Generatori di numeri casuali
|
|
- Maurizio Guglielmi
- 7 anni fa
- Visualizzazioni
Transcript
1 Statistica computazionale Generatori di numeri casuali Alberto Lusoli Distribuito sotto licenza Creative Common Share Alike Attribution
2 La generazione dei numeri casuali è troppo importante per essere lasciata al caso Robert R. Coveyou
3 Concetti fondamentali I campi di studio della probabilità e della statistica si fondano sul concetto di spazio delle probabilità e variabile casuale. Quando questi concetti vengono implementati in elaboratori nasce il problema di simulare variabili casuali mediante algoritmi deterministici.
4 Definizione intuitiva Un algoritmo RNG (Random Number Generator) è un software il cui output è difficilmente distinguibile dal comportamento di una variabile "veramente casuale".
5 Definizione intuitiva Ovvero, osservando una serie di output forniti dall'algoritmo non si dovrebbero avere informazioni circa il successivo valore generato.
6 Quando si utilizzano numeri random? Nei linguaggi di programmazione sono presenti funzioni per la generazione di numeri casuali. Tra quelli che abbiamo affrontato in altri corsi citiamo: Matlab rand ANSI C rand()
7 Processi fisici Variabili casuali possono scaturire anche dall osservazione di processi fisici come il tempo di decadimento atomico o l'analisi del thermal noise (disturbo termico) nei semiconduttori.
8 Processi fisici I RNG basati su processi fisici hanno molti svantaggi rispetto alla loro controparte software: sono difficili da realizzare, sono costosi, lenti e non sono in grado di riprodurre la stessa sequenza di output a partire dal medesimo stato iniziale.
9 Processi fisici Questi metodi sono spesso utilizzati insieme a algoritmi RNG per la selezione del seme iniziale (vedi dopo). Rappresentano infatti una fonte di entropia esterna utile per certe applicazioni dove è frequente il reseeding, ovvero la reinizializzazione della sequenza di output (criptologia e macchine da gioco).
10 Algoritmi RNG e numeri pseudo casuali Centro della nostra analisi sono i software per la generazione di numeri casuali (abbreviati in RNG) Si tratta di algoritmi deterministici in grado di generare un output avente le stesse proprietà statistiche di una sequenza di numeri generata da un processo casuale.
11 Numeri Pseudo casuali L output fornito, come accennato in precedenza, imita ma non è propriamente una variabile casuale. Per questo motivo è più corretto parlare di numeri pseudo-casuali (PRNG, dall'inglese pseudo-random numbers generator).
12 Caratteristiche dei numeri pseudo-casuali Una sequenza di numeri pseudocasuali deve soddisfare, al minimo, le seguenti proprietà statistiche: Distribuzione Indipendenza
13 Distribuzione Distribuzione degli output secondo una funzione di distribuzione predefinita f(x): di solito si richiede una distribuzione uniforme su un intervallo specificato (equidistribuzione)
14 Indipendenza Indipendenza tra elementi successivi della sequenza, ovvero tra 2 output successivi
15 Esempio La sequenza 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 Non si può definire pseudo-casuale E certamente equidistribuita sull'intervallo [1,10], ma le coppie di elementi successivi non sono uniformemente distribuite sull'insieme di tutte le possibili coppie di numeri da 1 a 10, ma sono tutte della forma (n,n+1). Non è quindi soddisfatto il criterio di indipendenza
16 Provare la casualità Il problema principale dei RNG è che l'output fornito non è propriamente una variabile casuale ma una approssimazione di una variabile casuale con distribuzione uniforme ed indipendente
17 Provare la casualità Se l output è, come avviene spesso, una sequenza di bit con valori 0 o 1, ogni bit deve assumere con uguale probabilità 0 o 1 e tutti i bit devono essere tra di loro indipendenti.
18 Provare la casualità Questo comportamento desiderato non può essere provato a ex-ante ma deve essere testato ex-post mediante test statistici che provino che la variabile in osservazione abbia realmente il comportamento casuale desiderato.
