APPRENDIMENTO MIMETICO Reinforcement Learning. (Apprendimento per rinforzo) (I parte)
|
|
- Romano Colli
- 8 anni fa
- Visualizzazioni
Transcript
1 APPRENDIMENTO MIMETICO Reinfocement Leaning (Appendimento pe infozo (I pate
2 ovveo
3 ma anche
4 Bibliogafia Richad S. Sutton, Andew G. Bato, Reinfocement Leaning: An Intoduction, A Badfod Boo, The MIT Pess, Cambidge, Massachusetts, 998. Tom M. Mitchell, Machine Leaning, McGaw-Hill Intenational Edition, Singapoe, 997. Stuat J. Russel, Pete Novig, Intelligenza Atificiale: un appoccio modeno, Peason Education Italia, Milano, 2005.
5 Cediti: Coso di Laboatoio di Sistemi Intelligenti Applicati (AIS-Lab Pof. Albeto Boghese Dipatimento di Scienze dell Infomazione Univesità degli Studi di Milano Coso di Ingegneia della Conoscenza e Sistemi Espeti Pof. Pie Luca Lanzi Dipatimento di Elettonica e Infomazione Politecnico di Milano
6 Why agents ae impotant? Agente (softwae: entità softwae che svolge sevizi pe conto di un alto pogamma, solitamente in modo automatico ed invisibile. Tali softwae vengono anche detti agenti intelligenti. They ae seen as a natual metapho fo conceptualising and building a wide ange of complex compute system (the wold contains many passive objects, but it also contains vey many active components as well; They cut acoss a wide ange of diffeent technology and application aeas, including telecoms, human-compute intefaces, distibuted systems, WEB and so on; They ae seen as a natual development in the seach fo eve-moe poweful abstaction with which to build compute system
7 Agente - Può scegliee un azione sull ambiente ta un insieme continuo o disceto. - L azione dipende dalla situazione. La situazione è iassunta nello stato del sistema. - L agente monitoa continuamente l ambiente (input e modifica continuamente lo stato. - La scelta dell azione è non banale e ichiede un ceto gado di intelligenza. - L agente ha una memoia intelligente.
8 Schematic diagam of an agent Agent STATE Conditionaction ule (vocabulay What the wold is lie now (intenal epesentation What action I should do now x t y t Sensos Actuatos u t Envionment u, input; x, stato; y, uscita x(t = g(x(t, u(t y(t = f(x(t
9 L agente Inizialmente l attenzione ea concentata sulla pogettazione dei sistemi di contollo. Valutazione, sintesi L intelligenza atificiale e la computational intelligence hanno consentito di spostae l attenzione sull appendimento delle stategie di contollo e più in geneale di compotamento. Macchine dotate di meccanismi (algoitmi, SW pe appendee.
10 I vai tipi di appendimento x(t = g(x(t, u(t y(t = f(x(t Ambiente Agente Supevisionato (leaning with a teache. Viene specificato, pe ogni patten di input, il patten desideato di output. Non-supevisionato (leaning without a teache. Estazione di similitudini statistiche ta patten di input. Clusteing. Mappe neuali. Appendimento pe infozo (einfocement leaning, leaning with a citic. L ambiente fonisce un infomazione puntuale, di tipo qualitativo, ad esempio success o fail.
11 Leaning with a teache
12 Reinfocement leaning Nell appendimento supevisionato esiste un teache che dice al sistema quale è l uscita coetta (leaning with a teache. Non sempe è possibile. Spesso si ha a disposizione solamente un infomazione qualitativa (a volte binaia, giusto/sbagliato, successo/fallimento puntuale. L infomazione disponibile si chiama segnale di infozo. Non dà alcuna infomazione su come aggionae il compotamento dell agente (pe es. i pesi. Non è possibile definie una funzione costo o un gadiente. Obbiettivo: ceae degli agenti intelligenti che abbiano una machiney pe appendee dalla loo espeienza.
13 Reinfocement leaning: caatteistiche Appendimento mediante inteazione con l ambiente. Un agente isolato non appende. L appendimento è funzione del aggiungimento di uno o più obiettivi. Non è necessaiamente pevista una icompensa ad ogni istante di tempo. Le azioni vengono valutate mediante la icompensa a lungo temine ad esse associata (delayed ewad. Il meccanismo di iceca delle azioni miglioi è impaentato con la iceca euistica: tial-and-eo. L agente sente l input, modifica lo stato e genea un azione che massimizza la icompensa a lungo temine.
14 Exploation vs Exploitation Esploazione (exploation dello spazio delle azioni pe scopie le azioni miglioi. Un agente che esploa solamente aamente toveà una buona soluzione. Le azioni miglioi vengono scelte ipetutamente (exploitation, sfuttamento peché gaantiscono icompensa (ewad. Se un agente non esploa nuove soluzioni potebbe venie suclassato da nuovi agenti più dinamici. Occoe non inteompee l esploazione. Occoe un appoccio statistico pe valutae le bontà delle azioni. Exploation e exploitation vanno bilanciate. Come?
15 Dove agisce un agente? L agente ha un compotamento goal-diected ma agisce in un ambiente inceto non noto a pioi o pazialmente noto. Esempio: planning del movimento di un obot. Un agente impaa inteagendo con l ambiente. Planning può essee sviluppato mente si impaa a conoscee l ambiente (mediante le misue opeate dall agente stesso. La stategia è vicina al tial-andeo.
16 L ambiente Model of envionment. È uno sviluppo elativamente ecente. Da valutazione implicita dello svolgesi delle azioni futue (tial-and-eo a valutazione esplicita mediante modello dell ambiente della sequenza di azioni e stati futui (planning = dal sub-simbolico al simbolico; emeging intelligence. Incopoazione di AI: - Planning (pianificazione delle azioni - Viene infozato il modulo di pianificazione dell agente. Incopoazione della conoscenza dell ambiente: - Modellazione dell ambiente (non noto o pazialmente noto.
17 Relazione con l AI Gli agenti hanno dei goal da soddisfae. Appoccio deivato dall AI. Nell appendimento con infozo vengono utilizzati stumenti che deivano da aee divese dall AI: Riceca opeativa Teoia del contollo Statistica L agente impaa facendo. Deve selezionae i compotamenti che ipetutamente isultano favoevoli a lungo temine.
18 Esempi Un giocatoe di scacchi. Pe ogni mossa ha infomazione sulle configuazioni di pezzi che può ceae e sulle possibili contomosse dell avvesaio. Una piccola di gazzella in 6 oe impaa ad alzasi e a coee a 40 m/h. Come fa un obot veamente autonomo ad impaae a muovesi in una stanza pe uscine? Come impostae i paameti di una affineia (pessione petolio, potata, in tempo eale, in modo da ottenee il massimo endimento o la massima qualità?
