COMPLESSITA COMPUTAZIONALE ESERCITAZIONI (I PARTE) Tutor: Francesca Piersigilli

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "COMPLESSITA COMPUTAZIONALE ESERCITAZIONI (I PARTE) Tutor: Francesca Piersigilli"

Transcript

1 COMPLESSITA COMPUTAZIONALE ESERCITAZIONI (I PARTE) Tutor: Fracesca Piersigilli

2 ANALISI DI ALGORITMI Aalizzare u algoritmo sigifica prevedere le risorse che esso richiede: MEMORIA TEMPO Per fare ciò assumeremo che le istruzioi dell algoritmo vegoo eseguite ua dopo l altra seza possibilità di eseguire operazioi i maiera cocorrete.

3 Isertio sort (I) Per otteere u array ordiato basta costruirlo ordiato, iseredo gli elemeti al posto giusto fi dall iizio. Si agisce sull array, i modo tale che i primi k elemeti risultao essere sempre ordiati

4 Isertio sort (II) Scelta di progetto i ogi istate, le prime K celle (umerate da 0 a K-1) costituiscoo parte dell array ordiato; le successive N-K celle costituiscoo la parte residua dell array origiale. ORDINATO DA ORDINARE

5 Isertio sort (III) Come cosegueza della scelta di progetto fatta, i ogi istate il uovo elemeto da iserire si trova ella cella successiva alla fie del uovo array, cioè la (K+1)-esima (il cui idice è K)

6 Calcolo Complessità INSERTION SORT (I) alizziamo i dettaglio l algoritmo Isertio Sort. azitutto dobbiamo aver presete il codice dell algoritmo: or (j = 1; j < ; j++) { //: umero di elemeti che il vettore cotiee it i, x; i = j-1; x = A[j]; //A[j]: elemeto j-esimo del vettore A while (i >=0 && A[i] > x) { A[i + 1] = A[i]; i--; } A[i+1] = x;

7 Calcolo Complessità INSERTION SORT (II) ISTRUZIONI for (j = 1; j < ; j++) { it i, x; i = j-1; x = A[j]; while (i >=0 && A[i] > x) { COSTO c 1 0 c 2 c 3 c 4 NUMERO DI VOLTE CHE AVVIENE L ESECUZIONE Σ t j i--; } A[i+1] = x; } A[i + 1] = A[i]; c 5 c 6 c 7 Σ (t j -1) Σ (t j -1) -1

8 Calcolo Complessità INSERTION SORT (III) Dove t j è il umero di volte che l istruzioe viee eseguita per quel determiato valore di j. Quidi possiamo dire che la complessità computazioale dell algoritmo Isert Sort è data da: T() = *c 1 + (-1)*c 2 + (-1)*c 3 + Σ t j *c 4 + Σ (t j -1)*c Σ (t j -1)*c 6 + (-1)*c 7

9 Calcolo Complessità INSERTION SORT (IV) Notare che il tempo di esecuzioe dell algoritmo è la somma dei tempi di esecuzioe di ciascua istruzioe eseguita; u istruzioe che costa c i per essere eseguita e che viee elaborata volte, cotribuirà co c i * al totale del tempo di esecuzioe. Per calcolare T(), cioè il tempo di esecuzioe di INSERTION SORT, si sommao i prodotti delle coloe dei costi e delle volte che l istruzioe viee eseguita.

10 Calcolo Complessità INSERTION SORT (V) ipedeza dall iput: che per iput della stessa dimesioe (cioè dello stesso, questo caso umero di elemeti), il tempo di esecuzioe i u algoritmo può dipedere da quale tipo di iput è dato. er esempio, i INSERTION SORT il caso migliore è uado l array è già ordiato: per ogi j, si trova che [i] < x, quado i ha il suo valore iiziale di j-1.

11 Calcolo Complessità INSERTION SORT (VI) Caso migliore : Quidi t j = 1 per j = 1, 2,,, co u tempo di esecuzioe el caso migliore pari a: T() = *c 1 + (-1)*c 2 + (-1)*c 3 + *c 4 + (-1)*c 7 = = *(c 1 +c 4 ) + (c 2 +c 3 +c 7 )*(-1) = Σ t j = Σ 1 = (c 1 +c 2 +c 3 +c 4 +c 7 )* + (c 2 +c 3 +c 7 ) a*+b * a, b dipedoo dai costi c i a b Complessità Lieare

12 Calcolo Complessità INSERTION SORT (VII) aso peggiore: INSERTION SORT il caso peggiore è quado l array è rdiato i ordie iverso (decrescete): i questo caso isoga cofrotare ogi elemeto A[i] co tutto il ottoarray, così che t j = j per j =1, 2,, : 1 t j = Σ j = *(+1) 2 2 =1 (t j -1) = Σ (j-1) = *(-1) 2

13 alcolo Complessità INSERTION SORT (VIII) aso peggiore el caso peggiore il tempo di esecuzioe di u algoritmo di INSERTION ORT è: (+1)-4 (-1) () = *c 1 + (-1)*c 2 + (-1)*c 3 + *c 4 + *c (-1) + *c 6 + (-1)*c 7 = 2 = *c 1 + *c 2 c 2 + *c 3 c * + * - 2*c c 5 c 5 c * - * + 2 * - * + *c 7 c 7 = c 4 c 5 c 6 = ( + + )* 2 +(c 1 +c 2 +c c 7 )*-c 2 -c 3-2c 4 -c a * 2 + c 6 c 4 c 4 c 5 c 6 c 4 b *+ c

14 Calcolo Complessità INSERTION SORT (IX) Caso peggiore a* 2 + b* + c Abbiamo complessità computazioale quadratica. I geere si prede i cosiderazioe il caso peggiore, i modo tale che esiste ua garazia che l algoritmo o potrà mai impiegare tempi maggiori.