19 RNG in formula Indipendentemente dal funzionamento particolare di ciascun algoritmo, tutti gli RNG possono essere descritti come composti da: (",µ, f,u,g)
20 RNG in formula " : Insieme finito di stati (spazio degli stati) µ : f : U : g : Distribuzione di probabilità utilizzata per selezionare dall insieme lo stato iniziale (detto Seme) Funzione di transizione che, partendo da determina. In formula: s i+1 = f (s i ) Spazio degli output, solitamente comprende i valori tra 0 e 1 Funzione di output. Dato uno stato Gli output dal RNG " s i+1 u i = g(s i ) " U u 0,u 1,u 2... s 0 s i s i sono i Numeri casuali prodotti
21 Periodo massimo di un RNG Dato che l insieme degli stati è finito, per qualsiasi seme (stato iniziale) esisterà un valore l " tale per cui s 1 s i+l = s i
22 Periodo massimo di un RNG Dato che le funzioni di transizione e di output f e g sono deterministiche, allora anche per l output vale la formula: u i+l = u i
23 a parole Significa che, partendo da un qualsiasi stato iniziale, dopo un certo numero di l iterazioni, il sistema torna allo stato iniziale, ovvero al seme. Quindi, tutti gli algoritmi RNG generano sequenze finite di numeri casuali e dopo un numero l di iterazioni tornano allo stato iniziale.
24 Proprietà del periodo Il valore di l più piccolo per cui è avviene il ritorno allo stato iniziale è chiamato periodo del RNG ed è indicato con ". " è minore o uguale a ", ovvero all'insieme finito di stati (spazio degli stati).
25 Proprietà del periodo Se gli stati sono rappresentati in un computer da una stringa di k bit, allora: " # 2 k Buoni RNG hanno valore di tendente a. " dipende anche dal seme. RNG efficienti hanno possibili stati iniziali. " " uguale per tutti i "
26 Altre caratteristiche dei RNG Criteri di qualità utilizzati per valutare la qualità di un RNG sono: Lunghezza del periodo: periodi lunghi, prossimi a ", assicurano che il sistema non entri in cicli prevedibili.
27 Altre caratteristiche dei RNG Efficienza: buoni RNG devono utilizzare una quantità ridotta di risorse (memoria) Ripetibilità: partendo dallo stesso seme, devono essere in grado di riprodurre la stessa sequenza di numeri casuali Portabilità: devono essere indipendenti dal contesto hardware software
28 Alcuni esempi di RNG Analizziamo ora 2 famiglie di RNG, tra le più utilizzate. Generatori lineari congruenziali Mersenne Twister
29 Generatori lineari congruenziali I generatori di numeri casuali di tipo lineare congruenziale sono tra i più semplici e più diffusi. La formula base per questa famiglia di RNG è del tipo: s i+1 = a " s i + c(modm)
30 nel dettaglio s i+1 : stato al tempo i+1 s i : stato al tempo i s i+1 = a " s i + c(modm) a c m : parametro Moltiplicatore : parametro Incremento. Se, allora l RNG è detto Moltiplicativo : numero di stati possibili c = 0
31 Esempio Poniamo i valori dei parametri pari a: a = 3 c = 6 m = 5 s 0 =1 " s i+1 = 3" s i + 6(mod5)
32 s 0 =1 Esempio
33 s 0 =1 s 1 = 3"1+ 6(mod5) = 4 Esempio
34 s 1 = 3"1+ 6(mod5) = 4 s 0 =1 s 2 = 3" 4 + 6(mod5) = 3 Esempio
35 s 1 = 3"1+ 6(mod5) = 4 s 0 =1 s 2 = 3" 4 + 6(mod5) = 3 s 3 = 3" 3+ 6(mod5) = 0 Esempio
36 s 1 = 3"1+ 6(mod5) = 4 s 0 =1 s 2 = 3" 4 + 6(mod5) = 3 s 3 = 3" 3+ 6(mod5) = 0 s 4 = 3" 0 + 6(mod5) =1 Esempio
37 s 1 = 3"1+ 6(mod5) = 4 s 0 =1 s 2 = 3" 4 + 6(mod5) = 3 s 3 = 3" 3+ 6(mod5) = 0 s 4 = 3" 0 + 6(mod5) =1 s 5 = 3"1+ 6(mod5) = 4 Esempio
38 Esempio s 0 =1 s 1 = 3"1+ 6(mod5) = 4 s 2 = 3" 4 + 6(mod5) = 3 s 3 = 3" 3+ 6(mod5) = 0 s 4 = 3" 0 + 6(mod5) =1 s 5 = 3"1+ 6(mod5) = 4 Periodo di lunghezza 4 4 < 5 " < m " < # in simboli: riprendendo la formula generale:
39 Pro e contro dei RNG lineari congruenziali Pro Semplici da implementare Velocità di esecuzione Contro Sequenza periodica di periodo al più pari a m Ogni valore di " è completamente determinato dai 4 parametri a,c,m,s 0 Correlazione tra chiamate successive del generatore
40 Cosa si intende per correlazione? Se k numeri consecutivi della sequenza vengono utilizzati come coordinate di punti in uno spazio k-dimensionale, se i numeri fossero assolutamente non-correlati, i punti tenderebbero a coprire tutto lo spazio. In realtà i punti vanno a cadere in piani (k-1) dimensionali, il cui numero è al massimo: m 1 k
41 Correlazione Consideriamo ad esempio k=2. Utilizziamo ogni coppia di numeri pseudo-casuali generati da un RNG come coordinate di punti all interno di un piano cartesiano. Un buon RNG dovrebbe dar luogo ad un grafico dove i punti sono disposti uniformemente nello spazio (figura di sinistra)
42 Correlazione
43 Mersenne Twister RNG in grado di generare numeri casuali di qualità elevata ed in tempi ridotti. Sviluppato nel 1997 da Makoto Matsumoto e Takuji Nishimura.
