Allora v = v2 =
|
|
- Stefano Fusco
- 7 anni fa
- Visualizzazioni
Transcript
1 Problema: a partre da due sequenze ordnate v1 e v2 d element voglamo costrurne una ordnata v con tutt gl element d v1 e v2 Algortmo rcorsvo: Se le due sequenze contengono element confronta prm due element delle sequenze, mett l pù pccolo all nzo delle nuova sequenza e rchama la funzone sul resto della seguenza dalla quale abbamo scelto l elemento e l altra. Se una delle due sequenze è termnata copa gl element d quella rmasta nella nuova Esempo: v1= v2 = Allora v =
2 Implementazone su array (vettore) n C vod merge(nt *a,nt*b,nt *c, nt n, nt m) /* costrusce un vettore ordnato a partre da due vettor ordnat a, con n element e b con m. prec: n >= 0 && m >= 0 && a[] <= a[+1], per 0<=<n && b[] <= b[+1], 0<=<m. postc: resttusce n c gl n+m element d a e b, n modo tale che c[] <= c[+1], 0<=<n.*/ {f (n == 0 && m == 0) return; f (n == 0 && m > 0 ) {*c = *b; merge(a,++b,++c,n,m-1); else f (n > 0 && m == 0 ) {*c = *a; merge(++a,b,++c,n-1,m); else f (*a < *b ) {*c = *a; merge(++a,b,++c,n-1,m); else {*c = *b; merge(a,++b,++c,n,m-1); N.B. la memora per l vettore c deve essere allocata prma della chamata Questa funzone è tal recursve!!
3 Dvde et Impera Qucsort Charles Antony Rchard Hoare (Senor researcher alla Mcrosoft Research, Cambrdge, GB) Computer Jurnal 5,1,1962 Mergesort John von Neumann( ) Nel 1944, l suo rapporto nterno Frst Draft of a Report on the EDVAC contene tra l altro, l mergesort come programma d ordnamento
4 MergeSort Esempo d algortmo basato su Dvde et Impera Due fas: Fase d suddvsone Dvde l lavoro a metà Fase d ordnamento (fusone) Impera sulle due metà!
5 MergeSort Dvd Dvd la lsta n due metà Metà I Metà II
6 MergeSort Impera 1 Applca lo stesso algortmo a ogn metà Metà I Metà II Nuove chamate
7 MergeSort Impera 2 (a partre da quando s ha un solo elemento o nessuno) fond Metà I ordnata Metà II ordnata fond
8 Dvd Dvd Dvd fond fond fond
9 Pseudocodce per l mergesort f c sono almeno due element da ordnare {1. dvd la sequenza n due metà. 2. chamata rcorsva d mergesort per la prma metà. 3. chamata rcorsva d mergesort per la seconda metà. 4. fusone (qund ordnamento) delle due metà ordnate.
10 su una lsta concatenata L: f (L) /* la lsta non è vuota. */ {If (L-> next) { 1. dvd la lsta n due metà. /* costo lneare */ 2. chamata rcorsva d mergesort per la prma metà. 3. chamata rcorsva d mergesort per la seconda metà. 4. fusone (mergng) delle due metà ordnate. /* costo lneare, opera n loco */
11 su un vettore d n element: f (n>1) /* c sono almeno due element. */ {1. Dvd l vettore n due metà. /*Facle: costo costante */ 2. chamata rcorsva d mergesort per la prma metà. 3. chamata rcorsva d mergesort per la seconda metà. 4. fusone (mergng) delle due metà ordnate /* tempo lneare e necessta d un vettore d appoggo */
12 Implementazone su vettor: vod mergesort (nt *v,nt* app,nt start, nt end) /* ordna, n modo crescente l vettore v d end - start+ 1 element, nzalmente start = 0 e end = numero d element -1 *prec: v!= NULL && app!= NULL postc: v[]<=v[+1], per start <=<end*/ { nt mddle; f (start < end) /* c sono almeno 2 element */ { mddle = (start + end) / 2; /* calcola l punto medano */ mergesort (v,app,start, mddle); /* ordna la prma metà */ mergesort (v,app,mddle+1, end); /* ordna la seconda metà */ merge (v, app,start, mddle, end); /* fonde le due metà ordnate */ NB. Il vettore d appoggo serve a merge, spesso è globale
13 vod merge(nt * v, nt * app,nt start, nt mddle, nt end) /* fonde sottovettor v[start..mddle] e v[mddle..end], resttuendo l rsultato n v. *prec: v[]<=v[+1] per start <= < mddle e * v[j]<=v[j+1] per mddle +1 <= j < end postc: v[]<=v[+1] per start <= < end */*/ {nt = start, = mddle +1, j = start;/* è l'ndce d scorrmento della prma metà, della seconda, j del vettore d appoggo app */ whle (( <= mddle) && ( <= end)) { f (v[] <= v[]) {app[j] = v[]; ++; else {app[j] = v[];++; j++; f ( <= mddle) /* ( > end) ha provocato l'uscta dal cclo, bsogna aggungere n coda gl ultm element nella prma metà */ do {app[j] = v[]; j++;++; whle (j <= end); /*altrment l'uscta dal cclo 1 s è avuta per ( > mddle): gl element v[],...,v[end] sono gà al posto gusto, qund s rcopa solo app n v */ for ( = start; < j; ++) v[] = app[];