CAPITOLO 3. Quicksort

CAPITOLO 3. Quicksort CAPITOLO 3 Quicksort I questa lezioe presetiamo l algoritmo di ordiameto Quicksort(vedi []). L algoritmo Quicksort riceve i iput u array A e idici p r ed ordia l array A[p,, r] el modo seguete. L array

Dettagli

Algoritmi e Strutture Dati Esercizi Prima parte

Algoritmi e Strutture Dati Esercizi Prima parte Algoritmi e Strutture Dati Esercizi Prima parte Esercizio 1 Si cosideri il seguete codice: 1 i 1 2 k 0 3 while i 4 do if A[i] s 5 the k k + 1 6 A[k] A[i] 7 i i + 1 e si dimostri la sua correttezza rispetto

Dettagli

Informatica 3. Informatica 3. LEZIONE 18: Ordinamento. Lezione 18 - Modulo 1. Introduzione. Analisi algoritmi di ordinamento.

Informatica 3. Informatica 3. LEZIONE 18: Ordinamento. Lezione 18 - Modulo 1. Introduzione. Analisi algoritmi di ordinamento. Iformatica 3 Iformatica 3 LEZIONE 18: Ordiameto Lezioe 18 - Modulo 1 Modulo 1: Algoritmi di base Modulo 2: Shellshort Modulo 3: Quicksort Algoritmi di base Politecico di Milao - Prof. Sara Comai 1 Politecico

Dettagli

Ricorrenze. 3 1 Metodo iterativo

Ricorrenze. 3 1 Metodo iterativo 3 Ricorreze 31 Metodo iterativo Il metodo iterativo cosiste ello srotolare la ricorreza fio ad otteere ua fuzioe dipedete da (dimesioe dell iput). L idea è quella di reiterare ua data ricorreza T () u

Dettagli

Stima di somme: esercizio

Stima di somme: esercizio Stima di somme: esercizio Valutare l'ordie di gradezza della somma k l (1 + 3 k ) Quado x

Dettagli

Ricerca di un elemento in una matrice

Ricerca di un elemento in una matrice Ricerca di u elemeto i ua matrice Sia data ua matrice xm, i cui gli elemeti di ogi riga e di ogi coloa soo ordiati i ordie crescete. Si vuole u algoritmo che determii se u elemeto x è presete ella matrice

Dettagli

3 Ricorrenze. 3.1 Metodo iterativo

3 Ricorrenze. 3.1 Metodo iterativo 3 Ricorreze Nel caso di algoritmi ricorsivi ad esempio, merge sort, ricerca biaria, ricerca del massimo e/o del miimo), il tempo di esecuzioe può essere descritto da ua fuzioe ricorsiva, ovvero da u equazioe

Dettagli

Esercitazione 3 Sistemi lineari

Esercitazione 3 Sistemi lineari Esercitazioe 3 Sistemi lieari a.a. 2018-19 Esercizio 1 (M) Scrivere ua M-fuctio che calcola l iversa di ua matrice triagolare iferiore L di ordie mediate ua tecica compatta, memorizzadola ella matrice

Dettagli

2T(n/2) + n se n > 1 T(n) = 1 se n = 1

2T(n/2) + n se n > 1 T(n) = 1 se n = 1 3 Ricorreze Nel caso di algoritmi ricorsivi (ad esempio, merge sort, ricerca biaria, ricerca del massimo e/o del miimo), il tempo di esecuzioe può essere descritto da ua fuzioe ricorsiva, ovvero da u equazioe

Dettagli

Algoritmi e strutture dati

Algoritmi e strutture dati Algoritmi e Strutture Dati Selezioe e statistiche di ordie Problemi di statistiche d ordie Estrarre da gradi quatità di dati u piccolo isieme di idicatori che e rappresetio caratteristiche statisticamete

Dettagli

Corso di Linguaggi e Traduttori 1 AA TEORIA DELLA COMPUTAZIONE (cenni)

Corso di Linguaggi e Traduttori 1 AA TEORIA DELLA COMPUTAZIONE (cenni) Corso di Liguaggi e Traduttori 1 AA 2004-05 TEORIA DELLA COMPUTAZIONE cei) 1 Sommario Iterazioe e ricorsioe Relazioi di ricorreza Complessità computazioale 2 Iterazioe e Ricorsioe Dato u problema, la sua

Dettagli

TEORIA DELLE MATRICI. dove aij K. = di ordine n, gli elementi aij con i = j (cioè gli elementi a 11

TEORIA DELLE MATRICI. dove aij K. = di ordine n, gli elementi aij con i = j (cioè gli elementi a 11 1 TEORIA DELLE MATRICI Dato u campo K, defiiamo matrice ad elemeti i K di tipo (m, ) u isieme di umeri ordiati secodo m righe ed coloe i ua tabella rettagolare del tipo a11 a12... a1 a21 a22... a2 A =.........