44 Mersenne Twister Tra i vantaggi di questo RNG vi sono: Periodo lungo: pari a Correlazione: Correlazione trascurabile tra valori successivi della sequenza Velocità: La velocità di generazione è paragonabile a quella della funzione Rand() dell ANSI C Efficienza: Utilizzo delle risorse ridotto
45 Valutare la qualità di un RNG Come accennato in precedenza, per valutare la qualità di un RNG è necessario studiare le proprietà statistiche delle sequenze generate.
46 Test di uniformità o del " 2 Test in grado di valutare l uniformità della distribuzione di una sequenza di variabile discrete.
47 Test di uniformità o del " 2 k : numero di eventi possibili E 1, E 2,..., E k : evento 1, evento 2,, evento k p 1, p 2,..., p k : probabilità evento 1, probabilità evento 2,, probabilità evento k n : numero di esperimenti y 1,y 2,...,y k : numero di volte che si realizza l evento 1, numero di volte che si realizza l evento 2,,, numero di volte che si realizza l evento k
48 Test di uniformità o del " 2 Quindi, la sommatoria di tutti gli eventi che si realizzano sarà pari al numero di esperimenti: " k i=1 y i = n Introduciamo la variabile V, definita come: V = k " (y # np i i )2 i=1 np i
49 Test di uniformità o del " 2 Per verificare l uniformità di un generatore nel fornire numeri random distribuiti uniformemente in [0,1]: Tra 0 e 1, si creano k-sottointervalli di 1 ampiezza k Si genera un gran numero di istanze della v.a. uniforme e si conta per ogni intervallo il numero y i di istanze che sono cadute all interno dell intervallo
50 Poichè il generatore è uniforme si ha p i = 1 k
51 Test di uniformità o del " 2 Si calcola qundi il valore di V utilizzando la formula descritta in precedenza: V = " k (y i # np i ) 2 i=1 np i Se il generatore è efficace, la variabile V risulta avere distribuzione " 2 con k "1 gradi di libertà.
52 Test di uniformità o del " 2 Il test è superato se, fissato un certo valore critico 2 " 1#$ V non risulta maggiore a tale valore Solitamente si pone " = 0.05
53
54 Riferimenti web e bibliografia Computational statistic Marsenne Twister Home page pdf
Random number generators
Statistica computazionale Random number generators www.cash-cow.it Distribuito sotto licenza Creative Common, Share Alike Attribution 2 Indice I. Introduzione II. Processi fisici per la creazione di numeri
DettagliGENERAZIONE DI NUMERI PSEUDOCASUALI
GENERAZIONE DI NUMERI PSEUDOCASUALI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) GENERAZIONE
DettagliNumeri Random. D.E.I.S. Università di Bologna DEISNet
Numeri Random D.E.I.S. Università di Bologna DEISNet http://deisnet.deis.unibo.it/ Introduzione Può sembrare assurdo usare un computer per generare numeri casuali: Il computer è una macchina deterministica
Dettagli2.3.1 Generazione di numeri pseudocasuali con distribuzione uniforme
GENERAZIONE DI OSSERVAZIONI CASUALI 145 2.3 GENERAZIONE DI OSSERVAZIONI CASUALI Una volta determinate le distribuzioni di input, la simulazione dovrà generare durante ogni esecuzione osservazioni casuali
DettagliGenerazione di numeri random. Distribuzioni uniformi
Generazione di numeri random Distribuzioni uniformi I numeri random Per numero random (o numero casuale) si intende una variabile aleatoria distribuita in modo uniforme tra 0 e 1. Le proprietà statistiche
Dettagli5. Analisi dei dati di input
Anno accademico 2007/08 Analisi e scelta dei dati di input Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
DettagliNUMERI CASUALI E SIMULAZIONE