19 Caatteistiche degli esempi Paole chiavi: Inteazione con l ambiente. L agente impaa dalla popia espeienza. Obiettivo dell agente Incetezza o conoscenza paziale dell ambiente. Ossevazioni: Le azioni modificano lo stato (la situazione, cambiano le possibilità di scelta in futuo (delayed ewad. L effetto di un azione non si può pevedee completamente. L agente ha a disposizione una valutazione globale del suo compotamento. Deve sfuttae questa infomazione pe miglioae le sue scelte. Le scelte miglioano con l espeienza. I poblemi possono avee oizzonte tempoale finito o infinito.
20 I due tipi di infozo L agente deve scopie quale azione (policy fonisca la icompensa massima povando le vaie azioni (tial-and-eo sull ambiente. Leaning is an adaptive change of behavio and that is indeed the eason of its existence in animals and man (K. Loenz, 977. Rinfozo puntuale istante pe istante, azione pe azione (condizionamento classico. Rinfozo puntuale una-tantum (condizionamento opeante, viene infozata una catena di azioni, un compotamento.
21 Il condizionamento classico L agente deve impaae una (o più tasfomazione ta input e output. ueste tasfomazioni foniscono un compotamento che l ambiente pemia. Il segnale di infozo è sempe lo stesso pe ogni coppia inputoutput. Esempio: isposte iflesse Pavloviane. Campanello (stimolo condizionante pelude al cibo. uesto induce una isposta (salivazione. La isposta iflessa ad uno stimolo viene evocata da uno stimolo condizionante. Stimolo-Risposta. Lo stimolo condizionante (campanello = input induce la salivazione (uscita in isposta al campanello.
22 Condizionamento opeante Reinfoncement leaning (opeante. Inteessa un compotamento. Una sequenza di input-output che può essee modificata agendo sui paameti che definiscono il compotamento dell agente. Il condizionamento aiva in un ceto istante di tempo (spesso una-tantum e deve valutae tutta la sequenza tempoale di azioni, anche quelle pecedenti nel tempo. Output Envionment Compotamenti = Sequenza di azioni Input
23 Gli attoi del RL Policy. Descive l azione scelta dall agente: mapping ta stato (input dall ambiente e azioni. Funzione di contollo. Le policy possono avee una componente stocastica. Viene utilizzato un modello adeguato del compotamento dell agente (p.e. tabella, funzione continua paametica, ecc.. Rewad function. Ricompensa immediata. Associata all azione intapesa in un ceto stato. Può essee data al aggiungimento di un goal (esempio: successo/fallimento. È uno scalae. Rinfozo pimaio. Value function. Cost-to-go. Ricompensa a lungo temine Somma dei ewad: costi associati alle azioni scelte istante pe istante costo associato allo stato finale. Oizzonte tempoale ampio. Rinfozo secondaio. Ambiente. Può essee non noto o pazialmente noto. L agente deve costuisi una appesentazione dell ambiente. uale delle due è più difficile da ottenee? L agente agisce pe massimizzae la funzione Value o Rewad?
24 Popietà del infozo L ambiente o l inteazione può essee complessa. Il infozo può avvenie solo dopo una più o meno lunga sequenza di azioni (delayed ewad. Esempio: agente = giocatoe di scacchi. ambiente = avvesaio. Poblemi collegati: tempoal cedit assignment stuctual cedit assignment. L appendimento non è più da esempi, ma dall ossevazione del popio compotamento nell ambiente.
25 Tempoal e stuctual cedit assignment Multi-agent systems have the stuctual cedit assignment poblem of detemining the contibutions of a paticula agent to a common tas. Instead, time-extended single-agent systems have the tempoal cedit assignment poblem of detemining the contibution of a paticula action to the quality of the full sequence of actions. (da A.K. Agogino, K. Tume, Unifying Tempoal and Stuctual Cedit Assignment Poblems
26 Riassunto Reinfocement leaning. L agente viene modificato, infozando le azioni che sono isultate buone a lungo temine. È quindi una classe di algoitmi iteativi. Self-discovey of a successful stategy (it does not need to be optimal!. La stategia (di movimento, di gioco non è data a- pioi ma viene appesa attaveso tial-and-eo. Cedit assignment (tempoal and stuctual. Come possiamo pocedee in modo efficiente nello scopie una stategia di successo? Cosa vuol die modificae l agente?
27 Un esempio: il gioco del tis We can use classical game theoy solution lie minmax. This can wo fo the optimal opponent, not fo ou actual opponent. X O O 2 We can use dynamic pogamming optimization, but we need a model of the opponent. O X X 3 We can ty a policy and see what happens fo many games (evolutionay style, exhaustive seach. X
28 L appoccio classico (minimax Più X Meno O Si usa una funzione di valutazione e(p definita come :.se p non è una posizione vincente, e(p = (numeo delle ighe, colonne e diagonali complete ancoa apete a Più - (numeo delle ighe, colonne e diagonali complete ancoa apete a Meno; Intelligenza Atificiale - Poblem Solving 4 28
29 2. se p è una posizione vincente pe Più, e(p = ( denota un numeo positivo molto gande; 3. se p è una posizione vincente pe Meno, e(p = - Intelligenza Atificiale - Poblem Solving 4 29
30 Così, se p è abbiamo e(p = 6-4 = 2. Nella geneazione delle posizioni sfutteemo le simmetie; ovveo, saanno consideate identiche (nella fase iniziale, il fattoe di amificazione del filetto è contenuto dalle simmetie; nella fase finale, dal piccolo numeo di spazi libei disponibili. Intelligenza Atificiale - Poblem Solving 4 30
31 Pofondità di iceca: livello 2 Intelligenza Atificiale - Poblem Solving 4 3
32 Intelligenza Atificiale - Poblem Solving 4 32
33 Come impostae il poblema mediante RL? State configuation of X and O. (Assuming we always play X Value (of the state pobability of winning associated to that state. Which is the pobability of a state in which we have 3 X in a ow (o column o diagonal? Which is the pobability of a state in which we have 3 O in a ow (o column o diagonal? We set all the othe states to 0.5
34 Una sequenza di mosse nel tis
35 Come decidee la mossa? Supponiamo di essee in una configuazione non teminale. Pe ogni mossa valida, possiamo valutae il valoe della nuova configuazione che si veebbe a tovae. Come? Possiamo occasionalmente scegliee delle mosse esploatoie. uando non ha senso scegliee delle mosse esploatoie? Dobbiamo peciò capie qual è il valoe delle divese configuazioni della scacchiea.