Dettagli

Tutorato di Probabilità 1, foglio I a.a. 2007/2008

Tutorato di Probabilità 1, foglio I a.a. 2007/2008 Tutorato di Probabilità, foglio I a.a. 2007/2008 Esercizio. Siao A, B, C, D eveti.. Dimostrare che P(A B c ) = P(A) P(A B). 2. Calcolare P ( A (B c C) ), sapedo che P(A) = /2, P(A B) = /4 e P(A B C) =

Dettagli

Metodi Stocastici per la Finanza

Metodi Stocastici per la Finanza Metodi Stocastici per la Fiaza iziao Vargiolu vargiolu@math.uipd.it 1 1 Uiversità degli Studi di Padova Ao Accademico 2012-2013 Lezioe 3 Idice 1 Il modello di Cox-Ross-Rubistei 2 Dal modello di Cox-Ross-Rubistei

Dettagli

Elementi di statistica

Elementi di statistica Elemeti di statistica La misura delle gradezze fisiche può essere effettuata direttamete o idirettamete. Se la misura viee effettuata direttamete si parla di misura diretta; se essa viee dedotta attraverso

Dettagli

Unità Didattica N 33 L algebra dei vettori

Unità Didattica N 33 L algebra dei vettori Uità Didattica N 33 Uità Didattica N 33 0) La ozioe di vettore 02) Immagie geometrica di u vettore umerico 03) Somma algebrica di vettori 04) Prodotto di u umero reale per u vettore 05) Prodotto scalare

Dettagli

Elementi di calcolo combinatorio

Elementi di calcolo combinatorio Appedice A Elemeti di calcolo combiatorio A.1 Disposizioi, combiazioi, permutazioi Il calcolo combiatorio si occupa di alcue questioi iereti allo studio delle modalità secodo cui si possoo raggruppare

Dettagli

Metodi numerici PROCESSI ITERATIVI PER VALORI SCALARI. Ivan Zivko. Metodi numerici. Docente: Ivan Zivko 1

Metodi numerici PROCESSI ITERATIVI PER VALORI SCALARI. Ivan Zivko. Metodi numerici. Docente: Ivan Zivko 1 Iva Zivko PROCESSI ITERATIVI PER VALORI SCALARI Docete: Iva Zivko Processi umerici: puti ulli Immagiiamo ua fuzioe y f ( ), a., b Spesso è utile saper determiare tutti i suoi puti ulli, cioè tutti i puti

Dettagli

i-esima statistica d ordine di un insieme = i-esimo elemento più piccolo

i-esima statistica d ordine di un insieme = i-esimo elemento più piccolo Geeralità i-esima statistica d ordie di u isieme i-esimo elemeto più piccolo prima statistica d ordie di u isieme miimo -esima statistica d ordie di u isieme di elemeti massimo Mediao di u isieme di elemeti

Dettagli

Algoritmi e Strutture Dati (Mod. B) Programmazione Dinamica (Parte I)

Algoritmi e Strutture Dati (Mod. B) Programmazione Dinamica (Parte I) Algoritmi e Strutture Dati (Mod. B) Programmazioe Diamica (Parte I) Numeri di Fiboacci Defiizioe ricorsiva (o iduttiva) F() = F() = F() = F() + F() Algoritmo ricorsivo Fib(: itero) if = or = the retur

Dettagli

Somma E possibile sommare due matrici A e B ottenendo una matrice C se e solo se le due matrici hanno lo stesso numero di righe e di colonne.

Somma E possibile sommare due matrici A e B ottenendo una matrice C se e solo se le due matrici hanno lo stesso numero di righe e di colonne. Matrici Geeralità sulle matrici I matematica, ua matrice è uo schierameto rettagolare di oggetti; le matrici di maggiore iteresse soo costituite da umeri come, per esempio, la seguete: 1 s 6 4 4 2 v t

Dettagli

Algebra delle matrici

Algebra delle matrici Algebra delle matrici Prodotto di ua matrice per uo scalare Data ua matrice A di tipo m, e dato uo scalare r R, moltiplicado r per ciascu elemeto di A si ottiee ua uova matrice di tipo m, detta matrice

Dettagli

Accenni al calcolo combinatorio

Accenni al calcolo combinatorio Accei al calcolo combiatorio Dario Malchiodi e Aa Maria Zaaboi ottobre 2017 Pricipio fodametale del calcolo combiatorio: se ci soo s 1 modi per operare ua scelta e, per ciascuo di essi, ci soo s 2 modi

Dettagli

(A + B) ij = A ij + B ij, i = 1,..., m, j = 1,..., n.

(A + B) ij = A ij + B ij, i = 1,..., m, j = 1,..., n. Algebra lieare Matematica CI) 263 Somma di matrici Siao m ed due iteri positivi fissati Date due matrici A, B di tipo m, sommado a ciascu elemeto di A il corrispodete elemeto di B, si ottiee ua uova matrice

Dettagli

Appendice A. Elementi di Algebra Matriciale

Appendice A. Elementi di Algebra Matriciale ppedice. Elemeti di lgebra Matriciale... 2. Defiizioi... 2.. Matrice quadrata... 2..2 Matrice diagoale... 2..3 Matrice triagolare... 3..4 Matrice riga e matrice coloa... 3..5 Matrice simmetrica e emisimmetrica...