NUMERI CASUALI E SIMULAZIONE NUMERI CASUALI Usati in: statistica programmi di simulazione... Strumenti: - tabelle di numeri casuali - generatori hardware - generatori software DESCRIZIONE DEL PROBLEMA
DettagliGeneratori di sequenze pseudocasuali. Manuela Aprile Maria Chiara Fumi
Generatori di sequenze pseudocasuali Manuela Aprile Maria Chiara Fumi Indice Concetti base e terminologia Random bit generator Pseudorandom bit generator Cenni di statistica Test Statistici Concetti base
DettagliCALCOLO NUMERICO. Prof. Di Capua Giuseppe. Appunti di Informatica - Prof. Di Capua 1
CALCOLO NUMERICO Prof. Di Capua Giuseppe Appunti di Informatica - Prof. Di Capua 1 INTRODUZIONE Quando algoritmi algebrici non determinano la soluzione di un problema o il loro «costo» è molto alto, allora
DettagliEsperimenti al calcolatore
Università Ca Foscari di Venezia Dipartimento di Informatica Corso di Probabilità e Statistica 2009 Indice Questione di definizioni 1 Questione di definizioni Definizione classica Definizione frequentista
DettagliLaboratorio di Calcolo B 67
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliProbabilità e Statistica
Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando
DettagliGeneratori di numeri pseudocasuali
Generatori di numeri pseudocasuali Davide Buffelli, Marco Tramarin, Federico Turrin Università degli Studi di Padova Dipartimento di Ingegneria dell Informazione Algoritmica Avanzata 8 giugno 2017 1 /
DettagliProcessi random in natura
Processi random in natura Esistono in natura processi naturalmente random decadimento radiativo agitazione termica moto di particelle in sospensione Per descrivere questi fenomeni bisogna spesso ricorrere
DettagliLaboratorio di Calcolo B 68
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliNumeri pseudocasuali. Olga Scotti
Numeri pseudocasuali Generatori di numeri casuali Sono detti numeri pseudo-casuali (in inglese pseudo-random numbers) i numeri generati da un algoritmo deterministico che produce una sequenza con, approssimativamente,
DettagliProbabilità e Statistica
Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando
DettagliIntroduzione alla probabilità. Renato Mainetti
Introduzione alla probabilità Renato Mainetti Esperimenti sulla probabilità: Vedremo come utilizzare semplici funzioni di matlab per avvicinarci al mondo della probabilità, iniziando così ad introdurre
DettagliLaboratorio di Calcolo I. Applicazioni : Metodo Monte Carlo
Laboratorio di Calcolo I Applicazioni : Metodo Monte Carlo 1 Monte Carlo Il metodo di Monte Carlo è un metodo per la risoluzione numerica di problemi matematici che utilizza numeri casuali. Si applica
Dettagli- noise di conteggio ; f[m] è un numero intero che è la realizzazione di una variabile aleatoria con valor medio (valore atteso) f 0 [m].
Segnali con noise Sia f [m], m,,..., N-, il campionamento del segnale in arrivo sul rivelatore; il segnale campionato in uscita f[m] differisce da f [m] per quantità che variano in modo casuale. Si hanno
DettagliStatistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill
Statistica - metodologie per le scienze economiche e sociali /e S. Borra A. Di Ciaccio - McGraw Hill s. 9. Soluzione degli esercizi del capitolo 9 In base agli arrotondamenti effettuati nei calcoli si
DettagliStudio dell aleatorietà: : proprietà di indipendenza ed uniformità. Daniela Picin
Studio dell aleatorietà: : proprietà di indipendenza ed uniformità Daniela Picin TEST TEORICI: studio della media, della varianza e della correlazione del primo ordine, studio della struttura reticolare.