36 Come stimae il valoe di ogni configuazione? V(s(t V(s(t [V(s(t V(s(t] Tendo ad avvicinae il valoe della mia configuazione al valoe della configuazione successiva. Esempio di tempoal diffeence leaning. Diminuendo con il numeo di patite, la policy convege alla policy ottima pe un avvesaio fissato (cioè che utilizzi sempe la stessa stategia, ovveosia la stessa distibuzione statistica di mosse. Diminuendo con il numeo di patite, ma tenendolo > 0, la policy convege alla policy ottima anche pe un avvesaio che cambi molto lentamente la sua stategia.
37 Esempio O X O X O X O X X X 2 X 3 X scelta pedente dopo la mossa dell avvesaio ho uno stato con value function = 0 X 2 scelta neutale dopo la mossa dell avvesaio ho uno stato con value function intemedia (paeggio. X 3 scelta vincente dopo la mossa dell avvesaio ho uno stato con value function = Cambio la policy e ivaluto la Value function
38 Cosa fa l agente? Ciclo dell agente (le te fasi sono sequenziali: X O O Implemento una policy 2 Aggiono la Value function O X X X 3 Aggiono la policy.
39 Riflessioni su RL ed il gioco del tis Supponete che l agente dotato di RL giochi, invece che con un avvesaio, conto se stesso. Cosa pensate che succeda? Secondo voi impaeebbe una divesa stategia di gioco? Molte posizioni del tis sembano divese ma sono in ealtà la stessa pe effetto delle simmetie. Come si può modificae l algoitmo di RL (definizione dello stato pe sfuttae le simmetie? Come si può miglioae il meccanismo di appofondimento? Supponiamo che l avvesaio non sfutti le simmetie. In questo caso noi possiamo sfuttale? È veo che configuazioni della scacchiea equivalenti pe simmetia devono avee la stessa funzione valoe. Potete pensae a modi pe miglioae il gioco dell agente? Potete pensae a metodi miglioi (più veloci, più obusti peché un agente impai a giocae a tis?
40 Evaluative Feedbac La più impotante caatteistica che distingue il RL da alti tipi di leaning è che usa l infomazione di addestamento pe valutae la bontà delle azioni pese piuttosto che istuilo dando le azioni coette. L evaluative feedbac puo indica quanto è buona l azione intapesa, ma non se è la peggioe o la miglioe delle azioni possibili (è il metodo di base dell ottimizzazione, compesi i metodi evolutivi. L instuctive feedbac puo, d alto canto, indica la coetta azione da pendee, indipendentemente dall azione effettivamente pesa (è la base dell appendimento supevisionato, compesi la classificazione di patten, le eti neuali, l identificazione dei sistemi. Il pimo dipende completamente dall azione pesa, il secondo è indipendente dall azione pesa. Consideiamo gli aspetti valutativi del RL in un contesto (setting semplice, quello in cui di deve appendee ad agie in una sola situazione (nonassociative setting, il poblema detto del n-amed bandit.
41 -Amed Bandit
42 n-amed Bandit Poblem
43 n-amed Bandit
44 Il poblema del n-amed Bandit Situazione iniziale costante. Scelta ta n azioni. La ichiesta di scegliee viene ipetuta più volte nel tempo. La icompensa è stocastica (e.g. slot machine. Obiettivo: viene massimizzata la icompensa a lungo temine. Soluzione possibile: selezionae l azione che fonisce la massima icompensa a lungo temine. Come?
45 Slot machine stocastica Il ewad della slot machine è completamente definito dalla densità di pobabilità associata alla macchina. Si suppone la densità di pobabilità costante nel tempo. Pe semplicità si suppone che la densità di pobabilità sia descivibile da una funzione analitica, ad esempio una Gaussiana. In questo caso la densità di pobabilità è definita dai paameti della gaussiana: media e deviazione standad. Che cosa appesenta la densità di pobabilità?
46 Come massimizzae la icompensa Consento all agente di avee memoia. Memoizzo il valoe associato alle divese azioni. Posso ad un ceto punto scegliee SEMPRE l azione che mi ha dato la RICOMPENSA MAGGIORE. L azione miglioe è detta GREEDY ACTION (Geedy = Goloso. EXPLOITING (sfuttamento KNOWLEDGE. Peché dovemmo scegliee un azione che non appae la miglioe (NON GREEDY?
47 Exploation Peché esploiamo soluzioni divese. La icompensa non è deteministica. Potemmo ottenee di più con alte azioni. uello che conta non è la icompensa istantanea ma la somma delle icompense ottenute. Occoe quindi mantenee una pedisposizione ad esploae azioni divese. Il bilanciamento di exploation e di exploitation è un compito complesso.
48 La Value Function e la scelta delle azioni Posso selezionae n-azioni: a = a.a n. Ciascuna di queste azioni ha un suo valoe: *(a = long-time ewad. Il suo valoe stimato al t-esimo tio (play sia t (a (VALUE. Si ammenti che il valoe veo di un azione è il ewad medio icevuto quando quell azione è scelta. Una via natuale pe stimae questo valoe è quella di calcolae la media dei ewad effettivamente icevuti quando l azione è stata scelta. In alti temini, se al t-esimo gioco l azione a è stata scelta a volte pima di t, ottenendo i ewad, 2,, a, alloa il suo valoe è stimato essee t ( a = 2... a a
49 Caatteistiche della Value Function Pe a = 0, si pone t (a ad un valoe di default, 0 (a = 0 (nessuna stima disponibile. Pe a, t (a *(a (pe la legge dei gandi numei. La Value function è calcolata come media (sample-aveage method. Pima possibilità di selezione: l azione che dà all istante t la massima VALUE FUNCTION stimata: : t (a > t (a j j a*: t (a* = max{ t ( a } Così viene EXPLOITED la conoscenza accumulata, è una politica GREEDY. Non vengono esploate soluzioni altenativa. Come si può fomalizzae un altenativa? a
50 Exploitation and Exploation Suppongo che con pobabilità ε venga scelta un azione divesa. uesta azione viene scelta con pobabilità unifome ta le n possibili azioni a disposizione (ε-geedy method. t (a *(a pe t Nea-geedy action selection. Come funziona? a*: t (a* = max{ t ( a } a a a* Unifome sulle alte a. P=-ε P=ε
51 Esempio: 0-amed testbed(* n-amed bandit poblem: n = 0; a = a, a 2,, a,, a 0. La simulazione consiste in un set di 2000 tas. Pe ogni tas, eseguo 000 volte la scelta dell azione: t = t, t 2,, t 000 a = a(t, a(t 2,, a(t 000 = (a(t, (a(t 2,, (a(t 000 (a viene selezionato in modo andom da una distibuzione Gaussiana con media µ, divesa pe le divese azioni, ma costante pe tutto il tas, e vaianza. µ = *(a. Misuo, pe ogni istante di tempo t: Il ewad dell azione (in questo caso viene dato un ewad 0 pe ogni azione Calcolo la icompensa totale (Value Function. Valuto la pefomance dopo le 000 giocate di ogni tas. uanto vale µ? Pe ogni tas vaio µ estaendolo da una distibuzione Gaussiana con media = 0 e vaianza =. (* A testbed is a platfom fo expeimentation fo lage development pojects (Wiipedia
52 Risultati Media su 2000 tas, ciascuno di 000 giocate (azioni, playes Si potebbe implementae una politica ε-geedy vaiabile: ε #Playes
53 Domande Supponiamo che la distibuzione da cui si sceglie il valoe medio del ewad abbia vaianza nulla. uale metodo funziona meglio: Geedy o ε-geedy? Supponiamo che la distibuzione da cui si sceglie il valoe medio del ewad abbia vaianza maggioe (e.g. = 0. Cosa succede? uale metodo si compoteebbe meglio? In quali alte condizioni saebbe utile avee esploazione?
