Arrangiamenti di Iperpiani, Grafi e Ottimalità nella Scelta Sociale
|
|
- Ruggero Cavaliere
- 6 anni fa
- Visualizzazioni
Transcript
1 Arrangiamenti di Iperpiani, Grafi e Ottimalità nella Scelta Sociale Gennaro Amendola (in collaborazione con Luigi Marengo e Simona Settepanella) Milano, 25 novembre 2011 Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 1/55
2 Sommario 1 Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività 2 3 Un algoritmo FOSoR e FOSoRStat Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 2/55
3 Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività 1 Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività 2 3 Un algoritmo FOSoR e FOSoRStat Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 3/55
4 Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Votazione maggioritaria con due alternative Una votazione maggioritaria con due alternative Agente 1: Agente 2: Agente 3: A 1 B B 2 A A 3 B Scelta sociale: Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 4/55
5 Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Votazione maggioritaria con due alternative Una votazione maggioritaria con due alternative Agente 1: Agente 2: Agente 3: Scelta sociale: A 1 B B 2 A A 3 B A B Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 4/55
6 Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Votazione maggioritaria con tre alternative Paradosso di Condorcet Agente 1: Agente 2: Agente 3: A 1 B 1 C B 2 C 2 A C 3 A 3 B Scelta sociale: Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 5/55
7 Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Votazione maggioritaria con tre alternative Paradosso di Condorcet Agente 1: Agente 2: Agente 3: Scelta sociale: A 1 B 1 C B 2 C 2 A C 3 A 3 B A B, B C, C A Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 5/55
8 Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Definizione Una regola di decisione sociale è un processo che, per ogni insieme di ordinamenti di alcune alternative, stabilisce un corrispondente ordinamento sociale delle alternative: dove R : P ν ( 1,..., ν ) P P è l insieme di tutti i sistemi di preferenze transitivi, i è il sistema di preferenze transitivo dell i-esimo agente, è il sistema di preferenze sociali transitivo. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 6/55
9 Dittatura Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Problema Esistono regole di decisione sociale? Risposta La risposta alla domanda, senza altre richieste, è sì: ad esempio, una dittatura o un imposizione sono regole di decisione sociale. Risposta rivista Assumendo che alcune richieste moralmente ragionevoli siano soddisfatte, la risposta è no. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 7/55
10 Dittatura Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Problema Esistono regole di decisione sociale? Risposta La risposta alla domanda, senza altre richieste, è sì: ad esempio, una dittatura o un imposizione sono regole di decisione sociale. Risposta rivista Assumendo che alcune richieste moralmente ragionevoli siano soddisfatte, la risposta è no. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 7/55
11 Dittatura Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Problema Esistono regole di decisione sociale? Risposta La risposta alla domanda, senza altre richieste, è sì: ad esempio, una dittatura o un imposizione sono regole di decisione sociale. Risposta rivista Assumendo che alcune richieste moralmente ragionevoli siano soddisfatte, la risposta è no. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 7/55
12 Richieste ragionevoli Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Universalità (dominio non ristretto): la funzione R deve essere ben definita. Non imposizione (sovranità del cittadino): qualsiasi sistema di preferenze sociali deve essere ottenibile. Non dittatorialità: R( 1,..., ν ) non deve valere identicamente i. Monotonicità (associazione positiva tra valori individuali e sociali): se un agente modifica il proprio sistema di preferenze promuovendo una data alternativa, la regola di decisione sociale deve promuovere tale alternativa o restare invariata. Indipendenza dalle alternative irrilevanti: se si confina l attenzione ad un sottoinsieme di alternative, la regola di decisione sociale deve essere coerente. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 8/55
13 Teorema dell impossibilità di Arrow Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Teorema (Arrow 1950) Se ci sono almeno tre alternative, non esistono regole di decisione sociale che soddisfano i requisiti di universalità, non imposizione, non dittatorialità, monotonicità e indipendenza dalle alternative irrilevanti. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 9/55