14 whle (( <= mddle) && ( <= end)) /*cclo 1*/ { f (v[] <= v[]) {app[j] = v[]; ++; else {app[j] = v[];++; j++; f ( <= mddle) /* ( > end) ha provocato l'uscta dal cclo 1, bsogna aggungere n coda gl ultm element nella prma metà */ do {app[j] = v[]; j++;++; whle (j <= end); Chamata merge(v,app,0,3, 7); uscta ( > end) app= 10 j
15 whle (( <= mddle) && ( <= end)) /*cclo 1*/ { f (v[] <= v[]) {app[j] = v[]; ++; else {app[j] = v[];++; j++; f ( <= mddle) /* ( > end) ha provocato l'uscta dal cclo 1, bsogna aggungere n coda gl ultm element nella prma metà */ do {app[j] = v[]; j++;++; whle (j <= end); Chamata merge(v,app,0,3, 7); uscta ( > end) app= j
16 whle (( <= mddle) && ( <= end)) /*cclo 1*/ { f (v[] <= v[]) {app[j] = v[]; ++; else {app[j] = v[];++; j++; f ( <= mddle) /* ( > end) ha provocato l'uscta dal cclo 1, bsogna aggungere n coda gl ultm element nella prma metà */ do {app[j] = v[]; j++;++; whle (j <= end); Chamata merge(v,app,0,3, 7); uscta ( > end) app= j
17 whle (( <= mddle) && ( <= end)) /*cclo 1*/ { f (v[] <= v[]) {app[j] = v[]; ++; else {app[j] = v[];++; j++; f ( <= mddle) /* ( > end) ha provocato l'uscta dal cclo 1, bsogna aggungere n coda gl ultm element nella prma metà */ do {app[j] = v[]; j++;++; whle (j <= end); Chamata merge(v,app,0,3, 7); uscta ( > end) app= j
18 whle (( <= mddle) && ( <= end)) /*cclo 1*/ { f (v[] <= v[]) {app[j] = v[]; ++; else {app[j] = v[];++; j++; f ( <= mddle) /* ( > end) ha provocato l'uscta dal cclo 1, bsogna aggungere n coda gl ultm element nella prma metà */ do {app[j] = v[]; j++;++; whle (j <= end); Chamata merge(v,app,0,3, 7); uscta ( > end) app= j
19 Chamata merge(v,app,0,3, 7); uscta ( > end) whle (( <= mddle) && ( <= end)) /*cclo 1*/ { f (v[] <= v[]) {app[j] = v[]; ++; else {app[j] = v[];++; j++; f ( <= mddle) /* ( > end) ha provocato l'uscta dal cclo 1, bsogna aggungere n coda gl ultm element nella prma metà */ do {app[j] = v[]; j++;++; whle (j <= end); app= j
20 whle (( <= mddle) && ( <= end)) /*cclo 1*/ { f (v[] <= v[]) {app[j] = v[]; ++; else {app[j] = v[];++; j++; f ( <= mddle) /* ( > end) ha provocato l'uscta dal cclo 1, bsogna aggungere n coda gl ultm element nella prma metà */ do {app[j] = v[]; j++;++; whle (j <= end); Chamata merge(v,app,0,3, 7); uscta ( > end) app= j
21 whle (( <= mddle) && ( <= end)) /*cclo 1*/ { f (v[] <= v[]) {app[j] = v[]; ++; else {app[j] = v[];++; j++; f ( <= mddle) /* ( > end) ha provocato l'uscta dal cclo 1, bsogna aggungere n coda gl ultm element nella prma metà */ do {app[j] = v[]; j++;++; whle (j <= end); for ( = start; < j; ++) v[] = app[]; Chamata merge(v,app,0,3, 7);uscta ( > mddle) app= > mddle j
22 nt verfcaord(const nt *a, const nt n) /* controlla se l vettore è ordnato * postc: dà 1 se v[]<= v[+1] per 0 <= < n-1 e 0 altrment */ {nt ; for(=0;< n-1;++) f (a[] > a[+1]) return 0; return 1; nt* nvett(const nt num) /*resttusce un vettore nzalzzato con nter pseudocasual*/ {nt, *vett; vett = malloc(num*szeof(nt)); srand(tme(null)); for ( = 0; < num;++) vett[] = rand()%129 ; return vett;
23 man() {nt num, j,numtest; nt* app,* vett; prntf("insersc l numero d test da effettuare.\n"); scanf("%d",&numtest); for (j=0;j<numtest;j++) {prntf("insersc l numero d element del vettore.\n"); scanf("%d",&num); app = (nt*)malloc(num*szeof(nt)); vett = nvett(num); prntf("gl element scelt a caso e nsert nel vettore sono:\n"); stvett(vett,num); mergesort(vett,app,0,num-1); assert(verfcaord(vett,num)); prntf("gl element ordnat nel vettore sono:\n"); stvett(vett,num); prntf("tutto bene con l mergesort.\n"); return 0; NB: solo dopo aver effettuato test elementar.
Esercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media
Alcun esercz su algortm e programmazone Fondament d Informatca A Ingegnera Gestonale Unverstà degl Stud d Bresca Docente: Prof. Alfonso Gerevn Scrvere l algortmo e l dagramma d flusso per l seguente problema:
DettagliLe operazioni che vogliamo realizzare sono. Supporremo che una tabella T abbia i seguenti attributi: 1. Table(T): costruisce una tabella vuota T.
tabelle dnamche Tabelle dnamche Spesso non s conosce a pror quanta memora serve per memorzzare una struttura dat (tabella d dat ~ array, tabella hash, heap, stack, ecc.. Può captare qund d allocare una
DettagliCode a priorità (Heap) Definizione Heapify (mantenimento coda a priorità) Costruire un Heap Insert, Maximum e Extract-Max
Code a prortà (Heap) Defnzone Heapfy (mantenmento coda a prortà) Costrure un Heap Insert, Maxmum e Extract-Max Coda a prortà (Heap) Una coda a prortà può essere rappresentato da un albero bnaro completo.
DettagliLinguaggio C. funzioni e procedure. Università degli Studi di Brescia. Docente: Massimiliano Giacomin
Lnguaggo C funzon e procedure Unverstà degl Stud d Bresca Docente: Massmlano Gacomn Un esempo Acqusre dall utente un numero ntero n, rpetendo l acquszone se è prmo. Successvamente, stampare 5 numer prm
DettagliSi può fare di meglio?
Si può fare di meglio? Gli algoritmi visti fino ad ora hanno costo O(n 2 ) È possibile fare di meglio? Quanto meglio? Algoritmi e Strutture Dati 1 Algoritmi divide et impera Idea generale Divide: Scomporre
DettagliLE FREQUENZE CUMULATE
LE FREQUENZE CUMULATE Dott.ssa P. Vcard Introducamo questo argomento con l seguente Esempo: consderamo la seguente dstrbuzone d un campone d 70 sttut d credto numero flal present nel terrtoro del comune
DettagliAnalisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:
Anals ammortzzata Anals ammortzzata S consdera l tempo rchesto per esegure, nel caso pessmo, una ntera sequenza d operazon. Se le operazon costose sono relatvamente meno frequent allora l costo rchesto
DettagliIntroduzione alla Programmazione e Applicazioni per la Finanza M2 (Prodotti Derivati) Lezione 12
Introduzone alla Programmazone e Applcazon per la Fnanza M2 (Prodott Dervat) Lezone 12 Anno accademco 2006-07 Ttolare corso: Prof. Costanza Torrcell Docente: Dott.ssa Maranna Brunett In partcolare mplementeremo:
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne
Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che
Dettagli* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *
* PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che
DettagliV n. =, e se esiste, il lim An
Parttore resstvo con nfnte squadre n cascata. ITIS Archmede CT La Fg. rappresenta un parttore resstvo, formato da squadre d restor tutt ugual ad, conness n cascata, e l cu numero n s fa tendere ad nfnto.
DettagliOttimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO
Ottmzzazone nella gtone de progett Captolo 6 Project Schedulng con vncol sulle rsorse CARLO MANNINO Unverstà d Roma La Sapenza Dpartmento d Informatca e Sstemstca 1 Rsorse Ogn attvtà rchede rsorse per
DettagliControllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Controllo e schedulng delle operazon Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Organzzazone della produzone PRODOTTO che cosa ch ORGANIZZAZIONE PROCESSO come FLUSSO DI PRODUZIONE
DettagliQuickSort (1962, The Computer Journal)
QuickSort (1962, The Computer Journal) Charles Antony Richard Hoare (1934 -) Attualmente senior researcher al Microsoft Research Center di Cambridge Hoare ha vinto nel 1980 il Turing Award, il premio più
DettagliGestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Un algortmo per l flusso su ret a costo mnmo: l smplesso su ret Convergenza
DettagliServer Ricorsivii i. Dott. Delfina Malandrino.
A.A. 2007/2008 Rcorsv delmal@da.unsa.t http://ss.da.unsa.t/~delmal Dpartmento d Informatca ed Applcazon R.M. Capocell Unverstà degl Stud d Salerno Iteratv Un server teratvo gestsce una sngola connessone
DettagliSommario. Le strutture dati elementari per implementare sequenze: Vettori Liste
Sequenze Sommario Le strutture dati elementari per implementare sequenze: Vettori Liste Strutture dati elementari Le strutture dati vettore e lista sono fra le strutture dati più usate e semplici Il loro
DettagliProgetto Lauree Scientifiche Liceo Classico L.Ariosto, Ferrara Dipartimento di Matematica Università di Ferrara 24 Gennaio 2012
Progetto Lauree Scientifiche Liceo Classico L.Ariosto, Ferrara Dipartimento di Matematica Università di Ferrara 24 Gennaio 2012 Concetti importanti da (ri)vedere Programmazione imperativa Strutture di
DettagliMinistero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA
Mnstero della Salute D.G. della programmazone santara --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA La valutazone del coeffcente d varabltà dell mpatto economco consente d ndvduare gl ACC e DRG
Dettagli4. ALGORITMI GREEDY. cambia-monete scheduling a minimo il ritardo. Il problema del cambia-monete. Proprietà di una soluzione ottima
Il problema del camba-monete. ALGORITMI GREEDY camba-monete schedulng a mnmo l rtardo Scopo. Dat tagl dsponbl: c, c, 5c, 0c, 0c, 50c,, progettare un algortmo che data una certa somma la camb usando l mnmo
DettagliAlgoritmi euristici: III Ricerca Locale
Algortm eurstc: III Rcerca Locale Danele Vgo D.E.I.S. - Unverstà d Bologna dvgo@des.unbo.t rev. 1.0 - dcembre 2003 Algortm d Rcerca Locale partono da una soluzone (ammssble) cercano teratvamente d mglorarla
DettagliIndividuazione di linee e curve. Minimi quadrati. Visione e Percezione. Model fitting: algoritmi per trovare le linee. a = vettore dei parametri
Segmentazone tramte modell ad hoc Indvduazone d lnee e curve Obbettvo: Data l mmagne d output d un algortmo d rlevamento d bord, trova tutte le stanze d una certa curva (lnea o ellss) o una sua parte.