54 Implementazione incementale Il metodo action-value appena visto di valutazione dei valoi delle azioni come media dei campioni delle icompense ossevate ichiede molta memoia e molta computazione pe il calcolo di Occoe scegliee un algoitmo che calcoli t(. con un piccolo caico computazionale e di memoia. Supponiamo di Exploit l azione a. Calcoliamo i ewad al tempo t (pimi t ewad e li chiamiamo t (a. t (a coincideà con la media delle pime a icompense: Scegliendo ancoa a, otteniamo il seguente valoe di al tempo t: a t a a =... ( 2 a t a a =... ( 2... ( 2 = a t a a a
55 Deteminazione icosiva di ( ( (... (... (... ( = = = = = = = N N a N N N N N N N N N N N a N a N a N t t t N t t N t N t N N t N N t N t Dipende da t Non dipende da t = (a j 0
56 Ossevazioni su ( a = = [ N N Occupazione di memoia minima: solo e. NB: è il numeo di volte in cui è stata scelta a j, non è necessaiamente coincidente con il tempo t! uesta foma è la base del RL, La sua foma geneale è: NewEstimate = OldEstimate StepSize[Taget OldEstimate] NewEstimate = OldEstimate StepSize Eo. ] = N StepSize = = /N
57 Pseudo-codice pe il calcolo di ( ### Definizione delle vaiabili: N_scelte = m; eps_geedy = 0. //epsilon dipende dal gado di geedy che si vuol dae all agente ### Vaiabili dell agente A = {, 2,,m} // Azioni possibili = {, 2,,m} = 0 // Value function pe ogni azione N_azioni = {, 2,,m} // Numeo di volte in cui è scelta l azione j (e collezionato il ewad associato ## Vaiabili dell ambiente. Date nella simulazione, misuate nell ambiente nella ealtà // Inizializzo I paameti della distibuzione (stazionaia dei ewad pe ogni azione meanrewad = [mean_, mean_2,, mean_m]; stdrewad = [mean_, mean_2,, mean_m];
58 Pseudo-codice pe il calcolo di (2 #### 2 Ciclo di funzionamento while (TRUE { eps = andu ([0 ] // Pe politica epsilon-geedy // Exploitation [a_attuale _attuale] = SeachMax(; // Ceca l azione ottima secondo // Esploation: se eps < epsilon_min, alloa exploation if(eps < epsilon_min { // Devo tovae un azione divesa da a_attuale -> a_ef tovato = FALSE; a_ef = a_attuale; while(!tovato { a_attuale = andu(a; if(a_attuale!= a_ef { tovato = TRUE; _attuale = (a_attuale } } }
59 Pseudo-codice pe il calcolo di (3 // Eseguo l azione a_attuale e misuo il ewad ottenuto dalla slot machine _attuale = andg[meanrewad(a_attuale, stdrewad(a_attuale]; // Update i dati pe l azione a_attuale: il numeo di azioni e il value N_azioni(a_attuale; (a_attuale =(a_attuale (/N_azioni(a_attuale * (_attuale (a_attuale; }
60 Caso stazionaio = 2... N Il peso di ciascun campione è paia a /N. = N N Ogni nuovo campione viene pesato con /N. = [ ] Peso decescente ai nuovi campioni. Cosa succede se il tas è non stazionaio?
61 Caso non stazionaio ] [ = ma si suppone = cost = 0 = = = = = = = = = = = i i i ( ( ( (... ( ( ( ( ] ( [ ( ( ] [ 0-0 Nel caso non stazionaio (il bandito cambia nel tempo, ha senso pesae di più le icompense più ecenti piuttosto che quelle passate. Si usa sempe l aggionamento:
62 Ossevazioni i = ( 0 ( i = ( 0 i= i= w i i I ewad non sono pesati tutti allo stesso modo: weighted aveage. Il peso di ciascun campione decesce esponenzialmente: w i = (- -i < Exponential, ecency-weighted aveage
63 La somma dei pesi dei ewad è unitaia Si chiama media pesata (weighted aveage peché la somma dei pesi è =. Infatti consideando solo i coefficienti in ] ( [ ( ( ( ( ( ( ( ( ( ( ( ( ( (... ( ( ( (... ( ( = = = = = = = i i cvd
64 Condizioni iniziali i = ( 0 ( i= Tutti i metodi discussi dipendono dalla stima iniziale della action-value, 0 (a (polaizzazione. Ma: Metodi ad = /N, 0 non viene utilizzato se non al pimo passo, viene poi sostituito da. Metodi ad costante, 0 conta sempe meno, ma la polaizzazione è pemanente ( 0 = 0. 0 può essee utilizzato pe fonie della conoscenza a-pioi o pe favoie l esploazione (optimistic initial value. Come posso gestie una situazione in cui la slot machine cambia impovvisamente la sua densità di pobabilità di ewad? (Pe i poblemi non stazionai, l optimistic initial value è inefficace in quanto agisce solo all inizio. i
Investimento. 1 Scelte individuali. Micoreconomia classica
Investimento L investimento è l aumento della dotazione di capitale fisico dell impesa. Viene effettuato pe aumentae la capacità poduttiva. ECONOMIA MONETARIA E FINANZIARIA (5) L investimento In queste
DettagliREALTÀ E MODELLI SCHEDA DI LAVORO
REALTÀ E MDELLI SCHEDA DI LAVR La clessida ad acqua Ipotizziamo che la clessida ad acqua mostata in figua sia fomata da due coni pefetti sovapposti La clessida impiega,5 minuti pe svuotasi e supponiamo
DettagliUn modello di ricerca operativa per le scommesse sportive
Un modello di iceca opeativa pe le commee potive Di Citiano Amellini citianoamellini@aliceit Supponiamo di dove giocae una ceta omma di denao (eempio euo ulla patita MILAN- JUVE Le quote SNAI ono quelle
DettagliValore finanziario del tempo
Finanza Aziendale Analisi e valutazioni pe le decisioni aziendali Valoe finanziaio del tempo Capitolo 3 Indice degli agomenti. Concetto di valoe finanziaio del tempo 2. Attualizzazione di flussi futui
DettagliSIMULAZIONE - 22 APRILE 2015 - QUESITI