14 Cosa fare adesso? Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Rinuncia alla transitività D ora in poi non richiederemo più che il sistema di preferenze sociali sia transitivo: R : P ν ( 1,..., ν ) P dove P è l insieme di tutti i sistemi di preferenze (anche non transitivi). Oggi: Studiamo solo il sistema di preferenze sociali, a priori non-transitivo, = R( 1,..., ν ). Osservazione Possono non esserci ottimi. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 10/55
15 Cosa fare adesso? Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Rinuncia alla transitività D ora in poi non richiederemo più che il sistema di preferenze sociali sia transitivo: R : P ν ( 1,..., ν ) P dove P è l insieme di tutti i sistemi di preferenze (anche non transitivi). Oggi: Studiamo solo il sistema di preferenze sociali, a priori non-transitivo, = R( 1,..., ν ). Osservazione Possono non esserci ottimi. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 10/55
16 Cosa fare adesso? Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Rinuncia alla transitività D ora in poi non richiederemo più che il sistema di preferenze sociali sia transitivo: R : P ν ( 1,..., ν ) P dove P è l insieme di tutti i sistemi di preferenze (anche non transitivi). Oggi: Studiamo solo il sistema di preferenze sociali, a priori non-transitivo, = R( 1,..., ν ). Osservazione Possono non esserci ottimi. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 10/55
17 Grafi e tornei Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Grafi Consideriamo un nodo per ogni alternativa, e un lato diretto per ogni coppia di nodi: A B rappresenta A B Osservazione Questo grafo è un torneo, ossia ogni coppia di nodi è connessa da un lato Esempio A B C D E In questo sistema di preferenze sociali c è un ottimo (A) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 11/55
18 Grafi e tornei Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Grafi Consideriamo un nodo per ogni alternativa, e un lato diretto per ogni coppia di nodi: A B rappresenta A B Osservazione Questo grafo è un torneo, ossia ogni coppia di nodi è connessa da un lato Esempio A B C D E In questo sistema di preferenze sociali c è un ottimo (A) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 11/55
19 Grafi e tornei Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Grafi Consideriamo un nodo per ogni alternativa, e un lato diretto per ogni coppia di nodi: A B rappresenta A B Osservazione Questo grafo è un torneo, ossia ogni coppia di nodi è connessa da un lato Esempio A B C D E In questo sistema di preferenze sociali c è un ottimo (A) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 11/55
20 Cicli e transitività Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Cicli Un ciclo (alla Condorcet-Arrow) è una successione A 1 A 2 A h A 1. Esso corrisponde a un ciclo nel grafo e alla non transitività. Scopo Spezzare i cicli. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 12/55
21 Cicli e transitività Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività Cicli Un ciclo (alla Condorcet-Arrow) è una successione A 1 A 2 A h A 1. Esso corrisponde a un ciclo nel grafo e alla non transitività. Scopo Spezzare i cicli. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 12/55
22 1 Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività 2 3 Un algoritmo FOSoR e FOSoRStat Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 13/55
23 Riferimenti MS L. MARENGO S. SETTEPANELLA, Social choice among complex objects. AS G. AMENDOLA S. SETTEPANELLA, Modularity and optimality in social choice. A G. AMENDOLA, FOSoR - FOSoRStat. AMS G. AMENDOLA L. MARENGO S. SETTEPANELLA,??. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 14/55
24 Gruppi di elementi Finora abbiamo considerato alternative non strutturate, ossia monodimensionali. Le scelte però sono tipicamente fatte tra gruppi di elementi interdipendenti. Cosa fare stasera? Dove? cinema (0), ristorante (1), pub (2) Quando? 20:00 (0), 22:00 (1) Ci sono 6 alternative. Le sotto-alternative sono raggruppate in caratteristiche (feature): dove e quando. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 15/55
25 Gruppi di elementi Finora abbiamo considerato alternative non strutturate, ossia monodimensionali. Le scelte però sono tipicamente fatte tra gruppi di elementi interdipendenti. Cosa fare stasera? Dove? cinema (0), ristorante (1), pub (2) Quando? 20:00 (0), 22:00 (1) Ci sono 6 alternative. Le sotto-alternative sono raggruppate in caratteristiche (feature): dove e quando. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 15/55