DettagliScuola di Calcolo Scientifico con MATLAB (SCSM) 2017
Scuola di Calcolo Scientifico con MATLAB (SCSM) 2017 Palermo 24-28 Luglio 2017 www.u4learn.it Arianna Pipitone Introduzione alla probabilità MATLAB mette a disposizione degli utenti una serie di funzioni
DettagliDio non gioca a dadi : Un introduzione al metodo Monte Carlo Orazio Muscato
Università degli Studi di Catania Dipartimento di Matematica e Informatica Dio non gioca a dadi : Un introduzione al metodo Monte Carlo Orazio Muscato La meccanica quantistica è degna di ogni rispetto,
DettagliCenni di teoria dell informazione
Cenni di teoria dell informazione Gregorio D Agostino 12 Maggio 2017 Cifrario perfetto Un cifrario si dice perfetto se l informazione mutua tra crittogramma e messaggio è nulla: I(M C) = 0 = H(M) H(M
DettagliMetodi Computazionali della Fisica Secondo Modulo: C++
Metodi Computazionali della Fisica Secondo Modulo: C++ Seconda Lezione Andrea Piccione () Metodi Comptazionali della Fisica - Secondo Modulo: C++ Milano, 09/1/08 1 / 9 La lezione di oggi Obiettivo: implementare
DettagliMetodi Computazionali. Generazione di numeri pseudocasuali
Metodi Computazionali Generazione di numeri pseudocasuali A.A. 2009/2010 Pseudo random numbers I più comuni generatori di numeri random determinano il prossimo numero random di una serie come una funzione
DettagliSimulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
DettagliCalcolo dell area di un cerchio con metodo statistico
Calcolo dell area di un cerchio con metodo statistico Il problema Si desidera calcolare l area di un quarto di cerchio (e quindi indirettamente di un cerchio completo), tramite considerazioni di tipo statistico
DettagliGeneratore random. Laboratorio di Architetture degli Elaboratori I Corso di Laurea in Informatica, A.A Università degli Studi di Milano
Laboratorio di Architetture degli Elaboratori I Corso di Laurea in Informatica, A.A. 2018-2019 Università degli Studi di Milano Generatore random Nicola Basilico Dipartimento di Informatica Via Comelico
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
DettagliCrittografia Moderna. Segretezza Perfetta: nozioni
Crittografia Moderna Segretezza Perfetta: nozioni Segretezza perfetta Ci occuperemo di schemi di cifratura perfettamente sicuri Avversari di potere computazionale illimitato confidenzialità / riservatezza
DettagliDistribuzioni campionarie. Antonello Maruotti
Distribuzioni campionarie Antonello Maruotti Outline 1 Introduzione 2 Concetti base Si riprendano le considerazioni fatte nella parte di statistica descrittiva. Si vuole studiare una popolazione con riferimento
DettagliIl metodo Monte Carlo. Numeri (pseudo)casuali. Esempio di transizione al caos. Analisi dati in Fisica Subnucleare. Introduzione al metodo Monte Carlo
Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa
DettagliAlgoritmi in C++ (prima parte)
Algoritmi in C++ (prima parte) Alcuni algoritmi in C++ Far risolvere al calcolatore, in modo approssimato, problemi analitici Diverse tipologie di problemi generazione di sequenze di numeri casuali ricerca
DettagliEsercitazione 1. Introduzione agli algoritmi di ordinamento
Esercitazione 1 Introduzione agli algoritmi di ordinamento Algoritmi di ordinamento Algoritmi utilizzati per elencare gli elementi di un insieme secondo una sequenza stabilita da una relazione d'ordine,
DettagliGiovanni A. Cignoni 1
Generazione di numeri pseudocasuali Lezione n. 9 Corso di Laurea in Informatica Applicata Università di Pisa, sede di La Spezia Giovanni A. Cignoni www.di.unipi.it/~giovanni 1/21 Contenuti Valori casuali
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
DettagliConfidenzialità e crittografia simmetrica. Contenuto. Scenario tipico. Intercettazione dei dati. Uso della crittografia simmetrica
Confidenzialità e crittografia simmetrica Contenuto Uso della crittografia simmetrica Dove, come e quando cifrare i dati? Barbara Masucci Dipartimento di Informatica ed Applicazioni Università di Salerno
DettagliESTRATTO DA INDUZIONI, 32 (2001) pp 141-149. Significato geometrico del fattoriale, numeri pseudo-casuali e numero di Nepero
ESTRATTO DA INDUZIONI, 32 (2001) pp 141-149 Significato geometrico del fattoriale, numeri pseudo-casuali e numero di Nepero MARIO ABUNDO e LAURA SILVANI È raro che ci si preoccupi di attribuire un significato
DettagliIl metodo Monte Carlo. Esempio di transizione al caos. Numeri (pseudo)casuali. λ 1. Analisi dati in Fisica Subnucleare
Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa
DettagliL one-time pad o cifrario di Vernam (1917) è il crittosistema tale che P = C = K = (Z 2 ) m. è un crittosistema a segretezza perfetta
one-time pad L one-time pad o cifrario di Vernam (1917) è il crittosistema tale che P = C = K = (Z 2 ) m se k = (k 1, k 2,..., k m ) si ha e k (x 1, x 2,..., x m ) = (x 1 + k 1, x 2 + k 2,..., x m + k
DettagliGenerazione di numeri casuali
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliGenerazione di numeri pseudo-casuali