www.matefilia.it Assegnata la funzione y = f(x) = e x 8 SIMULAZIONE - APRILE 5 - QUESITI ) veificae che è invetibile; ) stabilie se la funzione invesa f è deivabile in ogni punto del suo dominio di definizione,
DettagliV. SEPARAZIONE DELLE VARIABILI
V SEPARAZIONE DEE VARIABII 1 Tasfomazioni Otogonali Sia u = u 1, u 2, u 3 una tasfomazione delle vaiabili in R 3, dove x = x 1, x 2, x 3 sono le coodinate catesiane, u j = u j x 1, x 2, x 3 j = 1, 2, 3
DettagliFrancesca Sanna-Randaccio Lezione 8. SCELTA INTERTEMPORALE (continua)
Fancesca Sanna-Randaccio Lezione 8 SELTA INTERTEMPORALE (continua Valoe attuale nel caso di più peiodi Valoe di un titolo di cedito Obbligazioni Obbligazioni emesse dalla Stato. Relazione ta deficit e
DettagliCAPITOLO 11 La domanda aggregata II: applicare il modello IS-LM
CPITOLO 11 La domanda aggegata II: applicae il modello - Domande di ipasso 1. La cuva di domanda aggegata appesenta la elazione invesa ta il livello dei pezzi e il livello del eddito nazionale. Nel capitolo
DettagliEnergia potenziale e dinamica del punto materiale
Enegia potenziale e dinamica del punto mateiale Definizione geneale di enegia potenziale (facoltativo) In modo geneale, la definizione di enegia potenziale può esee pesentata come segue. Sia un punto di
DettagliLaborCare. Care. protection plan
Cae potection plan ocae Il Potection Plan è stato studiato pe gaantie la massima efficienza di oview e pe questo i clienti che non vogliono avee poblemi nel futuo, si affidano al nosto pogamma di potezione
DettagliAutomazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it
Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione
DettagliCAPITOLO 10 La domanda aggregata I: il modello IS-LM
CAPITOLO 10 La domanda aggegata I: il modello IS-LM Domande di ipasso 1. La coce keynesiana ci dice che la politica fiscale ha un effetto moltiplicato sul eddito. Infatti, secondo la funzione di consumo,
DettagliREALTÀ E MODELLI SCHEDA DI LAVORO
REALTÀ E MODELLI SCHEDA DI LAVORO 1 La siepe Sul eto di una villetta deve essee ealizzato un piccolo giadino ettangolae di m, ipaato da una siepe posta lungo il bodo Dato che un lato del giadino è occupato
DettagliIL CONTROLLO STATISTICO DEI PROCESSI
IL CONTOLLO STATISTICO DEI POCESSI Il controllo statistico dei processi 1 CONTOLLO STATISTICO DEL POCESSO VAIABILITA DEI POCESSI FATTOI INTENI MATEIALI MACCHINE STUMENTI DI TEST POCESSO OPEATOE TEMPO CONTOLLI
DettagliPREMESSA (diapositive 1, 2, 3) PER UNA DISTRIBUZIONE SFERICA DI MASSA contenuta all interno della superficie S:
PREESSA (diapositive 1,, 3) PER UNA DISTRIBUZIONE SFERICA DI ASSA contenuta all inteno della supeficie S: Tutta la massa estena alla supeficie S non influisce sul moto di una oggetto posto in coispondenza
DettagliCapitolo 16. La teoria dell equilibrio generale. Soluzioni delle Domande di ripasso
eanko & aeutigam icoeconomia anuale delle oluzioni Capitolo 16 La teoia dell equilibio geneale Soluzioni delle Domande di ipao 1. L analii di equilibio paziale tudia la deteminazione del pezzo e della
DettagliIl criterio media varianza. Ordinamenti totali e parziali
Il citeio media vaianza Il citeio media vaianza è un alto esemio di odinamento aziale ta lotteie definito da a M b se la lotteia b domina la lotteia a se ha media sueioe e vaianza infeioe a b eσ a σ b
DettagliInflazione e Produzione. In questa lezione cercheremo di rispondere a domande come queste:
Inflazione e Produzione In questa lezione cercheremo di rispondere a domande come queste: Da cosa è determinata l Inflazione? Perché le autorità monetarie tendono a combatterla? Attraverso quali canali
DettagliProgettaz. e sviluppo Data Base
Progettaz. e sviluppo Data Base! Progettazione Basi Dati: Metodologie e modelli!modello Entita -Relazione Progettazione Base Dati Introduzione alla Progettazione: Il ciclo di vita di un Sist. Informativo
DettagliCalcolatori Elettronici A a.a. 2008/2009
Calcolatori Elettronici A a.a. 2008/2009 PRESTAZIONI DEL CALCOLATORE Massimiliano Giacomin Due dimensioni Tempo di risposta (o tempo di esecuzione): il tempo totale impiegato per eseguire un task (include
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliMacchine a stati finiti. Sommario. Sommario. M. Favalli. 5th June 2007
Sommario Macchine a stati finiti M. Favalli 5th June 27 4 Sommario () 5th June 27 / 35 () 5th June 27 2 / 35 4 Le macchine a stati si utilizzano per modellare di sistemi fisici caratterizzabili mediante:
DettagliMacchine a stati finiti. Sommario. Sommario. M. Favalli. Le macchine a stati si utilizzano per modellare di sistemi fisici caratterizzabili mediante:
Sommario Macchine a stati finiti M. Favalli Engineering Department in Ferrara 4 Sommario (ENDIF) Analisiesintesideicircuitidigitali / 35 (ENDIF) Analisiesintesideicircuitidigitali 2 / 35 4 Le macchine
Dettaglib. Che cosa succede alla frazione di reddito nazionale che viene risparmiata?
Esercitazione 7 Domande 1. L investimento programmato è pari a 100. Le famiglie decidono di risparmiare una frazione maggiore del proprio reddito e la funzione del consumo passa da C = 0,8Y a C = 0,5Y.