26 Gruppi di elementi Finora abbiamo considerato alternative non strutturate, ossia monodimensionali. Le scelte però sono tipicamente fatte tra gruppi di elementi interdipendenti. Cosa fare stasera? Dove? cinema (0), ristorante (1), pub (2) Quando? 20:00 (0), 22:00 (1) Ci sono 6 alternative. Le sotto-alternative sono raggruppate in caratteristiche (feature): dove e quando. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 15/55
27 Il grafo associato Esempio 22: : cinema ristorante pub Osservazione Ogni alternativa è un gruppo di caratteristiche interdipendenti Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 16/55
28 Il grafo associato Esempio 22: : cinema ristorante pub Osservazione Ogni alternativa è un gruppo di caratteristiche interdipendenti Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 16/55
29 Un esempio tridimensionale Qui ci sono tre caratteristiche Scegliete arbitrariamente i lati diretti che non sono disegnati (per chiarezza) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 17/55
30 Un esempio tridimensionale Qui ci sono tre caratteristiche Scegliete arbitrariamente i lati diretti che non sono disegnati (per chiarezza) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 17/55
31 Il caso generale Notazione In generale consideriamo n caratteristiche, la i-esima delle quali può assumere m i valori, ossia f i {0, 1, 2,...,m i 1} con i = 1,...,n. Ogni alternativa (social outcome o configuration) è una n-upla (f 1,..., f n ) tale che 0 f i < m i. Denotiamo con m = (m 1,...,m n ) il multi-indice dei numeri dei valori delle caratteristiche. Denotiamo con M = n i=1 m i il numero delle alternative. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 18/55
32 Scelta con caratteristiche fissate Processo (MS) Partire da una alternativa Fissare alcune caratteristiche e trovare l ottimo cambiando solo le caratteristiche non fissate Fissare altre caratteristiche e trovare l ottimo cambiando solo le caratteristiche non fissate Continuare finché alla fine ci si ferma in una alternativa (un ottimo ) Osservazione [Arrow] Questo processo può non essere ben definito e può non finire Questo processo dipende da tanti parametri Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 19/55
33 Scelta con caratteristiche fissate Processo (MS) Partire da una alternativa Fissare alcune caratteristiche e trovare l ottimo cambiando solo le caratteristiche non fissate Fissare altre caratteristiche e trovare l ottimo cambiando solo le caratteristiche non fissate Continuare finché alla fine ci si ferma in una alternativa (un ottimo ) Osservazione [Arrow] Questo processo può non essere ben definito e può non finire Questo processo dipende da tanti parametri Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 19/55
34 Il processo per l esempio bidimensionale Esempio stop stop stop Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 20/55
35 Decidibilità - Manipolabilità Decidibilità Con questo processo possiamo trovare un ottimo più spesso che non considerando tutte le caratteristiche insieme. Manipolabilità Chi decide le caratteristiche che vengono fissate ad ogni passo? Chi decide l ordine? Chi decide l alternativa da cui partire? Differenti scelte possono portare a ottimi differenti. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 21/55
36 Decidibilità - Manipolabilità Decidibilità Con questo processo possiamo trovare un ottimo più spesso che non considerando tutte le caratteristiche insieme. Manipolabilità Chi decide le caratteristiche che vengono fissate ad ogni passo? Chi decide l ordine? Chi decide l alternativa da cui partire? Differenti scelte possono portare a ottimi differenti. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 21/55
37 Nuovi tipi di ottimi Esempio 00 e 21 sono ottimi, ma non nel significato classico, perché sono contenuti in un ciclo: Siamo riusciti a spezzare questo ciclo. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 22/55
38 Arrangiamenti di iperpiani Per modellizzare il problema Marengo e Settepanella hanno utilizzato gli arrangiamenti di iperpiani Definizione Un arrangiamento di iperpiani è un insieme finito di iperpiani: in questo caso consideriamo l arrangiamento di iperpiani A n,m = { H i,j di equazione λ i j = 0 } 1in 0j<m i 1 H 2, H 1,0 H 1,1 A 2,(3,2) = { H 1,0, H 1,1, H 2,0 } Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 23/55
39 Arrangiamenti di iperpiani Per modellizzare il problema Marengo e Settepanella hanno utilizzato gli arrangiamenti di iperpiani Definizione Un arrangiamento di iperpiani è un insieme finito di iperpiani: in questo caso consideriamo l arrangiamento di iperpiani A n,m = { H i,j di equazione λ i j = 0 } 1in 0j<m i 1 H 2, H 1,0 H 1,1 A 2,(3,2) = { H 1,0, H 1,1, H 2,0 } Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 23/55
