato X R

Dettagli

Soluzione verifica del 16/12/2014

Soluzione verifica del 16/12/2014 Soluzione verifica del 6/2/204. Determinare dominio e codominio della funzione y = f(x) il cui grafico è rappresentato nella figura seguente; successivamente valutare i seguenti iti: x x 2 + x x 2 x 2

Dettagli

Autovalori e Autovettori

Autovalori e Autovettori Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2008-2009 Autovalori e Autovettori Definizione Siano A C nxn, λ C, e x C n, x 0, tali che Ax = λx. (1) Allora

Dettagli

min 4x 1 +x 2 +x 3 2x 1 +x 2 +2x 3 = 4 3x 1 +3x 2 +x 3 = 3 x 1 +x 2 3x 3 = 5 Innanzitutto scriviamo il problema in forma standard: x 1 x 2 +3x 3 = 5

min 4x 1 +x 2 +x 3 2x 1 +x 2 +2x 3 = 4 3x 1 +3x 2 +x 3 = 3 x 1 +x 2 3x 3 = 5 Innanzitutto scriviamo il problema in forma standard: x 1 x 2 +3x 3 = 5 IL METODO DEL SIMPLESSO 65 Esercizio 7.4.4 Risolvere utilizzando il metodo del simplesso il seguente problema di PL: min 4 + + + + = 4 + + = + = 5 Innanzitutto scriviamo il problema in forma standard:

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

La dualità nella Programmazione Lineare

La dualità nella Programmazione Lineare Capitolo 5 La dualità nella Programmazione Lineare In questo capitolo verrà introdotto un concetto di fondamentale importanza sia per l analisi dei problemi di Programmazione Lineare, sia per lo sviluppo

Dettagli

Esercizi su lineare indipendenza e generatori

Esercizi su lineare indipendenza e generatori Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v

Dettagli

Insiemi di livello e limiti in più variabili

Insiemi di livello e limiti in più variabili Insiemi di livello e iti in più variabili Insiemi di livello Si consideri una funzione f : A R, con A R n. Un modo per poter studiare il comportamento di una funzione in più variabili potrebbe essere quello

Dettagli

Sulle funzioni di W 1,p (Ω) a traccia nulla

Sulle funzioni di W 1,p (Ω) a traccia nulla Sulle funzioni di W 1,p () a traccia nulla Sia u W 1,p (R n ) e supponiamo che il supp u, essendo un aperto di R n. Possiamo approssimare u con una successione di funzioni C il cui supporto è contenuto

Dettagli

RELAZIONI E FUNZIONI. Per ricordare. Figura 1. Figura 2. Figura 3. Figura 4

RELAZIONI E FUNZIONI. Per ricordare. Figura 1. Figura 2. Figura 3. Figura 4 RELAZIONI E FUNZIONI 3 Per ricordare H Dati due insiemi A e B e una proposizione aperta px,y, con x 2 A e y 2 B, si dice che x eá in relazione con y, e si scrive x R y, sepx,y eá vera; si parla allora

Dettagli