Generazione di numeri pseudo-casuali Perchè è difficile? Il computer esegue deterministacamente le istruzioni fornite dal programma Questo comporta che è molto difficile ottenere vera casualità (ossia
DettagliConfidenzialità e crittografia simmetrica. Contenuto. Scenario tipico. Corso di Sicurezza su Reti Uso della crittografia simmetrica
Confidenzialità e crittografia simmetrica Barbara Masucci Dipartimento di Informatica ed Applicazioni Università di Salerno masucci@dia.unisa.it http://www.dia.unisa.it/professori/masucci Contenuto Uso
DettagliConfidenzialità e crittografia simmetrica. Contenuto. Scenario tipico. Sicurezza su reti Uso della crittografia simmetrica
Confidenzialità e crittografia simmetrica Barbara Masucci Dipartimento di Informatica Università di Salerno masucci@dia.unisa.it http://www.dia.unisa.it/professori/masucci Contenuto Uso della crittografia
DettagliAnalisi e scelta dei dati di input
Capitolo 4 Analisi e scelta dei dati di input 4.1 Introduzione Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
DettagliAnalisi e scelta dei dati di input
Capitolo 4 Analisi e scelta dei dati di input 4.1 Introduzione Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
Dettaglif è una combinazione convessa f con w 1
SIMULAZIONE Che cosa serve: - un sistema dinamico completamente definito - un orizzonte di simulazione (intervallo di tempo per il quale sono noti gli ingressi) - funzioni di ingresso definite per tutto
DettagliCorso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Programmi Un elaboratore riceve dei dati in ingresso, li elabora secondo una sequenza predefinita di operazioni e infine restituisce il risultato sotto forma
DettagliCalcolo delle Probabilità e Statistica Matematica Fisciano, 10/1/2012
Fisciano, 10/1/2012 Esercizio 1 Un esperimento consiste nel generare a caso un vettore di interi (x 1, x 2, x 3, x 4 ), dove x i {1, 2, 3, 4, 5, 6} i. (i) Si individui lo spazio campionario, determinandone
DettagliPseudocasualità con OpenSSL
Pseudocasualità con OpenSSL Alfredo De Santis Dipartimento di Informatica Università di Salerno ads@unisa.it http://www.dia.unisa.it/professori/ads Aprile 2017 Casualità nei Sistemi Operativi UNIX-Based:
DettagliCorso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 15: Metodi non parametrici
Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 15: Metodi non parametrici 1 Metodi non parametrici Statistica classica La misurazione avviene con
DettagliGenerazione di distribuzione di probabilità arbitrarie
Generazione di distribuzione di Abbiamo visto come generare eventi con distribuzione di uniforme, ed abbiamo anche visto in quale contesto tali eventi sono utili. Tuttavia la maggior parte dei problemi
DettagliIndice Premessa................................... Cenni storici delle misure......................
Indice Premessa................................... 5 1 Cenni storici delle misure...................... 11 1.1 Il numero come misura...................... 13 1.2 I primi campioni di lunghezza..................
DettagliSTIMA DELLA VARIANZA CAMPIONARIA
STIMA DELLA VARIANZA CAMPIONARIA Abbiamo visto che una stima puntuale corretta per il valore atteso µ delle variabili aleatorie X i è x n = (x 1 +.. + x n )/n. Una stima puntuale della varianza σ 2 delle
Dettaglicomplessità degli algoritmi
complessità degli algoritmi progetto CORDA informatica algoritmo matematico persiano Muhammad al-khwarizmi (IX secolo) un algoritmo è una sequenza finita di passi interpretabili da un esecutore l esecuzione
Dettagli9. Test del χ 2 e test di Smirnov-Kolmogorov. 9.1 Stimatori di massima verosimiglianza per distribuzioni con densità finita
9. Test del χ 2 e test di Smirnov-Kolmogorov 9. Stimatori di massima verosimiglianza per distribuzioni con densità finita Supponiamo di avere un campione statistico X,..., X n e di sapere che esso è relativo
DettagliPolitecnico di Milano Dipartimento di Elettronica e Informazione. - 1 - Introduzione. Laboratorio di Reti di Telecomunicazione
Politecnico di Milano Dipartimento di Elettronica e Informazione - 1 - Introduzione Laboratorio di Reti di Telecomunicazione Programma Introduzione al concetto di simulazione Simulazionediretiditelecomunicazioni
DettagliCrittografia. Corso di Laurea Specialistica. in Informatica. Generatori di Numeri PseudoCasuali
Crittografia Corso di Laurea Specialistica in Informatica Generatori di Numeri PseudoCasuali Alberto Leporati Dipartimento di Informatica, Sistemistica e Comunicazione Università degli Studi di Milano
DettagliIl concetto di algoritmo. Il concetto di algoritmo. Costruire un algoritmo. Il concetto di algoritmo (più tecnico) Dati di ingresso (input)
Il concetto di algoritmo Il concetto di algoritmo Dati di ingresso (input) Risultati in Uscita (output) 9 10 Il concetto di algoritmo (più tecnico)! Il problema della radice quadrata intera Y di un numero
DettagliORDINAMENTO PER SELEZIONE ORDINAMENTO PER SELEZIONE ORDINAMENTO VELOCE CONFRONTI