DettagliCapitolo 3. Cap. 3-1
Statstca Captolo 3 Descrzone Numerca de Dat Cap. 3-1 Obettv del Captolo Dopo aver completato l captolo, sarete n grado d: Calcolare ed nterpretare la meda, la medana e la moda d un set tdd dat Trovare
DettagliRICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2
RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A La rappresentazone n Complemento a Due d un numero ntero relatvo (.-3,-,-1,0,+1,+,.) una volta stablta la precsone che s vuole ottenere (coè l numero d
DettagliIn questa lezione. Heapsort. ordinamento con complessità, nel caso peggiore, O(nlogn) [CLRS01] cap. 6 da pag. 106 a pag. 114
In questa lezione Heapsort ordinamento con complessità, nel caso peggiore, O(nlogn) [CLRS01] cap. 6 da pag. 106 a pag. 11 1 Paternità L heapsort è stato pubblicato da J. W. J. Williams nel 106. Pochi mesi
DettagliMODELLI PER GESTIONE E LA RICERCA DELL'INFORMAZIONE
MODLLI R GSTION LA RICRCA DLL'INFORMAZION Algortm d Apprendmento avanzato per l Informaton Retreval Alessandro Moschtt Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: moschtt@nfo.unroma2.t
DettagliEttore Limoli. Lezioni di Matematica Prof. Ettore Limoli. Sommario. Calcoli di regressione
Sto Personale d Ettore Lmol Lezon d Matematca Prof. Ettore Lmol Sommaro Calcol d regressone... 1 Retta d regressone con Ecel... Uso della funzone d calcolo della tendenza... 4 Uso della funzone d regressone
DettagliALGORITMI E STRUTTURE DATI
ALGORITMI E STRUTTURE DATI Esercitazioni AndreA Orlandini http://www.dia.uniroma3.it/~orlandin/asd/ e-mail: orlandin@dia.uniroma3.it Orario di ricevimento: Martedì 14.00-16.00 Introduzione al C + Array
DettagliIl modello del Relay Variabile è implementato attraverso Simulink di Matlab. Esso è composto da 3 Blocchi: Relay, Controllo Relay, Frequency Meter.
C a p t o l o 3 IMPLEMENTZIONE SIMULINK E FUNZIONI In questo captolo sono espost modell Smulnk che mplementano un relay a steres varable e le funzon create per dentfcare la funzone d trasfermento del processo.
DettagliIntroduzione al Machine Learning
Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone
DettagliPROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata
DettagliAllenamenti di matematica: Teoria dei numeri e algebra modulare Soluzioni esercizi
Allenament d matematca: Teora de numer e algebra modulare Soluzon esercz 29 novembre 2013 1. Canguro salterno. Un canguro salterno s trova a ped d una scala nfnta che ntende salre nel seguente modo: Salta
DettagliPrecisione e Cifre Significative
Precsone e Cfre Sgnfcatve Un numero (una msura) è una nformazone! E necessaro conoscere la precsone e l accuratezza dell nformazone. La precsone d una msura è contenuta nel numero d cfre sgnfcatve fornte
DettagliNUMERI GRANDI DI FIBONACCI come trovare velocemente i loro esatti valori numerici Cristiano Teodoro
NUMERI GRANDI DI FIBONACCI come trovare velocemente loro esatt valor numerc Crstano Teodoro crstanoteodoro@vrglo.t Sommaro: n questo artcolo vene proposto, n alternatva al metodo classco per l calcolo
DettagliUn albero completamente bilanciato o pieno (full) alberi completamente sbilanciati. Un albero binario completo
alberi completamente sbilanciati Un albero completamente bilanciato o pieno (full) Definizione: Un albero è pieno se tutte le foglie sono sullo stesso livello e ogni nodo non foglia ha due figli. Il numero
DettagliGestione dei segnali. Dott. Delfina Malandrino. p//ssd s / d
a.a 2007/2008 Gestone de segnal delmal@da.unsa.t http://ss.da.unsa.t/~delmal p//ssd s / d Dpartmento d Informatca ed Applcazon R.M. Capocell Unverstà degl Stud d Salerno Gestone de segnal I segnal sono
Dettagli4.1 Modelli di calcolo analisi asintotica e ricorrenze
4 Esercizi Prima Parte 4.1 Modelli di calcolo analisi asintotica e ricorrenze Esercizio 4 1 Rispondere alle seguenti domande: 1. Come misuriamo l efficienza di un algoritmo?. Quali sono gli algoritmi più
DettagliESERCIZI DI PROGRAMMAZIONE DA TEMI D ESAME - vettori -
ESERCIZI DI PROGRAMMAZIONE DA TEMI D ESAME - vettori - Elementi di Informatica e Programmazione Università di Brescia 1 Esercizio 1 Sviluppare un programma che acquisisce dall utente al massimo 50 numeri
DettagliESERCIZIO 1 (Definizione funzioni passaggio parametri per copia)
ESERCIZIO 1 (Definizione funzioni passaggio parametri per copia) Scrivere una funzione per definire se un numero è primo e un programma principale minimale che ne testa la funzionalità. #include
DettagliAlgebra 2. 6 4. Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.