Dettagli

Algoritmi e Strutture Dati. Introduzione

Algoritmi e Strutture Dati. Introduzione Algoritmi e Strutture Dati Itroduzioe Complessità degli algoritmi Aalisi delle prestazioi degli algoritmi Servirà u Modello Computazioale di riferimeto. Tempo di eseuzioe degli algoritmi Notazioe asitotia

Dettagli

Titolo della lezione. Campionamento e Distribuzioni Campionarie

Titolo della lezione. Campionamento e Distribuzioni Campionarie Titolo della lezioe Campioameto e Distribuzioi Campioarie Itroduzioe Itrodurre le idagii campioarie Aalizzare il le teciche di costruzioe dei campioi e di rilevazioe Sviluppare il cocetto di distribuzioe

Dettagli

= = 32

= = 32 Algabra lieare (Matematica CI) - 9 Algebra delle matrici - Moltiplicazioe Euple, righe e coloe Notazioe I algebra lieare giocao u ruolo importate le coppie, tere,, ple ordiate di umeri reali; cosi come

Dettagli

Cenni di calcolo combinatorio

Cenni di calcolo combinatorio Appedice B Cei di calcolo combiatorio B Disposizioi, combiazioi, permutazioi Il calcolo combiatorio si occupa di alcue questioi iereti allo studio delle modalità secodo cui si possoo raggruppare degli

Dettagli

APPENDICE 1 Richiami di algebra lineare

APPENDICE 1 Richiami di algebra lineare APPENDICE Richiami di algebra lieare vettore: isieme ordiato di elemeti (umeri reali, umeri complessi, variabili, fuzioi,...) B = b b M b 2 { } = b, co i =, L, i il vettore sopra defiito è detto ache vettore

Dettagli

Architettura degli elaboratori

Architettura degli elaboratori iversità degli Studi dell Isubria Dipartimeto di Scieze Teoriche e pplicate rchitettura degli elaboratori Registri e Marco Tarii Dipartimeto di Scieze Teoriche e pplicate marco.tarii@uisubria.it Register

Dettagli

Corso di Statistica - Esercitazione 1

Corso di Statistica - Esercitazione 1 Corso di Statistica - Esercitazioe 1 Dott. Davide Buttarazzi d.buttarazzi@uicas.it Esercizio 1 La seguete tabella riporta dati riguardati la produzioe di tastiere per computer risultate difettose. Causa

Dettagli

STATISTICA 1 ESERCITAZIONE 4

STATISTICA 1 ESERCITAZIONE 4 STATISTICA 1 ESERCITAZIONE 4 Dott. Giuseppe Padolfo 21 Ottobre 2013 Percetili: i valori che dividoo la distribuzioe i ceto parti di uguale umerosità. Esercizio 1 La seguete tabella riporta la distribuzioe

Dettagli

Tempo di calcolo. , per cui x è un caso più sfavorevole quando T. peggiore(

Tempo di calcolo. , per cui x è un caso più sfavorevole quando T. peggiore( Tempo di calcolo. Tempo di calcolo di u algoritmo La complessità computazioale è ua misura della difficoltà di risolvere problemi di calcolo co algoritmi. Per misurare la complessità di u algoritmo si

Dettagli

algoritmi e strutture di dati

algoritmi e strutture di dati algoritmi e strutture di dati complessità degli algoritmi m.patrigai ota di copyright queste slides soo protette dalle leggi sul copyright il titolo ed il copyright relativi alle slides (iclusi, ma o limitatamete,

Dettagli

Scritto da Maria Rispoli Domenica 09 Gennaio :32 - Ultimo aggiornamento Domenica 20 Febbraio :50

Scritto da Maria Rispoli Domenica 09 Gennaio :32 - Ultimo aggiornamento Domenica 20 Febbraio :50 Ua delle applicazioi della teoria delle proporzioi è la divisioe di u umero (o di ua gradezza) i parti direttamete o iversamete proporzioali a più umeri o a più serie di umeri dati. Tale tipo di problema

Dettagli

Consideriamo un insieme di n oggetti di natura qualsiasi. Indicheremo questi oggetti con

Consideriamo un insieme di n oggetti di natura qualsiasi. Indicheremo questi oggetti con Calcolo Combiatorio Adolfo Scimoe pag 1 Calcolo combiatorio Cosideriamo u isieme di oggetti di atura qualsiasi. Idicheremo questi oggetti co a1 a2... a. Co questi oggetti si voglioo formare dei gruppi

Dettagli

ELEMENTI DI CALCOLO COMBINATORIO

ELEMENTI DI CALCOLO COMBINATORIO ELEMENTI DI CALCOLO COMBINATORIO 1 Elemeti di calcolo combiatorio Si tratta di ua serie di teciche per determiare il umero di elemeti di u isieme seza eumerarli direttamete. Dati elemeti distiti ci chiediamo

Dettagli

Formulazione di Problemi Decisionali come Problemi di Programmazione Lineare

Formulazione di Problemi Decisionali come Problemi di Programmazione Lineare Formulazioe di Problemi Decisioali come Problemi di Programmazioe Lieare Cosideriamo i segueti problemi decisioali ed esamiiamo come possoo essere formulati come problemi di PL: Il problema del trasporto

Dettagli

Delimitazioni inferiori e superiori alla complessita di un problema

Delimitazioni inferiori e superiori alla complessita di un problema Delimitazioi iferiori e superiori alla complessita di u problema Alcue teciche Nozioi prelimiari Ua ozioe prelimiare: albero k-ario completo U U albero k-ario è completo se se tutti i i odi iteri hao k

Dettagli

Divide et Impera. Minimo e Massimo. Minimo e Massimo. Risoluzione di problemi per partizione con lavoro bilanciato

Divide et Impera. Minimo e Massimo. Minimo e Massimo. Risoluzione di problemi per partizione con lavoro bilanciato Divide et Imera Risoluzioe di roblemi er artizioe co lavoro bilaciato Miimo e Massimo L algoritmo Mi-Max calcola il miimo ed il massimo tra i valori di u vettore A. Mi-Max A least A[] greatest A[] for

Dettagli

Problem solving elementare su dati scalari. Esercizi risolti

Problem solving elementare su dati scalari. Esercizi risolti 1 Esercizio: Fattoriale Esercizi risolti Si realizzi u programma che, letto u umero, stampi il valore del fattoriale per tutti i umeri da 0 a. Si ricordi che 0!=1. void mai (void) it i,, fatt; pritf ("Valore