40 Camere Definizione Le componenti del complementare dell arrangiamento di iperpiani sono dette camere Osservazione (MS) Le camere rappresentano le alternative H 2, H 1,0 H 1,1 Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 24/55
41 Oggetti Definizione (MS) Un oggetto è un sottoinsieme A I = { } H i,j i I 0j<m i 1 dell arrangiamento A n,m, dove I {1,...,n} H 2, H 1,0 H 1,1 A {1} = { H 1,0, H 1,1 } A {2} = { H 2,0 } A {1,2} = { H 1,0, H 1,1, H 2,0 } Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 25/55
42 Schemi di oggetti Definizione (MS) Uno schema di oggetti è un insieme di oggetti A = { A I1,...,A Ik } tale che k I j = {1,...,n} j=1 H 2, { A{1}, A {2} } { A{1,2} } { A{1}, A {1,2} } H 1,0 H 1,1 Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 26/55
43 Agende Definizione (MS) Una agenda di uno schema di oggetti A è un ordinamento (anche con ripetizioni) degli oggetti di A. Osservazione L agenda è cruciale in un processo di votazione/scelta, ma oggi non ci preoccuperemo di questo problema. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 27/55
44 Agende Definizione (MS) Una agenda di uno schema di oggetti A è un ordinamento (anche con ripetizioni) degli oggetti di A. Osservazione L agenda è cruciale in un processo di votazione/scelta, ma oggi non ci preoccuperemo di questo problema. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 27/55
45 Cammini di dominazioni Definizione (MS) Un cammino di dominazioni attraverso uno schema di oggetti A è una sequenza di alternative x 0 x 1 x s tale che x i è l ottimo tra le alternative che stanno dallo stesso lato degli iperpiani nel complementare di un oggetto A hi. Osservazione Si può avere x i x i 1 oppure x i = x i 1. Definizione (MS) Diremo che il cammino di dominazioni finisce in x s se esso può essere indefinitamente esteso a x 0 x 1 x s x s. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 28/55
46 Cammini di dominazioni Definizione (MS) Un cammino di dominazioni attraverso uno schema di oggetti A è una sequenza di alternative x 0 x 1 x s tale che x i è l ottimo tra le alternative che stanno dallo stesso lato degli iperpiani nel complementare di un oggetto A hi. Osservazione Si può avere x i x i 1 oppure x i = x i 1. Definizione (MS) Diremo che il cammino di dominazioni finisce in x s se esso può essere indefinitamente esteso a x 0 x 1 x s x s. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 28/55
47 Cammini di dominazioni Definizione (MS) Un cammino di dominazioni attraverso uno schema di oggetti A è una sequenza di alternative x 0 x 1 x s tale che x i è l ottimo tra le alternative che stanno dallo stesso lato degli iperpiani nel complementare di un oggetto A hi. Osservazione Si può avere x i x i 1 oppure x i = x i 1. Definizione (MS) Diremo che il cammino di dominazioni finisce in x s se esso può essere indefinitamente esteso a x 0 x 1 x s x s. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 28/55
48 L esempio tridimensionale Esempio (AS) Consideriamo lo schema di oggetti A = { A{1,2}, A {3} } Ricordiamo che A {1,2} = { H1,0, H 2,0 } A {3} = { H 3,0 }. H 2,0 011 H 1, H 3, Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 29/55
49 locali Definizione (MS) Un ottimo locale per uno schema di oggetti A è una alternativa in cui finisce almeno un cammino di dominazioni attraverso A Osservazione (MS) In un ottimo locale finisce più di un cammino di dominazioni Ci possono essere più ottimi locali (o anche nessuno) H 2, H 1,0 H 1,1 Le alternative 00 e 21 sono ottimi locali per lo schema di oggetti A = { A {1}, A {2} } Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 30/55
50 locali Definizione (MS) Un ottimo locale per uno schema di oggetti A è una alternativa in cui finisce almeno un cammino di dominazioni attraverso A Osservazione (MS) In un ottimo locale finisce più di un cammino di dominazioni Ci possono essere più ottimi locali (o anche nessuno) H 2, H 1,0 H 1,1 Le alternative 00 e 21 sono ottimi locali per lo schema di oggetti A = { A {1}, A {2} } Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 30/55
51 Bacini di attrazione Definizione (MS) Il bacino di attrazione di una alternativa x rispetto a uno schema di oggetti A è l insieme delle alternative da cui parte un cammino di dominazioni attraverso A che finisce in x Osservazione (MS) Il bacino di attrazione di x è vuoto se e solo se x non è un ottimo locale H 2, H 1,0 H 1,1 Il bacino di attrazione dell alternativa 21 rispetto allo schema di oggetti A = { A {1}, A {2} } è { 10, 20, 01, 11, 21 } Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 31/55