Testo Fac-smle 2 Durata prova: 2 ore 8 1. Un gruppo G s dce semplce se suo unc sottogrupp normal sono 1 e G stesso. Sa G un gruppo d ordne pq con p e q numer prm tal che p < q. (a) Il gruppo G può essere
DettagliLaboratorio di Calcolatori 1 Corso di Laurea in Fisica A.A. 2006/2007
Laboratorio di Calcolatori 1 Corso di Laurea in Fisica A.A. 2006/2007 Dott.Davide Di Ruscio Dipartimento di Informatica Università degli Studi di L Aquila Lezione del 07/02/07 Nota Questi lucidi sono tratti
DettagliRicerca binaria (o dicotomica) di un elemento in un vettore
Ricerca binaria (o dicotomica) di un elemento in un La ricerca binaria o dicotomica è utilizzata per ricercare i dati in un ORDNATO. L algoritmo di ricerca binaria, dopo ogni confronto, scarta metà degli
DettagliRappresentazione dei numeri PH. 3.1, 3.2, 3.3
Rappresentazone de numer PH. 3.1, 3.2, 3.3 1 Tp d numer Numer nter, senza segno calcolo degl ndrzz numer che possono essere solo non negatv Numer con segno postv negatv Numer n vrgola moble calcol numerc
DettagliDue algoritmi di ordinamento. basati sulla tecnica Divide et Impera: Mergesort e Quicksort
Due algoritmi di ordinamento basati sulla tecnica Divide et Impera: Mergesort e Quicksort (13 ottobre 2009, 2 novembre 2010) Ordinamento INPUT: un insieme di n oggetti a 1, a 2,, a n presi da un dominio
DettagliLaboratorio di Programmazione Appunti sulla lezione 4: Divide et impera e algoritmi di ordinamento
Laboratorio di Programmazione Appunti sulla lezione 4: Divide et impera e algoritmi di ordinamento Alessandra Raffaetà Università Ca Foscari Venezia Corso di Laurea in Informatica Ricerca binaria Assunzione:
DettagliRappresentazione dei numeri
Rappresentazone de numer PH. 3.1, 3.2, 3.3 1 Tp d numer Numer nter, senza segno calcolo degl ndrzz numer che possono essere solo non negatv Numer con segno postv negatv Numer n vrgola moble calcol numerc
DettagliPROGRAMMAZIONE STRUTTURATA
PROGRAMMAZIONE STRUTTURATA Programmazione strutturata 2 La programmazione strutturata nasce come proposta per regolamentare e standardizzare le metodologie di programmazione (Dijkstra, 1965) Obiettivo:
DettagliLezione 2 a - Statistica descrittiva per variabili quantitative
Lezone 2 a - Statstca descrttva per varabl quanttatve Esempo 5. Nella tabella seguente sono rportat valor del tasso glcemco rlevat su 10 pazent: Pazente Glcema (mg/100cc) 1 x 1 =103 2 x 2 =97 3 x 3 =90
Dettagli4 Le liste collegate 4.0. Le liste collegate. 4 Le liste collegate Rappresentazione di liste 4.1 Rappresentazione di liste
4 Le liste collegate 4.0 Le liste collegate c Diego Calvanese Fondamenti di Informatica Corso di Laurea in Ingegneria Elettronica A.A. 2001/2002 4.0 0 4 Le liste collegate Rappresentazione di liste 4.1
DettagliPer semplicità eliminiamo le ripetizioni nell'albero.