Dettagli

DETERMINANTI (SECONDA PARTE). NOTE DI ALGEBRA LINEARE

DETERMINANTI (SECONDA PARTE). NOTE DI ALGEBRA LINEARE DETERMINANTI (SECONDA PARTE). NOTE DI ALGEBRA LINEARE 2010-11 MARCO MANETTI: 21 DICEMBRE 2010 1. Sviluppi di Laplace Proposizioe 1.1. Sia A M, (K), allora per ogi idice i = 1,..., fissato vale lo sviluppo

Dettagli

Mole e Numero di Avogadro

Mole e Numero di Avogadro Mole e Numero di Avogadro La mole È ua uatità i grammi di ua sostaza che cotiee u umero preciso e be determiato di particelle (atomi o molecole) Numero di Avogadro Ua mole di ua sostaza cotiee u umero

Dettagli

Esercizi settimanali

Esercizi settimanali Geometria (per il corso di laurea i Fisica), AA 5-6, I semestre Doceti: Erico Arbarello, Alberto De Sole Esercizi settimaali Esercizi per martedì 6 Ottobre Esercizio (Maetti 75) Scrivere i segueti umeri

Dettagli

Teoria della Calcolabilità

Teoria della Calcolabilità Teoria della Calcolabilità Si occupa delle questioi fodametali circa la poteza e le limitazioi dei sistemi di calcolo. L'origie risale alla prima metà del vetesimo secolo, quado i logici matematici iiziaroo

Dettagli

Appunti complementari per il Corso di Statistica

Appunti complementari per il Corso di Statistica Apputi complemetari per il Corso di Statistica Corsi di Laurea i Igegeria Edile e Tessile Ilia Negri 24 settembre 2002 1 Schemi di campioameto Co il termie campioameto si itede l operazioe di estrazioe

Dettagli

T n = f n log n = log n. 1 ] 1 ] 1 = sono verificate le disuguaglianze c 1

T n = f n log n = log n. 1 ] 1 ] 1 = sono verificate le disuguaglianze c 1 A.A. 00 05 Esame di Algoritmi e strutture dati luglio 005 Esercizio (6 puti) Risolvere co almeo due metodi diversi la seguete relazioe di ricorreza T = T =T Master Theorem a= b= per cui log b a = log /

Dettagli

Algoritmi e Strutture di Dati

Algoritmi e Strutture di Dati Algoritmi e Strutture di Dati Complessità degli algoritmi m.patrigai Nota di copyright queste slides soo protette dalle leggi sul copyright il titolo ed il copyright relativi alle slides (iclusi, ma o

Dettagli

Es. di Ordine di crescita. Di quanto aumenta il running time se la taglia ~nlog(n) operazioni. dell input)

Es. di Ordine di crescita. Di quanto aumenta il running time se la taglia ~nlog(n) operazioni. dell input) Ricomiciamo da quato fatto Riflettiamo su quato fatto Problemi icotrati Algoritmi Problemi icotrati Algoritmi Max Subarray Stable Matchig Max Subarray Stable Matchig 2 possibilità! possibilità Algoritmo

Dettagli

CAMBIAMENTO DI BASE IN UNO SPAZIO VETTORIALE

CAMBIAMENTO DI BASE IN UNO SPAZIO VETTORIALE CAMBIAMENTO DI BASE IN UNO SPAZIO VETTORIALE Sia V uo spazio vettoriale sul campo K. Siao v, v,..., v vettori dati apparteeti a V e siao, ioltre, assegati scalari k, k,..., k apparteeti a K. Si defiisce

Dettagli

Campionamento casuale da popolazione finita (caso senza reinserimento )

Campionamento casuale da popolazione finita (caso senza reinserimento ) Campioameto casuale da popolazioe fiita (caso seza reiserimeto ) Suppoiamo di avere ua popolazioe di idividui e di estrarre u campioe di uità (co < ) Suppoiamo di studiare il carattere X che assume i valori

Dettagli

Algebra delle matrici

Algebra delle matrici Algebra delle matrici Vettori riga, vettori coloa Sia u itero ositivo fissato Ciascu vettore di R uo essere esato come ua matrice riga oure come ua matrice coloa (co elemeti) Per covezioe, idetifichiamo

Dettagli

Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino)

Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino) Corso di Laurea Trieale i Matematica Calcolo delle Probabilità I doceti G. Nappo, F. Spizzichio Prova di martedì luglio tempo a disposizioe: 3 ore. Scrivere su ogi foglio NOME e COGNOME. Le risposte devoo

Dettagli

STATISTICA 1 ESERCITAZIONE 5

STATISTICA 1 ESERCITAZIONE 5 STATISTICA ESERCITAZIONE 5 Dott. Giuseppe Padolfo 28 Ottobre 203 VARIABILITA IN TERMINI DI DISPERSIONE DA UN CENTRO Cetro Me o μ La dispersioe viee misurata come sitesi delle distaze tra le uità statistiche

Dettagli

Capitolo Parte V

Capitolo Parte V Capitolo 1 1.1 Parte V Exercise 1.1. Sia X ua variabile aleatoria, defiita su (Ω,P a valori i E, quasi certamete costate, ossia esiste c E tale che P(X = c = 1. Si mostri che esiste u uico elemeto c E

Dettagli

The start Package. October 15, 2007

The start Package. October 15, 2007 The start Package October 15, 2007 Type Package Ecodig lati1 Depeds R, stats, utils, tools Title Ifereza classica co TI-83 Plus Versio 1.1.12 Date 2007-10-12 Author Fabio Frascati Maitaier Ua libreria

Dettagli

Elementi di statistica descrittiva. Tabella dei dati :

Elementi di statistica descrittiva. Tabella dei dati : - - Elemeti di statistica descrittiva I dati riportati sotto si riferiscoo a 20 studeti uiversitari che frequetavao u corso di Statistica e soo stati raccolti facedo compilare ad ogi studete il seguete

Dettagli

1. a n = n 1 a 1 = 0, a 2 = 1, a 3 = 2, a 4 = 3,... Questa successione cresce sempre piú al crescere di n e vedremo che {a n } diverge.