52 Bacini di attrazione Definizione (MS) Il bacino di attrazione di una alternativa x rispetto a uno schema di oggetti A è l insieme delle alternative da cui parte un cammino di dominazioni attraverso A che finisce in x Osservazione (MS) Il bacino di attrazione di x è vuoto se e solo se x non è un ottimo locale H 2, H 1,0 H 1,1 Il bacino di attrazione dell alternativa 21 rispetto allo schema di oggetti A = { A {1}, A {2} } è { 10, 20, 01, 11, 21 } Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 31/55
53 globali Definizione (MS) Un ottimo globale per uno schema di oggetti A è una alternativa il cui bacino di attrazione rispetto ad A è tutto l insieme delle alternative Nozione classica di ottimo (MS) Un ottimo classico è un ottimo globale rispetto allo schema di oggetti A = { A {1,...,n} } H 2, H 1,0 H 1,1 Questo sistema di preferenze sociali non ha non ha ottimi globali per lo schema di oggetti A = { A {1}, A {2} } Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 32/55
54 globali Definizione (MS) Un ottimo globale per uno schema di oggetti A è una alternativa il cui bacino di attrazione rispetto ad A è tutto l insieme delle alternative Nozione classica di ottimo (MS) Un ottimo classico è un ottimo globale rispetto allo schema di oggetti A = { A {1,...,n} } H 2, H 1,0 H 1,1 Questo sistema di preferenze sociali non ha non ha ottimi globali per lo schema di oggetti A = { A {1}, A {2} } Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 32/55
55 Bacini di attrazione universale e ottimi u-locali Definizione (AS) Il bacino di attrazione universale di una alternativa x è l unione dei bacini di attrazione di x rispetto a ogni schema di oggetti Definizione (AS) Un ottimo u-locale è una alternativa il cui bacino di attrazione universale è tutto l insieme delle alternative H 2, H 1,0 H 1,1 Il bacino di attrazione universale dell alternativa 21 è { 10, 20, 01, 11, 21 } Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 33/55
56 Bacini di attrazione universale e ottimi u-locali Definizione (AS) Il bacino di attrazione universale di una alternativa x è l unione dei bacini di attrazione di x rispetto a ogni schema di oggetti Definizione (AS) Un ottimo u-locale è una alternativa il cui bacino di attrazione universale è tutto l insieme delle alternative H 2, H 1,0 H 1,1 Il bacino di attrazione universale dell alternativa 21 è { 10, 20, 01, 11, 21 } Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 33/55
57 Relazione tra i diversi tipi di ottimo Osservazione (MS, AS) ottimo classico ottimo globale ottimo u-locale ottimo locale Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 34/55
58 L esempio tridimensionale: un ottimo locale Esempio (AS) 101 è un ottimo locale per lo schema di oggetti A = { A{1}, A {2}, A {3} } Ricordiamo che A {1} = { H 1,0 } A {2} = { H 2,0 } A {3} = { H 3,0 }. H 2,0 011 H 1, H 3, Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 35/55
59 L esempio tridimensionale: un ottimo globale Esempio (AS) 011 è un ottimo globale per lo schema di oggetti A = { A{1,2}, A {3} }. Ricordiamo che A {1,2} = { H1,0, H 2,0 } A {3} = { H 3,0 }. H 2,0 011 H 1, H 3, Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 36/55
60 L esempio tridimensionale: un ottimo u-locale Esempio (AS) 000 è un ottimo u-locale Per i lati rossi usiamo oggetti con due iperpiani: A {1,3} e A {2,3}. Per i lati blu dobbiamo usare oggetti con un iperpiano: A {2} e A {3}. H 2,0 011 H 1, H 3, Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 37/55
61 L esempio tridimensionale: nessun ottimo classico Esempio (AS) Non c è nessun ottimo classico C è un ciclo lungo, e le tre alternative rimanenti (che sono fuori dal ciclo) sono dominate. H 2,0 011 H 1, H 3, Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 38/55
62 L esempio tridimensionale: minimalità Osservazione (AS) Il sistema di preferenze sociali tridimensionale considerato è il più piccolo che abbia un ottimo globale, un ottimo u-locale, e un ottimo locale, tutti distinti. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 39/55
63 Numero di ottimi locali Teorema (AS) Il massimo numero di ottimi locali è e questo limite è raggiunto. Esempio M max{m 1,..., m n }, Se m è (3, 3, 2, 2), il numero di alternative M è 36 e il limite sopra è 12. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 40/55
64 Numero di ottimi locali Teorema (AS) Il massimo numero di ottimi locali è e questo limite è raggiunto. Esempio M max{m 1,..., m n }, Se m è (3, 3, 2, 2), il numero di alternative M è 36 e il limite sopra è 12. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 40/55
65 Un algoritmo FOSoR e FOSoRStat 1 Introduzione Teorema dell impossibilità di Arrow Rinuncia alla transitività 2 3 Un algoritmo FOSoR e FOSoRStat Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 41/55