ORDINAMENTO PER SELEZIONE Per l analisi delle prestazioni di tale algoritmo di ordinamento, si considerano i due cicli for annidati: poiché i confronti avvengono nel ciclo interno si ha che n 2 i= 0 (
DettagliCorso di Laboratorio 2 Programmazione C++ Silvia Arcelli. 9 Novembre 2015
Corso di Laboratorio 2 Programmazione C++ Silvia Arcelli 9 Novembre 2015 1 Generazione di numeri casuali Numeri casuali: valore assunto da una variabile aleatoria, il cui valore è per definizione impredicibile
DettagliPiattaforma AlmaChannel e laboratori virtuali
Piattaforma AlmaChannel e laboratori virtuali Tecnologie per la Sicurezza L-S AA 2005-2006 Anna Riccioni anna.riccioni@gmail.com Laboratori virtuali Supporto alla didattica tradizionale Simulatore come
DettagliSimulazione. Introduzione
Introduzione Simulare significa fare degli esperimenti che riproducono una situazione reale, la quale magari sarebbe troppo costosa o impossibile da riprodurre in modo controllato. Esempi: simulatori di
DettagliTeoremi limite. Enrico Ferrero. 27 febbraio 2007
Teoremi limite Enrico Ferrero 27 febbraio 2007 LA DISEGUAGLIANZA DI CHEBYCHEV Sia X una variabile aleatoria avente valore medio µ e varianza σ 2. Sia poi K un arbitrario numero positivo. È possibile dimostrare
DettagliTecniche di simulazione
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di simulazione 8/3/2006 Metodo di Monte Carlo Risoluzione di problemi numerici determinazione parametro F di una popolazione
DettagliDI IDROLOGIA TECNICA PARTE III
FACOLTA DI INGEGNERIA Laurea Specialistica in Ingegneria Civile N.O. Giuseppe T. Aronica CORSO DI IDROLOGIA TECNICA PARTE III Idrologia delle piene Lezione XIX: I metodi indiretti per la valutazione delle
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
PROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE 1. Distribuzione congiunta Ci sono situazioni in cui un esperimento casuale non si può modellare con una sola variabile casuale,
DettagliLezione 21 e 22. Valentina Ciriani ( ) Laboratorio di programmazione. Laboratorio di programmazione. Lezione 21 e 22
Lezione 21 e 22 - Allocazione dinamica delle matrici - Generazione di numeri pseudocasuali - Funzioni per misurare il tempo - Parametri del main - Classificazione delle variabili Valentina Ciriani (2005-2008)
DettagliRICHIAMI SU SIMULAZIONE E METODO MONTE CARLO
1 RICHIAMI SU SIMULAZIONE E METODO MONTE CARLO Agenda introduzione alla simulazione e al metodo Monte Carlo tecniche di simulazione generatore congruenziale lineare, variabili uniformi metodo dell inversa
DettagliGenerazione di variabili aleatorie con distribuzione non uniforme. Daniela Picin
Generazione di variabili aleatorie con distribuzione non uniforme Daniela Picin A partire da una sequenza di numeri random u k ~ U(0,1) opportunamente generati, alcuni dei metodi per la generazione di
DettagliCorso di Laurea in Informatica Applicata Esame di Calcolo delle Probabilità e Statistica Prova scritta dell 11 gennaio 2007
Corso di Laurea in Informatica Applicata Esame di Calcolo delle Probabilità e Statistica Prova scritta dell 11 gennaio 007 Primo esercizio Per una certa stampante S 1, la probabilità che un generico foglio
DettagliPASCAL: IL CALCOLO NUMERICO TRATTO DA CAMAGNI-NIKOLASSY, CORSO DI INFORMATICA, VOL. 3, HOEPLI. Informatica
PASCAL: IL CALCOLO NUMERICO TRATTO DA CAMAGNI-NIKOLASSY, CORSO DI INFORMATICA, VOL. 3, HOEPLI Informatica Il Calcolo Numerico Metodo di Calcolo Numerico Per risolvere problemi del mondo reale con metodi
DettagliGenerazione di numeri casuali. Daniela Picin
Daniela Picin Testi di consultazione Gentle I.E. Random Number Generation and Monte Carlo Methods, 2nd ed. Springer Verlag, 2003 Raj Jain - The Art of Computer Systems Performance Analysis: Techniques
DettagliX = X 1 + X 2 +... + X n. dove. 1 se alla i-esima prova si ha un successo 0 se alla i-esima prova si ha un insuccesso. X i =
PIU DI UNA VARIABILE CASUALE Supponiamo di avere n variabili casuali, X 1, X 2,..., X n. Le n variabili casuali si dicono indipendenti se e solo se P(X 1 x 1 X 2 x 2... X n x n ) = = P(X 1 x 1 ) P(X 2
Dettagli1. Calcolo dell indice di condizionamento di una matrice
1 Esercizi sul condizionamento con matlab laboratorio di Calcolo Scientifico per Geofisici Prof. A. Murli a.a. 2006/07 1. Calcolo dell indice di condizionamento di una matrice Determinare una function
DettagliAppunti del corso di Informatica 1 (IN110 Fondamenti) 3 Modelli di calcolo
Università Roma Tre Dipartimento di Matematica e Fisica Corso di Laurea in Matematica Appunti del corso di Informatica 1 (IN110 Fondamenti) 3 Modelli di calcolo Marco Liverani (liverani@mat.uniroma3.it)
DettagliLa simulazione è l'imitazione di un processo o di un sistema reale per un
1 2 La simulazione è l'imitazione di un processo o di un sistema reale per un determinato periodo di tempo. La simulazione è l'imitazione di un processo o di un sistema reale per un determinato periodo
Dettagli1. i dati sono usati direttamente nella simulazione ( trace driver simulation ).