Albero binario di ricerca 20 40 100 95 Un albero binario di ricerca é un albero binario in cui ogni nodo ha un etichetta minore o uguale a quelle dei nodi nel sottoalbero radicato nel figlio destro e maggiore
DettagliESERCIZIO 4.1 Si consideri una popolazione consistente delle quattro misurazioni 0, 3, 12 e 20 descritta dalla seguente distribuzione di probabilità:
ESERCIZIO. S consder una popolazone consstente delle quattro msurazon,, e descrtta dalla seguente dstrbuzone d probabltà: X P(X) ¼ ¼ ¼ ¼ S estrae casualmente usando uno schema d camponamento senza rpetzone
DettagliGeneratori di Numeri Pseudocasuali
CORSO DI LAUREA MAGISTRALE INGEGNERIA DELLE TECNOLOGIE DELLA COMUNICAZIONE E DELL INFORMAZIONE Generator d Numer Pseudocasual Dego Belvedere, Alessandro Brugnola, Alessa Vennarn Prof. Francesca Merola
DettagliINTRODUZIONE ALL ESPERIENZA 4: STUDIO DELLA POLARIZZAZIONE MEDIANTE LAMINE DI RITARDO
INTODUZION ALL SPINZA 4: STUDIO DLLA POLAIZZAZION DIANT LAIN DI ITADO Un utle rappresentazone su come agscono le lamne su fasc coerent è ottenuta utlzzando vettor e le matrc d Jones. Vettore d Jones e
DettagliGestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Struttura delle ret logstche Sstem produttv multstado Struttura logstca
DettagliIntegrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1
Integrazone numerca dell equazone del moto per un sstema lneare vscoso a un grado d lbertà Prof. Adolfo Santn - Dnamca delle Strutture 1 Introduzone 1/2 L equazone del moto d un sstema vscoso a un grado
DettagliEsercizi C su array e matrici
Politecnico di Milano Esercizi C su array e matrici Massimo, media e varianza,, ordinamento, ricerca e merge, matrice simmetrica, puntatori Array Array o vettore Composto da una serie di celle int vett[4]
DettagliIl campionamento casuale semplice
Il camponamento casuale semplce Metod d estrazone del campone. robabltà d nclusone. π = n N π j = n N n 1 N 1 Stmatore corretto del totale e della meda. Ŷ = Nȳ e ˆȲ = ȳ Varanza degl stmator corrett. V
DettagliModuli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013
Modul su un domno a deal prncpal Maurzo Cornalba versone 15/5/2013 Sa A un anello commutatvo con 1. Indchamo con A k l modulo somma dretta d k cope d A. Un A-modulo fntamente generato M s dce lbero se
DettagliLaboratorio di Programmazione Appunti sulla lezione 4: Divide et impera e algoritmi di ordinamento
Laboratorio di Programmazione Appunti sulla lezione 4: Divide et impera e algoritmi di ordinamento Alessandra Raffaetà Università Ca Foscari Venezia Corso di Laurea in Informatica Ricerca binaria Assunzione:
DettagliCorso di Tecniche di Programmazione
Corso di Tecniche di Programmazione Corsi di Laurea in Ingegneria Informatica ed Automatica Anno Accedemico 003/004 Proff. Giuseppe De Giacomo, Luca Iocchi, Domenico Lembo Dispensa : Algoritmi di Ordinamento
DettagliProgrammazione I - Laboratorio
Programmazione I - Laboratorio Esercitazione 6 - Liste Gianluca Mezzetti 1 Paolo Milazzo 2 1. Dipartimento di Informatica, Università di Pisa http://www.di.unipi.it/ mezzetti mezzetti di.unipi.it 2. Dipartimento
DettagliProf. E. Occhiuto INFORMATICA 242AA a.a. 2010/11 pag. 1
Operazioni sulle liste Definiamo una serie di procedure e funzioni per operare sulle liste. Usiamo liste di interi per semplicità, ma tutte le operazioni sono realizzabili in modo del tutto analogo su
DettagliIn questa lezione Strutture dati elementari: Pila Coda
In questa lezione Strutture dati elementari: Pila Coda 1 strutture dati (astratte) Una struttura dati astratti consiste di uno o più insiemi con delle operazioni che li modificano (insiemi dinamici). Le
DettagliESERCIZI DI MATEMATICA FINANZIARIA DIPARTIMENTO DI ECONOMIA E MANAGEMENT UNIFE A.A. 2016/2017. Esercizi 3
ESERCIZI DI MATEMATICA FINANZIARIA DIPARTIMENTO DI ECONOMIA E MANAGEMENT UNIFE A.A. 2016/2017 Esercz 3 Pan d ammortamento Eserczo 1. Un prestto d 12000e vene rmborsato n 10 ann con rate mensl e pano all
DettagliFondamenti di Informatica II
Università degli studi di Messina Facoltà di Ingegneria Corso di Laurea in Ingegneria Informatica e delle Telecomunicazioni Fondamenti di Informatica II Tipi di dati astratti(adt)- seconda parte Coda Struttura
DettagliStudio grafico-analitico di una funzioni reale in una variabile reale
Studo grafco-analtco d una funzon reale n una varable reale f : R R a = f ( ) n Sequenza de pass In pratca 1 Stablre l tpo d funzone da studare es. f ( ) Determnare l domno D (o campo d esstenza) della