66 Il problema della complessità Un algoritmo FOSoR e FOSoRStat Problemi per trovare gli ottimi Il problema non è finito, perché a priori ci possono essere infinite agende. Non è difficile ridurre il problema a uno finito, ma un semplice algoritmo con ricerca esausitva necessiterebbe di un tempo almeno esponenziale. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 42/55
67 Un algoritmo Un algoritmo FOSoR e FOSoRStat Algoritmo (AS) Noi abbiamo descritto un algoritmo che calcola il bacino di attrazione universale di una data alternativa in tempo polinomiale, O ( M 3 log M ). Osservazione (AS) Quindi possiamo trovare tutti gli ottimi u-locali in un tempo O ( M 4 log M ). Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 43/55
68 Un algoritmo Un algoritmo FOSoR e FOSoRStat Algoritmo (AS) Noi abbiamo descritto un algoritmo che calcola il bacino di attrazione universale di una data alternativa in tempo polinomiale, O ( M 3 log M ). Osservazione (AS) Quindi possiamo trovare tutti gli ottimi u-locali in un tempo O ( M 4 log M ). Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 43/55
69 classici (AMS) Un algoritmo FOSoR e FOSoRStat Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 44/55
70 Un algoritmo FOSoR e FOSoRStat locali con due caratteristiche (AMS) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 45/55
71 Un algoritmo FOSoR e FOSoRStat locali con due caratteristiche (AMS) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 45/55
72 Un algoritmo FOSoR e FOSoRStat locali per 64 alternative (AMS) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 46/55
73 Un algoritmo FOSoR e FOSoRStat locali per potenze di due (AMS) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 47/55
74 Un algoritmo FOSoR e FOSoRStat u-locali con due caratteristiche (AMS) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 48/55
75 Un algoritmo FOSoR e FOSoRStat u-locali con due caratteristiche (AMS) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 48/55
76 Un algoritmo FOSoR e FOSoRStat u-locali per 64 alternative (AMS) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 49/55
77 Un algoritmo FOSoR e FOSoRStat u-locali per potenze di due (AMS) Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 50/55
78 FOSoRStat Un algoritmo FOSoR e FOSoRStat FOSoRStat (A) Questi risultati numerici sono stati ottenuti utilizzando il programma FOSoRStat, che ripetutamente (in questo caso di volte) applica l algoritmo e raccoglie i risultati. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 51/55
79 FOSoR Un algoritmo FOSoR e FOSoRStat FOSoR (A) Il programma FOSoR, che è anche basato sull algoritmo, permette di analizzare un sistema di preferenze sociali. L esempio tridimensionale Ricordiamo che: 101 è un ottimo locale 000 è un ottimo u-locale Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 52/55
80 FOSoR Un algoritmo FOSoR e FOSoRStat FOSoR (A) Il programma FOSoR, che è anche basato sull algoritmo, permette di analizzare un sistema di preferenze sociali. L esempio tridimensionale Ricordiamo che: 101 è un ottimo locale 000 è un ottimo u-locale Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 52/55
81 Bibliografia - Articoli Bibliografia Ringraziamento MS L. MARENGO S. SETTEPANELLA, Social choice among complex objects, LEM, Working Paper Series, WP 2010/02 (2010), AS G. AMENDOLA S. SETTEPANELLA, Modularity and optimality in social choice, LEM, Working Paper Series, WP 2010/05 (2010), 1 42, in fase di pubblicazione su Journal of Mathematical Sociology. AMS G. AMENDOLA L. MARENGO S. SETTEPANELLA,??, in preparazione. Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 53/55
82 Bibliografia Ringraziamento Bibliografia - Programmi A G. AMENDOLA, FOSoR - FOSoRStat, Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 54/55
83 Bibliografia Ringraziamento Grazie a tutti per la presenza e per l attenzione! Gennaro Amendola Arrangiamenti, Grafi e Ottimalità 55/55
11.4 Chiusura transitiva
6 11.4 Chiusura transitiva Il problema che consideriamo in questa sezione riguarda il calcolo della chiusura transitiva di un grafo. Dato un grafo orientato G = hv,ei, si vuole determinare il grafo orientato)
Dettagli2.2 Alberi di supporto di costo ottimo
. Alberi di supporto di costo ottimo Problemi relativi ad alberi hanno numerose applicazioni: progettazione di reti (comunicazione, teleriscaldamento,...) protocolli reti IP memorizzazione compatta di
Dettagli2.2 Alberi di supporto di costo ottimo
. Alberi di supporto di costo ottimo Problemi relativi ad alberi hanno numerose applicazioni: progettazione di reti (comunicazione, teleriscaldamento,...) memorizzazione compatta di sequenze (DNA) diffusione
DettagliLa Funzione di Benessere Sociale e Meccanismi Politici di Decisione