144 SIMULAZIONE 3.3 SCELTA DELLE DISTRIBUZIONI DI INPUT Per condurre una simulazione di un sistema che presenta elementi stocastici è necessario specificare le distribuzioni di probabilità che regolano
DettagliAnalisi e scelta dei dati di input
Analisi e scelta dei dati di input Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) Analisi e
DettagliTest delle ipotesi. Le differenze che vengono riscontrate possono essere ovviamente ricondotte a due possibilità:
Test delle ipotesi Test delle ipotesi Nel cercare di costruire un legame tra dati osservati e ipotesi teoriche sulle caratteristiche dell intera popolazione si deve, in genere, prendere una decisione per
DettagliNumeri casuali o pseudocasuali
Numeri casuali o pseudocasuali I generatori di numeri casuali (RNGs) costiutiscono una componente fondamentale per diverse applicazioni Esperimenti statistici analisi di algoritmi- Simulazione di sistemi
DettagliFondamenti di Informatica. Ipotesi fondamentale. Irrisolubilità. Prof. V.L. Plantamura Informatica e Comunicazione Digitale a.a.
Fondamenti di Informatica Prof. V.L. Plantamura Informatica e Comunicazione Digitale a.a. 2006-2007 Ipotesi fondamentale Tesi di Church Qualunque algoritmo può essere espresso sotto forma di matrice funzionale
DettagliNumeri casuali o pseudocasuali
Numeri casuali o pseudocasuali I generatori di numeri casuali (RNGs) risultano componente fondamentale per diverse applicazioni: - Esperimenti statistici analisi di algoritmi- - Simulazione di sistemi
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE TEORIA DELLE CODE Teoria delle code Obiettivo Avere uno strumento analitico per determinare le condizioni di funzionamento di una rete in termini prestazionali La teoria delle
DettagliAnalisi statistica dell output prodotto dalla simulazione
Analisi statistica dell output prodotto dalla simulazione Teso di riferimento: Steven Lavenberg "Computer Performance Modeling Handbook" Academic Press, Il simulatore realizza un adeguato modello del
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliALGORITMI: PROPRIETÀ FONDAMENTALI
ALGORITMI: PROPRIETÀ FONDAMENTALI Non si può risolvere un problema senza prima fissare un insieme di azioni, i di mosse elementari possibili per l'esecutore. Bisogna conoscerne le caratteristiche, le mosse
DettagliTeorema del limite centrale TCL
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliMODELLISTICA DI IMPIANTI E SISTEMI Syllabus e Testi di Riferimento Prof. Giuseppe Iazeolla
Syllabus e Testi di Riferimento MIS 1 di 7 MODELLISTICA DI IMPIANTI E SISTEMI Syllabus e Testi di Riferimento Prof. Giuseppe Iazeolla Syllabus da testo 1 (la numerazione fa riferimento ai capitoli del
DettagliCAMPIONAMENTO - ALCUNI TERMINI CHIAVE
CAMPIONAMENTO - ALCUNI TERMINI CHIAVE POPOLAZIONE = qualsiasi insieme di oggetti (unità di analisi) di ricerca N = ampiezza della popolazione PARAMETRI = caratteristiche della popolazione [media, proporzione
DettagliAlgoritmi in C++ (seconda parte)
Algoritmi in C++ (seconda parte) Introduzione Obiettivo: imparare a risolvere problemi analitici con semplici programmi in C++. Nella prima parte abbiamo imparato: generazione di sequenze di numeri casuali
Dettagli