DettagliFAST FOURIER TRASFORM-FFT
A p p e n d i c e B FAST FOURIER TRASFORM-FFT La tasfomata disceta di Fouie svolge un uolo molto impotante nello studio, nell analisi e nell implementazione di algoitmi dei segnali in tempo disceto. Come
DettagliAlgoritmi e Strutture Dati II: Parte B Anno Accademico 2004-2005. Lezione 11
Algoritmi e Strutture Dati II: Parte B Anno Accademico 2004-2005 Docente: Ugo Vaccaro Lezione 11 In questa lezione vedremo alcune applicazioni della tecnica greedy al progetto di algoritmi on-line. Vediamo
DettagliApprofondimento 7.5 - Altri tipi di coefficienti di correlazione
Appofondimento 7.5 - Alti tipi di coefficienti di coelazione Il coefficiente di coelazione tetacoico e policoico Nel 900 Peason si pose anche il poblema di come misuae la coelazione fa caatteistiche non
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE INTRODUZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Introduzione alla simulazione Una simulazione è l imitazione
DettagliEsempi di algoritmi. Lezione III
Esempi di algoritmi Lezione III Scopo della lezione Implementare da zero algoritmi di media complessità. Verificare la correttezza di un algoritmo eseguendolo a mano. Imparare a valutare le prestazioni
DettagliIl teorema di Gauss e sue applicazioni
Il teoema di Gauss e sue applicazioi Cocetto di flusso Cosideiamo u campo uifome ed ua supeficie piaa pepedicolae alle liee di campo. Defiiamo flusso del campo attaveso la supeficie la uatità : = (misuata
DettagliCorso di Elettrotecnica 1 - Cod. 9200 N Diploma Universitario Teledidattico in Ingegneria Informatica ed Automatica Polo Tecnologico di Alessandria
Schede di lettotecnica Coso di lettotecnica - Cod. 900 N Diploma Univesitaio Teledidattico in Ingegneia Infomatica ed utomatica Polo Tecnologico di lessandia cua di Luca FRRRIS Scheda N Sistemi tifase:
DettagliScheduling della CPU. Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux
Scheduling della CPU Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux Sistemi multiprocessori Fin qui si sono trattati i problemi di scheduling su singola
DettagliComputational Game Theory
Computational Game Theory Vincenzo Bonifaci 24 maggio 2012 5 Regret Minimization Consideriamo uno scenario in cui un agente deve selezionare, più volte nel tempo, una decisione tra un insieme di N disponibili:
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
DettagliIl concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
Dettagliregola(1,[e,f],b) regola(2,[m,f],e) regola(3,[m],f) regola(4,[b,f],g) regola(5,[b,g],c) regola(6,[g,q],a)
ESERCIZIO1 PREMESSA Per risolvere problemi spesso esistono delle regole che, dai dati del problema, permettono di calcolare o dedurre la soluzione. Questa situazione si può descrivere col termine regola(,
DettagliMacchine a stati finiti G. MARSELLA UNIVERSITÀ DEL SALENTO
Macchine a stati finiti 1 G. MARSELLA UNIVERSITÀ DEL SALENTO Introduzione Al più alto livello di astrazione il progetto logico impiega un modello, la cosiddetta macchina a stati finiti, per descrivere
DettagliUn modello matematico di investimento ottimale
Un modello matematico di investimento ottimale Tiziano Vargiolu 1 1 Università degli Studi di Padova Liceo Scientifico Benedetti Venezia, giovedì 30 marzo 2011 Outline 1 Investimento per un singolo agente
DettagliI principi della Dinamica. L azione di una forza è descritta dalle leggi di Newton, possono fare Lavoro e trasferire Energia
I pincipi della Dinamica Un oggetto si mette in movimento quando viene spinto o tiato o meglio quando è soggetto ad una foza 1. Le foze sono gandezze fisiche vettoiali che influiscono su un copo in modo
DettagliPer lo svolgimento del corso risulta particolarmente utile considerare l insieme
1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R
DettagliStatistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004
Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 200 Esercizio 1 Tre apparecchiature M 1, M 2 e M 3 in un anno si guastano, in maniera indipendente, con probabilità
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
DettagliInformatica 3. Informatica 3. LEZIONE 10: Introduzione agli algoritmi e alle strutture dati. Lezione 10 - Modulo 1. Importanza delle strutture dati
Informatica 3 Informatica 3 LEZIONE 10: Introduzione agli algoritmi e alle strutture dati Modulo 1: Perchè studiare algoritmi e strutture dati Modulo 2: Definizioni di base Lezione 10 - Modulo 1 Perchè
DettagliCap.1 - L impresa come sistema
Cap.1 - L impresa come sistema Indice: L impresa come sistema dinamico L impresa come sistema complesso e gerarchico La progettazione del sistema impresa Modelli organizzativi per la gestione Proprietà
DettagliCORRENTI ELETTRICHE E CAMPI MAGNETICI STAZIONARI
CORRENT ELETTRCHE E CAMP MAGNETC STAZONAR Foze magnetiche su una coente elettica; Coppia magnetica su una coente in un cicuito chiuso; Azioni meccaniche su dipoli magnetici; Applicazione (Galvanometo);
DettagliStrutturazione logica dei dati: i file
Strutturazione logica dei dati: i file Informazioni più complesse possono essere composte a partire da informazioni elementari Esempio di una banca: supponiamo di voler mantenere all'interno di un computer
DettagliAnalisi di scenario File Nr. 10
1 Analisi di scenario File Nr. 10 Giorgio Calcagnini Università di Urbino Dip. Economia, Società, Politica giorgio.calcagnini@uniurb.it http://www.econ.uniurb.it/calcagnini/ http://www.econ.uniurb.it/calcagnini/forecasting.html
DettagliINTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI
INTRODUZIONE AGLI ALGORITMI Prima di riuscire a scrivere un programma, abbiamo bisogno di conoscere un metodo risolutivo, cioè un metodo che a partire dai dati di ingresso fornisce i risultati attesi.