La Funzione di Benessere Sociale e Meccanismi Politici di Decisione 30018 - Scienza delle Finanze - CLES Lidia Ceriani Università Bocconi a.a. 2011-2012 Le slides riguardano solo alcune parti del programma
DettagliSISTEMI DI SCELTE SOCIALI IL TEOREMA DI ARROW. Dario PALLADINO (Università di Genova)
1 SISTEMI DI SCELTE SOCIALI IL TEOREMA DI ARROW Dario PALLADINO (Università di Genova) In questo articolo, che costituisce la continuazione di Sistemi di scelte sociali. Considerazioni generali (Nuova
DettagliProblemi, istanze, soluzioni
lgoritmi e Strutture di Dati II 2 Problemi, istanze, soluzioni Un problema specifica una relazione matematica tra dati di ingresso e dati di uscita. Una istanza di un problema è formata dai dati di un
DettagliLEZIONE 12. v = α 1 v α n v n =
LEZIONE 12 12.1. Combinazioni lineari. Definizione 12.1.1. Sia V uno spazio vettoriale su k = R, C e v 1,..., v n V vettori fissati. Un vettore v V si dice combinazione lineare di v 1,..., v n se esistono
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Collegio Didattico in Ingegneria Informatica corso di Ricerca operativa 2. Esercizi sul problema dell assegnamento
UNIVERSITÀ DEGLI STUDI ROMA TRE Collegio Didattico in Ingegneria Informatica corso di Ricerca operativa Esercizi sul problema dell assegnamento Richiami di Teoria Ricordiamo che, dato un grafo G=(N,A),
DettagliIntroduzione ai grafi
TFA A048 Anno Accademico 2012-13 Outline Cenni storici sui grafi Nozioni introduttive: cammini, connessione, alberi, cicli Cammini di costo minimo Origini storiche La nascita della teoria dei grafi risale
DettagliIntroduzione ai grafi. Introduzione ai grafi p. 1/2
Introduzione ai grafi Introduzione ai grafi p. 1/2 Grafi Un grafo G é costituito da una coppia di insiemi (V,A) dove V é detto insieme dei nodi e A é detto insieme di archi ed é un sottinsieme di tutte
DettagliLezione 4. Problemi trattabili e soluzioni sempre più efficienti. Gianluca Rossi
Lezione 4 Problemi trattabili e soluzioni sempre più efficienti Gianluca Rossi Trattabile o intrattabile? Consideriamo ora il problema, ben noto a tutti gli studenti a partire dalla scuola media, di calcolare
DettagliSoluzione dei Problemi di Programmazione Lineare
Soluzione dei Problemi di Programmazione Lineare Consideriamo un problema di Programmazione Lineare (PL) con m vincoli ed n variabili in Forma Standard dove: ma 0 c A b ( ) 0 ( 2) R è il vettore n delle
DettagliDefinizione 1. Una k-colorazione dei vertici di un grafo G consiste nell assegnazione di k colori 1, 2,..., k ai vertici di G in modo tale che a due
Definizione 1. Una k-colorazione dei vertici di un grafo G consiste nell assegnazione di k colori 1, 2,..., k ai vertici di G in modo tale che a due vertici adiacenti non sia assegnato lo stesso colore.
DettagliCorso di elettrotecnica Materiale didattico: i grafi
Corso di elettrotecnica Materiale didattico: i grafi A. Laudani 12 ottobre 2005 I grafi costituiscono uno strumento matematico che permette di descrivere e schematizzare una grande varietà di problemi
DettagliRichiami di Matematica. 1. Insiemi, relazioni, funzioni. 2. Cardinalitá degli insiemi infiniti e numerabilitá. 3. Notazione asintotica.
Richiami di Matematica 1. Insiemi, relazioni, funzioni. 2. Cardinalitá degli insiemi infiniti e numerabilitá. 3. Notazione asintotica. Insiemi Definizioni di base Dato un insieme A: x A: elemento x appartenente
DettagliNOTE DI ALGEBRA LINEARE v = a 1 v a n v n, w = b 1 v b n v n
NOTE DI ALGEBRA LINEARE 2- MM 9 NOVEMBRE 2 Combinazioni lineari e generatori Sia K un campo e V uno spazio vettoriale su K Siano v,, v n vettori in V Definizione Un vettore v V si dice combinazione lineare
DettagliConversione di base. Conversione decimale binario. Si calcolano i resti delle divisioni per due
Conversione di base Dato N>0 intero convertirlo in base b dividiamo N per b, otteniamo un quoto Q 0 ed un resto R 0 dividiamo Q 0 per b, otteniamo un quoto Q 1 ed un resto R 1 ripetiamo finché Q n < b
DettagliLa codifica digitale
La codifica digitale Codifica digitale Il computer e il sistema binario Il computer elabora esclusivamente numeri. Ogni immagine, ogni suono, ogni informazione per essere compresa e rielaborata dal calcolatore
DettagliQueste note (attualmente, e probabilmente per un bel po ) sono altamente provvisorie e (molto probabilmente) non prive di errori.
ËÁËÌ ÅÁ ÈÁ ÆÁ ½ Queste note attualmente e probabilmente per un bel po ) sono altamente provvisorie e molto probabilmente) non prive di errori 41 Sistemi 2D Come abbiamo già detto tipicamente è impossibile
DettagliPer formalizzare il concetto sono necessarie alcune nozioni relative ai poliedri e alla loro descrizione.