1. a n = n 1 a 1 = 0, a 2 = 1, a 3 = 2, a 4 = 3,... Questa successione cresce sempre piú al crescere di n e vedremo che {a n } diverge. Le successioi A parole ua successioe é u isieme ifiito di umeri disposti i u particolare ordie. Piú rigorosamete, ua successioe é ua legge che associa ad ogi umero aturale u altro umero (ache o aturale):

Dettagli

Esercitazione 2 Soluzione di equazioni non lineari

Esercitazione 2 Soluzione di equazioni non lineari Esercitazioe 2 Soluzioe di equazioi o lieari Scopo di questa serie di esercizi è quella di trovare ove possibile gli zeri di fuzioe di equazioi o lieari utilizzado i vari metodi spiegati a lezioe. I metodi

Dettagli

Calcolo Numerico A.A Esercitazione n

Calcolo Numerico A.A Esercitazione n Calcolo Numerico A.A. 22-23 Esercitazioe. 4 26-3-23 Fuzioi di iput\output Per visualizzare strighe sullo schermo disp('striga di caratteri') Esempio: >> disp('oggi e'' ua bella giorata') Per itrodurre

Dettagli

TECNICA DIVIDE ET IMPERA

TECNICA DIVIDE ET IMPERA TECNICA DIVIDE ET IMPERA 1. Itroduzioe Data l istaza di u problema, la strategia del divide-et-impera suggerisce di partizioarla i k sotto-istaze i modo da otteere k uove istaze per lo stesso problema

Dettagli

I TRIANGOLI ARITMETICI

I TRIANGOLI ARITMETICI I TRIANGOLI ARITMETICI Atoio Salmeri Qui di seguito si prederao i esame alcui triagoli aritmetici. Essi soo ell ordie i triagoli che foriscoo i coefficieti dei poliomi geerati dalle segueti espressioi:.

Dettagli

Matematica III. 1 Richiami di teoria

Matematica III. 1 Richiami di teoria appresetazioe dei umeri reali el calcolatore La rappresetazioe avviee el formato matissa espoete: pn q dove: - p matissa - N base di umerazioe - q espoete La rappresetazioe si dice ormalizzata quado N

Dettagli

IL CALCOLO COMBINATORIO

IL CALCOLO COMBINATORIO IL CALCOLO COMBINATORIO 0. Itroduzioe Oggetto del calcolo combiatorio è quello di determiare il umero dei modi mediate i quali possoo essere associati, secodo prefissate regole, gli elemeti di uo stesso

Dettagli

Forme Bilineari 1 / 34

Forme Bilineari 1 / 34 Forme Bilieari 1 / 34 Defiizioe applicazioe Dicesi forma bilieare su uo spazio vettoriale V, ua ϕ : V V R che è lieare i etrambi gli argometi, ossìa tale che u,v,w V e a,b R si abbia: ϕ(au + bv,w) =aϕ(u,w)

Dettagli

Esercizi di Calcolo delle Probabilità e Statistica Matematica

Esercizi di Calcolo delle Probabilità e Statistica Matematica Esercizi di Calcolo delle Probabilità e Statistica Matematica Lucio Demeio Dipartimeto di Igegeria Idustriale e Scieze Matematiche Uiversità Politecica delle Marche 1. Esercizio (31 marzo 2012. 1). Al

Dettagli

PROPRIETÀ DELLE POTENZE IN BASE 10

PROPRIETÀ DELLE POTENZE IN BASE 10 PROPRIETÀ DELLE POTENZE IN BASE Poteze i base co espoete itero positivo Prediamo u umero qualsiasi che deotiamo co la lettera a e u umero itero positivo che deotiamo co la lettera Per defiizioe (cioè per

Dettagli

UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II FACOLTÀ DI INGEGNERIA LAFIDIN

UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II FACOLTÀ DI INGEGNERIA LAFIDIN UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II FACOLTÀ DI INGEGNERIA LAFIDIN LABORATORIO/FISICO/DIDATTICO/INGEGNERIA VIA CLAUDIO, 1 8015 NAPOLI WWW.LAFIDIN.UNINA.IT - TEL. 081/7683603- FAX 081/768360 Corso

Dettagli

SUCCESSIONI DI FUNZIONI

SUCCESSIONI DI FUNZIONI SUCCESSIONI DI FUNZIONI LUCIA GASTALDI 1. Defiizioi ed esempi Sia I u itervallo coteuto i R, per ogi N si cosideri ua fuzioe f : I R. Il simbolo f } =1 idica ua successioe di fuzioi, cioè l applicazioe

Dettagli

Attivazione di funzione e record di attivazione

Attivazione di funzione e record di attivazione corsi di laurea i Igegeria Chiica,Elettroica,Telecouicazioi,Iforatica Fodaeti di Iforatica: copleeto didattico su Attivazioe di fuzioe e record di attivazioe Dispesa a putate: questa è la pria putata.