DettagliGestione della memoria centrale
Gestione della memoria centrale Un programma per essere eseguito deve risiedere in memoria principale e lo stesso vale per i dati su cui esso opera In un sistema multitasking molti processi vengono eseguiti
DettagliScheduling. Sistemi Operativi e Distribuiti A.A. 2004-2005 Bellettini - Maggiorini. Concetti di base
Scheduling Sistemi Operativi e Distribuiti A.A. 2-25 Bellettini - Maggiorini Concetti di base Il massimo utilizzo della CPU si ottiene mediante la multiprogrammazione Ogni processo si alterna su due fasi
DettagliI motori di ricerca. Che cosa sono. Stefania Marrara Corso di Sistemi Informativi
I motori di ricerca Stefania Marrara Corso di Sistemi Informativi a.a 2002/2003 Che cosa sono Un motore di ricerca è uno strumento per mezzo del quale è possibile ricercare alcuni termini (parole) all
DettagliMisure di RAP risk-adjusted performance
Misue di RAP isk-adjusted eomance Indice di Shae e M-quado Indice di Teyno Tacking Eo e Inomation Ratio Indice di Sotino 28 Indice di Shae Pemio e unità di ischio totale, o ewad to vaiability S µ z µ P
DettagliApplicazioni lineari
Applicazioni lineari Esempi di applicazioni lineari Definizione. Se V e W sono spazi vettoriali, una applicazione lineare è una funzione f: V W tale che, per ogni v, w V e per ogni a, b R si abbia f(av
DettagliSistemi Operativi MECCANISMI E POLITICHE DI PROTEZIONE. D. Talia - UNICAL. Sistemi Operativi 13.1
MECCANISMI E POLITICHE DI PROTEZIONE 13.1 Protezione Obiettivi della Protezione Dominio di Protezione Matrice di Accesso Implementazione della Matrice di Accesso Revoca dei Diritti di Accesso Sistemi basati
DettagliMECCANISMI E POLITICHE DI PROTEZIONE 13.1
MECCANISMI E POLITICHE DI PROTEZIONE 13.1 Protezione Obiettivi della Protezione Dominio di Protezione Matrice di Accesso Implementazione della Matrice di Accesso Revoca dei Diritti di Accesso Sistemi basati
DettagliPROCEDURA INVENTARIO DI MAGAZZINO di FINE ESERCIZIO (dalla versione 3.2.0)
PROCEDURA INVENTARIO DI MAGAZZINO di FINE ESERCIZIO (dalla versione 3.2.0) (Da effettuare non prima del 01/01/2011) Le istruzioni si basano su un azienda che ha circa 1000 articoli, che utilizza l ultimo
Dettaglida 2 a 5 giocatori, dai 10 anni in su, durata 30 minuti
da 2 a 5 giocatori, dai 10 anni in su, durata 30 minuti OBIETTIVO Il vincitore è colui che, dopo due round di gioco, delle sue 11 ordinazioni, ne ha consegnate il maggior numero. CONTENUTO DELLA SCATOLA
DettagliA intervalli regolari ogni router manda la sua tabella a tutti i vicini, e riceve quelle dei vicini.
Algoritmi di routing dinamici (pag.89) UdA2_L5 Nelle moderne reti si usano algoritmi dinamici, che si adattano automaticamente ai cambiamenti della rete. Questi algoritmi non sono eseguiti solo all'avvio
DettagliStefania Marrara - Esercitazioni di Tecnologie dei Sistemi Informativi. Integrazione di dati di sorgenti diverse
Politecnico di Milano View integration 1 Integrazione di dati di sorgenti diverse Al giorno d oggi d la mole di informazioni che viene gestita in molti contesti applicativi è enorme. In alcuni casi le
DettagliModelli di Programmazione Lineare e Programmazione Lineare Intera
Modelli di Programmazione Lineare e Programmazione Lineare Intera 1 Azienda Dolciaria Un azienda di cioccolatini deve pianificare la produzione per i prossimi m mesi. In ogni mese l azienda ha a disposizione
DettagliIntroduzione al MATLAB c Parte 2
Introduzione al MATLAB c Parte 2 Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 18 gennaio 2008 Outline 1 M-file di tipo Script e Function Script Function 2 Costrutti di programmazione
DettagliMac Application Manager 1.3 (SOLO PER TIGER)
Mac Application Manager 1.3 (SOLO PER TIGER) MacApplicationManager ha lo scopo di raccogliere in maniera centralizzata le informazioni piu salienti dei nostri Mac in rete e di associare a ciascun Mac i
DettagliLA TRASMISSIONE DELLE INFORMAZIONI QUARTA PARTE 1
LA TRASMISSIONE DELLE INFORMAZIONI QUARTA PARTE 1 I CODICI 1 IL CODICE BCD 1 Somma in BCD 2 Sottrazione BCD 5 IL CODICE ECCESSO 3 20 La trasmissione delle informazioni Quarta Parte I codici Il codice BCD
DettagliProgrammazione dinamica
Capitolo 6 Programmazione dinamica 6.4 Il problema della distanza di edit tra due stringhe x e y chiede di calcolare il minimo numero di operazioni su singoli caratteri (inserimento, cancellazione e sostituzione)
DettagliPro e contro delle RNA
Pro e contro delle RNA Pro: - flessibilità: le RNA sono approssimatori universali; - aggiornabilità sequenziale: la stima dei pesi della rete può essere aggiornata man mano che arriva nuova informazione;
DettagliSISTEMI DI NUMERAZIONE E CODICI
SISTEMI DI NUMERAZIONE E CODICI Il Sistema di Numerazione Decimale Il sistema decimale o sistema di numerazione a base dieci usa dieci cifre, dette cifre decimali, da O a 9. Il sistema decimale è un sistema
DettagliInformatica. Rappresentazione dei numeri Numerazione binaria
Informatica Rappresentazione dei numeri Numerazione binaria Sistemi di numerazione Non posizionali: numerazione romana Posizionali: viene associato un peso a ciascuna posizione all interno della rappresentazione
Dettagli12 - Introduzione alla Programmazione Orientata agli Oggetti (Object Oriented Programming OOP)
12 - Introduzione alla Programmazione Orientata agli Oggetti (Object Oriented Programming OOP) Programmazione e analisi di dati Modulo A: Programmazione in Java Paolo Milazzo Dipartimento di Informatica,
DettagliCorso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile
Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione
Dettaglibensì una tendenza a ruotare quando vengono applicate in punti diversi di un corpo
Momento di una forza Nella figura 1 è illustrato come forze uguali e contrarie possono non produrre equilibrio, bensì una tendenza a ruotare quando vengono applicate in punti diversi di un corpo esteso.
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano
DettagliAppunti sulla Macchina di Turing. Macchina di Turing
Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso
DettagliPolitecnico di Milano Facoltà di Ingegneria dell Informazione AGENTI AUTONOMI E SISTEMI MULTIAGENTE Appello COGNOME E NOME
Politecnico di Milano Facoltà di Ingegneria dell Informazione AGENTI AUTONOMI E SISTEMI MULTIAGENTE Appello COGNOME E NOME 5 luglio 2006 RIGA COLONNA MATRICOLA Il presente plico pinzato, composto di quattro
DettagliCorrispondenze e funzioni
Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei
DettagliSommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi.