DettagliVariabili statistiche - Sommario
Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su
DettagliFondamenti di Informatica. Algoritmi di Ricerca e di Ordinamento
Fondamenti di Informatica Algoritmi di Ricerca e di Ordinamento 1 Ricerca in una sequenza di elementi Data una sequenza di elementi, occorre verificare se un elemento fa parte della sequenza oppure l elemento
DettagliIL GRUPPO SIMMETRICO S n
EMILIO ZAPPA MATRICOLA UNIVERSITA DEGLI STUDI DI TORINO DIPARTIMENTO DI MATEMATICA ANNO ACCADEMICO 00/00 TESINA PER IL LABORATORIO DI COMBINATORICA IL GRUPPO SIMMETRICO S n IL GIOCO DEL Sa A un nseme fnto
DettagliCAPITOLO 3 CIRCUITI DI RESISTORI
CAPITOLO 3 CIRCUITI DI RESISTORI Pagna 3. Introduzone 70 3. Connessone n sere e connessone n parallelo 70 3.. Bpol resstv n sere 7 3.. Bpol resstv n parallel 77 3.3 Crcut resstv lnear e sovrapposzone degl
DettagliStrumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 10: 6-7 Maggio Meccanismi con Pagamenti: Applicazioni e Limiti
trument della Teora de Goch per l Informatca A.A. 2009/0 Lecture 0: 6-7 Maggo 200 Meccansm con Pagament: Applcazon e Lmt ocente Paolo Penna Note redatte da: Paolo Penna Lezone precedente Funzon d scelta
DettagliDATA MINING E CLUSTERING
Captolo 4 DATA MINING E CLUSTERING 4. Che cos'è l Data Mnng Per Data Mnng s'ntende quel processo d estrazone d conoscenza da banche dat, tramte l'applcazone d algortm che ndvduano le assocazon non mmedatamente
DettagliFondamenti di Visione Artificiale (Seconda Parte) Corso di Robotica Prof.ssa Giuseppina Gini Anno Acc.. 2006/2007
Fondament d Vsone Artfcale (Seconda Parte PhD. Ing. Mchele Folgherater Corso d Robotca Prof.ssa Guseppna Gn Anno Acc.. 006/007 Caso Bdmensonale el caso bdmensonale, per ndvduare punt d contorno degl oggett
DettagliPrincipi di ingegneria elettrica. Lezione 6 a. Analisi delle reti resistive
Prncp d ngegnera elettrca Lezone 6 a Anals delle ret resste Anals delle ret resste L anals d una rete elettrca (rsoluzone della rete) consste nel determnare tutte le corrent ncognte ne ram e tutt potenzal
DettagliSTATISTICA DESCRITTIVA CON EXCEL
STATISTICA DESCRITTIVA CON EXCEL Corso d CPS - II parte: Statstca Laurea n Informatca Sstem e Ret 2004-2005 1 Obettv della lezone Introduzone all uso d EXCEL Statstca descrttva Utlzzo dello strumento:
DettagliSviluppo delle lamiere
Svluppo delle lamere Per ottenere un prodotto fnto d lamera pegata è fondamentale calcolare lo svluppo dell elemento prma d essere pegato. I CAD 3D usano l fattore neutro. AUTORE: Grazano Bonett Svluppo
DettagliS O L U Z I O N I + 100
S O L U Z I O N I Nl 00 un farmaco vnva vnduto a 70 a) Nll pots ch ogn anno l przzo aumnt dl 3% rsptto all anno prcdnt quanto vrrbb a costar lo stsso farmaco nl 0? b) Supponamo ch l przzo dl farmaco nl
DettagliRAPPRESENTAZIONE DI MISURE. carta millimetrata
carta mllmetrata carta mllmetrata non è necessaro rportare sul foglo la tabella (ma auta; l mportante è che sta da qualche parte) carta mllmetrata 8 7 6 5 4 3 smbolo della grandezza con untà d msura!!!
Dettagli3. La sintassi di Java
pag.9 3. La sintassi di Java 3.1 I tipi di dati statici In Java, come in Pascal, esistono tipi di dati statici predefiniti e sono i seguenti: byte 8 bit da -128 a 127 short 16 bit coincide con l integer
DettagliLaboratorio di Informatica I
Struttura della lezone Lezone 1: Introduzone al Lnguaggo C Vttoro Scarano Laboratoro d Informatca I Corso d Laurea n Informatca Introduzone al corso Il lnguaggo d programmazone C Svluppo e caratterstche
DettagliHeap scenario. Ho un insieme dinamico di oggetti, ciascuno identificato con una priorità. (la priorità è semplicemente un numero);
Heap Heap scenario Ho un insieme dinamico di oggetti, ciascuno identificato con una priorità. (la priorità è semplicemente un numero); Voglio poter: inserire: nuovi elementi, ciascuno con una data priorità
DettagliCAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI
Cenn sulle macchne seuenzal CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI 4.) La macchna seuenzale. Una macchna seuenzale o macchna a stat fnt M e' un automatsmo deale a n ngress e m uscte defnto da: )
DettagliUniversità degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno
Unverstà degl Stud d Cassno, Anno accademco 004-005 Corso d Statstca, Pro. M. Furno Eserctazone del 5//005 dott. Claudo Conversano Eserczo Ad un certo tavolo d un casnò s goca lancando un dado. Il goco
DettagliEsercizi di Algoritmi e Strutture Dati