Dettagli

CPU (1) (4) (3) (2) dispatcher. Context switch. Concetti fondamentali. Il massimo impiego della CPU è ottenuto con la multiprogrammazione.

CPU (1) (4) (3) (2) dispatcher. Context switch. Concetti fondamentali. Il massimo impiego della CPU è ottenuto con la multiprogrammazione. Cocetti fodametali LABORATORIO DI PROGRAMMAZIONE 2 Corso di laurea i matematica Il massimo impiego della CPU è otteuto co la multiprogrammazioe. di processi e threads Preseza i memoria di umerosi processi

Dettagli

Algoritmi e Strutture Dati. Introduzione

Algoritmi e Strutture Dati. Introduzione Algoritmi e Strutture Dati Itroduzioe Iformazioi utili T.H. Corme, C.E. Leiserso, R.L Rivest Itroduzioe agli algoritmi. Jakso Libri Iizio dei laboratori: prima settimaa di ovembre. Isrizioe al laboratorio

Dettagli

5 CAMPIONAMENTO SISTEMATICO 5.1 INTRODUZIONE

5 CAMPIONAMENTO SISTEMATICO 5.1 INTRODUZIONE 5 CAMPIONAMENTO SISTEMATICO 5. INTRODUZIONE Prima dell'avveto degli elaboratori e della loro rapida diffusioe, l'estrazioe di u campioe casuale semplice o di u campioe stratificato di gradi dimesioi poteva

Dettagli

Precorso di Matematica, aa , (IV)

Precorso di Matematica, aa , (IV) Precorso di Matematica, aa 01-01, (IV) Poteze, Espoeziali e Logaritmi 1. Nel campo R dei umeri reali, il umero 1 e caratterizzato dalla proprieta che 1a = a, per ogi a R; per ogi umero a 0, l equazioe

Dettagli

CALCOLO COMBINATORIO

CALCOLO COMBINATORIO CALCOLO COMBINATORIO Che cosa sigifica cotare Tutti coosciamo la successioe dei umeri iteri Naturali N = {0, 1,,, } si tratta di ua struttura metale fodametale, chiaramete presete alla ostra ituizioe che

Dettagli

Insiemi numerici. Sono noti l insieme dei numeri naturali: N = {1, 2, 3, }, l insieme dei numeri interi relativi:

Insiemi numerici. Sono noti l insieme dei numeri naturali: N = {1, 2, 3, }, l insieme dei numeri interi relativi: Isiemi umerici Soo oti l isieme dei umeri aturali: N {1,, 3,, l isieme dei umeri iteri relativi: Z {0, ±1, ±, ±3, N {0 ( N e, l isieme dei umeri razioali: Q {p/q : p Z, q N. Si ottiee questo ultimo isieme,

Dettagli

Preparazione al corso di statistica Prof.ssa Cerbara

Preparazione al corso di statistica Prof.ssa Cerbara Preparazioe al corso di statistica Prof.ssa Cerbara Esistoo molti isiemi umerici, ciascuo co caratteristiche be precise. Alcui importatissimi isiemi umerici soo: N: isieme dei umeri aturali, cioè tutti

Dettagli

Architettura degli elaboratori

Architettura degli elaboratori Marco Tarii - iversità dell'isubria.. 2017/18 iversità degli Studi dell Isubria Dipartimeto di Scieze Teoriche e pplicate rchitettura degli elaboratori Register File Marco Tarii Dipartimeto di Scieze Teoriche

Dettagli

Note per la Lezione 11 Ugo Vaccaro

Note per la Lezione 11 Ugo Vaccaro Progettazioe di Algoritmi Ao Accademico 2017 2018 Note per la Lezioe 11 Ugo Vaccaro Abbiamo visto ella lezioe scorsa u argometo ituitivo secodo il quale il tempo medio di esecuzioe di QuickSort è O( log

Dettagli

ANalysis. Analisi della Varianza - ANOVA. Aprile, Aprile, Nel linguaggio delle variabili le operazioni fondamentali sono tre

ANalysis. Analisi della Varianza - ANOVA. Aprile, Aprile, Nel linguaggio delle variabili le operazioni fondamentali sono tre ANalsis Of VAriace Nel liguaggio delle variabili le operazioi fodametali soo tre Descrizioe Spiegazioe Iterpretazioe Descrizioe La relazioe tra variabili viee sitetizzata per meglio cogliere gli aspetti

Dettagli

Elementi. di Calcolo Combinatorio. Paola Giacconi

Elementi. di Calcolo Combinatorio. Paola Giacconi Elemeti di Calcolo Combiatorio di Paola Giaccoi Premessa Co la Meccaica Quatistica Il cocetto di probabilità è etrato a fare parte itegrate della FISICA e quidi della ostra vita La visioe determiistica

Dettagli

Esercizi sui numeri complessi per il dodicesimo foglio di esercizi

Esercizi sui numeri complessi per il dodicesimo foglio di esercizi Esercizi sui umeri complessi per il dodicesimo foglio di esercizi 6 dicembre 2010 1 Numeri complessi radici ed equazioi Ricordiamo iazitutto che dato u umero complesso z = x + iy, il suo coiugato, idicato

Dettagli

CAMBIAMENTO DI BASE IN UNO SPAZIO VETTORIALE

CAMBIAMENTO DI BASE IN UNO SPAZIO VETTORIALE CAMBIAMENTO DI BASE IN UNO SPAZIO VETTORIALE Sia V uo spazio vettoriale sul campo K. Siao v, v,..., v vettori dati apparteeti a V e siao, ioltre, assegati scalari k, k,..., k apparteeti a K. Si defiisce