Algoritmi 1 Sommario Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. 2 Informatica Nome Informatica=informazione+automatica. Definizione Scienza che si occupa dell
DettagliAppendice III. Competenza e definizione della competenza
Appendice III. Competenza e definizione della competenza Competenze degli psicologi Lo scopo complessivo dell esercizio della professione di psicologo è di sviluppare e applicare i principi, le conoscenze,
DettagliI metodi formali nel processo di sviluppo del software
I metodi formali nel processo di sviluppo del software I metodi formali consentono di creare una specifica più completa, uniforme e non ambigua di quelle prodotte usando i metodi convenzionali ed orientati
Dettagli3. La velocità v di un satellite in un orbita circolare di raggio r intorno alla Terra è v = e,
Capitolo 10 La gavitazione Domande 1. La massa di un oggetto è una misua quantitativa della sua inezia ed è una popietà intinseca dell oggetto, indipendentemente dal luogo in cui esso si tova. Il peso
DettagliLezione 10: Il problema del consumatore: Preferenze e scelta ottimale
Corso di Scienza Economica (Economia Politica) prof. G. Di Bartolomeo Lezione 10: Il problema del consumatore: Preferenze e scelta ottimale Facoltà di Scienze della Comunicazione Università di Teramo Scelta
DettagliAi fini economici i costi di un impresa sono distinti principalmente in due gruppi: costi fissi e costi variabili. Vale ovviamente la relazione:
1 Lastoriadiun impresa Il Signor Isacco, che ormai conosciamo per il suo consumo di caviale, decide di intraprendere l attività di produttore di caviale! (Vuole essere sicuro della qualità del caviale
DettagliDispensa di Informatica I.1
IL COMPUTER: CONCETTI GENERALI Il Computer (o elaboratore) è un insieme di dispositivi di diversa natura in grado di acquisire dall'esterno dati e algoritmi e produrre in uscita i risultati dell'elaborazione.
DettagliIl sistema monetario
Il sistema monetario Premessa: in un sistema economico senza moneta il commercio richiede la doppia coincidenza dei desideri. L esistenza del denaro rende più facili gli scambi. Moneta: insieme di tutti
DettagliCampo elettrostatico nei conduttori
Campo elettostatico nei conduttoi Consideeemo conduttoi metallici (no gas, semiconduttoi, ecc): elettoni di conduzione libei di muovesi Applichiamo un campo elettostatico: movimento di caiche tansiente
DettagliBus di campo. Cosa sono i bus di campo. Bus di campo. M. Parvis 1
Maco Pavis Politecnico di Toino Dipatimento di Elettonica Coso Duca degli Abuzzi, 24 10129 Toino Tel. + 39 11 564 4114 Fax + 39 11 564 4099 E-mail: maco.pavis@polito.it 1 Cosa sono i bus di campo Bus pensati
Dettagli10 - Programmare con gli Array
10 - Programmare con gli Array Programmazione e analisi di dati Modulo A: Programmazione in Java Paolo Milazzo Dipartimento di Informatica, Università di Pisa http://www.di.unipi.it/ milazzo milazzo di.unipi.it
DettagliTipi primitivi. Ad esempio, il codice seguente dichiara una variabile di tipo intero, le assegna il valore 5 e stampa a schermo il suo contenuto:
Tipi primitivi Il linguaggio Java offre alcuni tipi di dato primitivi Una variabile di tipo primitivo può essere utilizzata direttamente. Non è un riferimento e non ha senso tentare di istanziarla mediante
DettagliLezione 8. La macchina universale
Lezione 8 Algoritmi La macchina universale Un elaboratore o computer è una macchina digitale, elettronica, automatica capace di effettuare trasformazioni o elaborazioni su i dati digitale= l informazione
Dettagli1. Definizione di budget e collocazione nel processo di programmazione e controllo
21 Capitolo II Il budget 1. Definizione di budget e collocazione nel processo di programmazione e controllo Il budget - e' un programma delle operazioni di gestione da compiere in un anno, finalizzato
DettagliSistemi di misurazione e valutazione delle performance
Sistemi di misurazione e valutazione delle performance 1 SVILUPPO DELL'INTERVENTO Cos è la misurazione e valutazione delle performance e a cosa serve? Efficienza Efficacia Outcome Requisiti minimi Indicatori
DettagliGrandezze scalari e vettoriali
Grandezze scalari e vettoriali 01 - Grandezze scalari e grandezze vettoriali. Le grandezze fisiche, gli oggetti di cui si occupa la fisica, sono grandezze misurabili. Altri enti che non sono misurabili
DettagliVariabili e tipi di dato
Variabili e tipi di dato Tutte le variabili devono essere dichiarate, specificandone il tipo La dichiarazione deve precedere l uso Il tipo è un concetto astratto che esprime: L allocazione di spazio per
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliCAPACITÀ DI PROCESSO (PROCESS CAPABILITY)
CICLO DI LEZIONI per Progetto e Gestione della Qualità Facoltà di Ingegneria CAPACITÀ DI PROCESSO (PROCESS CAPABILITY) Carlo Noè Università Carlo Cattaneo e-mail: cnoe@liuc.it 1 CAPACITÀ DI PROCESSO Il
DettagliIL RISCHIO D IMPRESA ED IL RISCHIO FINANZIARIO. LA RELAZIONE RISCHIO-RENDIMENTO ED IL COSTO DEL CAPITALE.
IL RISCHIO D IMPRESA ED IL RISCHIO FINANZIARIO. LA RELAZIONE RISCHIO-RENDIMENTO ED IL COSTO DEL CAPITALE. Lezione 5 Castellanza, 17 Ottobre 2007 2 Summary Il costo del capitale La relazione rischio/rendimento
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
Dettagli1. Che cos è la multiprogrammazione? Si può realizzare su un sistema monoprocessore? 2. Quali sono i servizi offerti dai sistemi operativi?
1. Che cos è la multiprogrammazione? Si può realizzare su un sistema monoprocessore? 2. Quali sono i servizi offerti dai sistemi operativi? 1. La nozione di multiprogrammazione prevede la possibilità di
DettagliMICROECONOMIA La teoria del consumo: Alcuni Arricchimenti. Enrico Saltari Università di Roma La Sapienza
MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti Enrico Saltari Università di Roma La Sapienza 1 Dotazioni iniziali Il consumatore dispone ora non di un dato reddito monetario ma di un ammontare
DettagliNote su quicksort per ASD 2010-11 (DRAFT)
Note su quicksort per ASD 010-11 (DRAFT) Nicola Rebagliati 7 dicembre 010 1 Quicksort L algoritmo di quicksort è uno degli algoritmi più veloci in pratica per il riordinamento basato su confronti. L idea
Dettagli