Esercizi di Algoritmi e Strutture Dati Moreno Marzolla http://www.moreno.marzolla.name/ Ultima Modifica: 7 ottobre 202 Copyright Portions of this work are Copyright 202, Moreno Marzolla. This work is licensed
DettagliFondamenti di Programmazione
A.A. 08/09 Fondamenti di Programmazione (canale E-O) Docente: Prof.ssa Tiziana Calamoneri calamo@di.uniroma1.it Esercitatore: Dott. Roberto Petroccia petroccia@di.uniroma1.it Pagina del corso: http://twiki.di.uniroma1.it/twiki/view/programmazione1/eo/webhome
DettagliPile: implementazioni. Pile. Pile: liste /1. Pile: liste /2. Università Roma La Sapienza Corsi di Laurea Informatica/Tecnologie Informatiche
Università Roma La Sapienza Corsi di Laurea Informatica/Tecnologie Informatiche Pile Prof. Stefano Guerrini guerrini@di.uniroma1.it Programmazione II (can. P-Z) A.A. 2005-06 Pile: implementazioni Liste
DettagliCompito di Fondamenti di Informatica
Compito di Fondamenti di Informatica In un magazzino viene utilizzato un archivio informatico, nel quale vengono memorizzate le informazioni relative ai prodotti contenuti nel magazzino e che ne permette
DettagliQUICKSORT. Basato sul paradigma divide-et-impera (come MERGE-SORT)
QUICKSORT Basato sul paradigma divide-et-impera (come MERGE-SORT) Divide: stabilisce un valore di q tale da dividere l array A[p.. r] in due sottoarray non vuoti A[p.. q] e A[q+1.. r], dove ogni elemento
DettagliUniversità degli studi di Roma Tor Vergata Ingegneria Medica Informatica I Programma del Corso
Obiettivi formativi Introdurre i principi del funzionamento di un elaboratore e della programmazione. Presentare gli approcci elementari alla soluzione di problemi (algoritmi)e al progetto di strutture
DettagliOttimizzazione dei Progetti
Sapenza Unverstà d Roma - Dpartmento d Ingegnera Informatca, Automatca e Gestonale Ottmzzazone de Progett Renato Brun brun@ds.unroma.t Il materale presentato è dervato da quello de proff. A. Sassano e
DettagliStatistica e calcolo delle Probabilità. Allievi INF
Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:
DettagliLa Regressione X Variabile indipendente o esplicativa. La regressione. La Regressione. Y Variabile dipendente
Unverstà d Macerata Dpartmento d Scenze Poltche, della Comuncazone e delle Relaz. Internazonal La Regressone Varable ndpendente o esplcatva Prezzo n () () 1 1 Varable dpendente 15 1 1 1 5 5 6 6 61 6 1
DettagliAlgoritmi e strutture dati
Algoritmi e strutture dati Roberto Cordone A. A. 2015-16 Capitolo 4 Implementazioni delle partizioni Nota: queste dispense sono un rapido riassunto delle lezioni svolte nel dicembre 2015 e gennaio 2016.
DettagliPONTE DELLA MUSICA - ROMA Analisi modale operazionale
g 0.01 g 0.04 g 5.00e-3 g 0.08 g 8.00e-3 g -9.00e-3 20:VACALE:14:+Y 0.00 s 2200.00-0.08 21:VACALE:14:+Z 0.00 s 2200.00-7.00e-3 22:VACALE:12:+Y 0.00 s 2200.00-0.05 23:VACALE:12:+Z 0.00 s 2200.00-0.01 24:VACALE:13:+X
DettagliSOLUZIONE ESERCIZI: STRUTTURA DI MERCATO. ECONOMIA INDUSTRIALE Università degli Studi di Milano-Bicocca. Christian Garavaglia
SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO ECONOMIA INDUSTRIALE Unverstà degl Stud d Mlano-Bcocca Chrstan Garavagla Soluzone 7 a) L ndce d concentrazone C (o CR k ) è la somma delle uote d mercato (o share)
DettagliLezione 7. Numeri primi. Teorema Fondamentale dell'aritmetica.
Lezone 7 Prereqst: L'nseme de nmer nter Lezone 6 Nmer prm Teorema Fondamentale dell'artmetca Defnzone 7 Un nmero ntero p dverso da 0 e s dce prmo se per ogn a b Z Altrment p s dce composto p ab p a oppre
DettagliMacchine. 5 Esercitazione 5
ESERCITAZIONE 5 Lavoro nterno d una turbomacchna. Il lavoro nterno massco d una turbomacchna può essere determnato not trangol d veloctà che s realzzano all'ngresso e all'uscta della macchna stessa. Infatt
DettagliIL RUMORE NEGLI AMPLIFICATORI
IL RUMORE EGLI AMPLIICATORI Defnzon S defnsce rumore elettrco (electrcal nose) l'effetto delle fluttuazon d corrente e/o d tensone sempre present a termnal degl element crcutal e de dspostv elettronc.
DettagliProgetto e analisi di algoritmi
Progetto e analisi di algoritmi Roberto Cordone DTI - Università degli Studi di Milano Polo Didattico e di Ricerca di Crema Tel. 0373 / 898089 E-mail: cordone@dti.unimi.it Ricevimento: su appuntamento
DettagliEsercizi per il corso di Algoritmi e Strutture Dati
1 Esercizi per il corso di Algoritmi e Strutture Dati Esercizi sulla Tecnica Divide et Impera N.B. Tutti gli algoritmi vanno scritti in pseudocodice (non in Java, né in C++, etc. ). Di tutti gli algoritmi
Dettagli