Dettagli

UNITA 1 STRUTTURA DELLA MATERIA

UNITA 1 STRUTTURA DELLA MATERIA UNITA STRUTTURA DELLA MATERIA Esercizio. Idicare le coordiate dei puti A,B e C del reticolo cristallio della figura: C A B A= 2 ;0; 2 ; B= 2 ; C=,, Esercizio.2 Idicare sulla figura i puti di coordiate:

Dettagli

Trasmissione del calore con applicazioni numeriche: informatica applicata

Trasmissione del calore con applicazioni numeriche: informatica applicata Corsi di Laurea i Igegeria Meccaica Trasmissioe del calore co applicazioi umerice: iformatica applicata a.a. 5/6 Teoria Parte IV Ig. Nicola Forgioe Dipartimeto di Igegeria Civile e Idustriale E-mail: icola.forgioe@ig.uipi.it;

Dettagli

Comportamento meccanico dei materiali

Comportamento meccanico dei materiali Stato di tesioe e di deformazioe Stato di tesioe -dimesioale e -dimesioale Defiizioe algebrica dello stato di tesioe Cerchi di Mohr - approfodimeti Relazioi bivettoriali e forme quadratiche Stato di deformazioe

Dettagli

Algoritmi e Strutture Dati. Introduzione

Algoritmi e Strutture Dati. Introduzione Algoritmi e Strutture Dati Itroduzioe Iformazioi utili T.H. Corme, C.E. Leiserso, R.L Rivest, C. Stei Itroduzioe agli algoritmi e strutture dati. MGraw-Hill Sito web o le slides del orso: http://people.a.if.it/~bee/asd/

Dettagli

Strumenti di indagine per la valutazione psicologica

Strumenti di indagine per la valutazione psicologica Strumeti di idagie per la valutazioe psicologica 6 ANOVA a u fattore withi Uiversità di Cagliari, a.a. 2013/2014 Davide Massidda davide.massidda@gmail.com Disegi a misure ripetute #1 t 0 t 1 t 2 t 3 Valutazioe

Dettagli

Università degli Studi di Roma "La Sapienza" Lorenzo Rossi. Decodifica MAP.

Università degli Studi di Roma La Sapienza Lorenzo Rossi. Decodifica MAP. Uiversità degli Studi di Roma "La Sapieza" Lorezo Rossi Decodifica MAP. Tesi svolta per il coseguimeto della laurea di primo livello i Igegeria delle Telecomuicazioi Relatore: Chiar.mo Prof. Roberto Cusai

Dettagli

,5 882,5 894,5 906,5 918,5 930,5 942,5 954,5

,5 882,5 894,5 906,5 918,5 930,5 942,5 954,5 Il 16 dicembre 015 ero a Napoli. Ad u agolo di Piazza Date mi soo imbattuto el "matematico di strada", come egli si defiisce, Giuseppe Poloe immerso el suo armametario di tabelle di umeri. Il geiale persoaggio

Dettagli

LA INTERPOLAZIONE Appartamenti venduti nel 2006 da un agenzia immobiliare di Treviso.

LA INTERPOLAZIONE Appartamenti venduti nel 2006 da un agenzia immobiliare di Treviso. LA INTERPOLAZIONE Appartameti veduti el 006 da u agezia immobiliare di Treviso. superficie (mq) prezzo (k ) segue 10 160 45 70 80 95 85 110 64 98 106 140 10 170 50 80 100 150 90 15 115 165 140 165 98 145

Dettagli

FUNZIONI SUCCESSIONI PRINCIPIO DI INDUZIONE

FUNZIONI SUCCESSIONI PRINCIPIO DI INDUZIONE FUNZIONI SUCCESSIONI PRINCIPIO DI INDUZIONE. Le Fuzioi L'operazioe di prodotto cartesiao relazioe biaria La relazioe biaria fuzioe Fuzioi iiettive, suriettive, biuivoche Fuzioi ivertibili. Le Successioi

Dettagli

Programmazione Matematica a Numeri Interi (Integer Programming - IP)

Programmazione Matematica a Numeri Interi (Integer Programming - IP) Programmazioe Matematica a Numeri Iteri (Iteger Programmig - IP) Problema di ottimizzazioe di ua fuzioe obiettivo lieare soggetta al rispetto di u isieme di vicoli lieari i cui tutte o parte delle variabili

Dettagli

Le successioni: intro

Le successioni: intro Le successioi: itro Si cosideri la seguete sequeza di umeri:,, 2, 3, 5, 8, 3, 2, 34, 55, 89, 44, 233, detti di Fiboacci. Essa rappreseta il umero di coppie di coigli preseti ei primi 2 mesi i u allevameto!

Dettagli

Daniela Tondini

Daniela Tondini Daiela Todii dtodii@uite.it Facoltà di Bioscieze e Tecologie agro-alimetari e ambietali e Facoltà di Medicia Veteriaria C.L. i Biotecologie Uiversità degli Studi di Teramo 1 La mediaa o valore mediao M

Dettagli

Lezione III: Variabilità. Misure di dispersione o di variabilità. Prof. Enzo Ballone. Lezione 3a- Misure di dispersione o di variabilità

Lezione III: Variabilità. Misure di dispersione o di variabilità. Prof. Enzo Ballone. Lezione 3a- Misure di dispersione o di variabilità Lezioe III: Variabilità Cattedra di Biostatistica Dipartimeto di Scieze Biomediche, Uiversità degli Studi G. d Auzio di Chieti Pescara Prof. Ezo Balloe Lezioe a- Misure di dispersioe o di variabilità Misure

Dettagli