3.7.4 Disuguaglianze valide forti Cerchiamo disuguaglianze valide forti, ovvero disuguaglianze valide che forniscano migliori formulazioni (più stringenti). Per formalizzare il concetto sono necessarie
DettagliScelte sociali. Funzioni di benessere sociale Teorema dell impossibilità di Arrow Regole di voto Teorema dell elettore mediano
Scelte sociali Funzioni di benessere sociale Teorema dell impossibilità di Arrow Regole di voto Teorema dell elettore mediano Scelte sociali Finora abbiamo dato per scontato che l ente pubblico (Stato,
DettagliIntroduzione ai Problemi di Flusso su Reti
UNIVERSI DI PIS IROCINIO ORMIVO IVO - I CICLO CLSSE DI BILIZIONE MEMIC PPLIC Introduzione ai Problemi di lusso su Reti Relatore: Prof. V. Georgiev.U: Prof. M. Berni Elisabetta lderighi R.O e Riforma della
Dettagli2.3 Cammini ottimi. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
. Cammini ottimi E. Amaldi Fondamenti di R.O. Politecnico di Milano .. Cammini minimi e algoritmo di Dijkstra Dato un grafo orientato G = (N, A) con una funzione di costo c : A c ij R e due nodi s e t,
DettagliAlgoritmi e Strutture Dati
Algoritmi Golosi (Greedy) Maria Rita Di Berardini, Emanuela Merelli 1 1 Dipartimento di Matematica e Informatica Università di Camerino un algoritmo goloso correttezza Problema della selezione di attività
DettagliGAAL: Capitolo di Geometria Affine e Coniche
GAAL: Capitolo di Geometria Affine e Coniche Nozioni introduttive: Distanza indotta Isometrie lineari (Gruppo ortogonale) Isometrie Affinità Spazi affini: Sottospazi affini Combinazione affine di punti
DettagliParte V: Rilassamento Lagrangiano
Parte V: Rilassamento Lagrangiano Tecnica Lagrangiana Consideriamo il seguente problema di Programmazione Lineare Intera: P 1 min c T x L I Ax > b Cx > d x > 0, intera in cui A = matrice m x n C = matrice
DettagliEsercizio 1. Esercizio 2
A-2 a PI Ricerca Operativa 1 Seconda prova intermedia La Pharmatix è un azienda di Anagni che produce due principi attivi, A e B, che consentono un profitto per grammo venduto di 20 e 30 euro rispettivamente.
DettagliAlgoritmo per A. !(x) Istanza di B
Riduzioni polinomiali Una funzione f: T*!T* è detta computabile in tempo polinomiale se esiste una macchina di Turing limitata polinomialmente che la computi. Siano L 1 e L 2 " T* due linguaggi. Una funzione
DettagliRicerca Operativa. G. Liuzzi. Lunedí 20 Aprile 2015
1 Lunedí 20 Aprile 2015 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR Rilassamento di un problema Rilassare un problema di Programmazione Matematica vuol dire trascurare alcuni (tutti i)
Dettagli2.3.3 Cammini ottimi nei grafi senza circuiti
.. Cammini ottimi nei grafi senza circuiti Sia un grafo G = (N, A) orientato senza circuiti e una funzione di costo che assegna un valore c ij R ad ogni arco (i, j) A circuito Proprietà I nodi di un grafo
Dettagli5.4.5 Struttura dell algoritmo ed esempi
CAPITOLO 5. IL METODO DEL SIMPLESSO 6 5.4.5 Struttura dell algoritmo ed esempi Come abbiamo già ampiamente osservato, la fase II del metodo del simplesso, a partire da una soluzione di base ammissibile,
DettagliSommario. Caratterizzazione alternativa di NP: il verificatore polinomiale esempi di problemi in NP
Sommario Caratterizzazione alternativa di NP: il verificatore polinomiale esempi di problemi in NP I conjecture that there is no good algorithm for the traveling salesman problem. My reasons are the same
Dettagli(2) se A A, allora A c A; (3) se {A n } A, allora +
1. Spazi di misura In questo paragrafo accenneremo alla nozione di spazio di misura. Definizione 1. Sia X un insieme non vuoto. Una famiglia A di sottoinsiemi di X è una σ-algebra se : (1) A; (2) se A
DettagliEsercizi di Matematica per la prova di ammissione alla Scuola Galileiana /16
Esercizi di Matematica per la prova di ammissione alla Scuola Galileiana - 015/16 Esercizio 1 Per quali valori n Z \ {0} l espressione è un numero intero positivo? (n + 5)(n + 6) 6n Soluzione. Il problema
DettagliEsercitazione 6 Ancora sul Network Flow
Esercitazione 6 Ancora sul Network Flow Problema 14 (appello 28/09/2015) Un importante azienda di sviluppo software ha n progetti da portare a termine entro la fine dell anno. Il manager dell azienda stima
DettagliMarco Cesati Dipartimento di Ingegneria Civile e Ingegneria Informatica Università degli Studi di Roma Tor Vergata
Lezione R9 I NPCS Sistemi embedded e real-time 4 dicembre 2012 Dipartimento di Ingegneria Civile e Ingegneria Informatica Università degli Studi di Roma Tor Vergata SERT 13 R9.1 Di cosa parliamo in questa
DettagliScelte sociali. Funzioni di benessere sociale Teorema dell impossibilità di Arrow Regole di voto Teorema dell elettore mediano
Scelte sociali Funzioni di benessere sociale Teorema dell impossibilità di Arrow Regole di voto Teorema dell elettore mediano Scelte sociali Finora abbiamo dato per scontato che l ente pubblico (Stato,
DettagliOttimizzazione Discreta Esercizi V: Soluzioni
Ottimizzazione Discreta Esercizi V: Soluzioni Grafi e cammini minimi A.A. 214/215 Esercizio 1 (a) Nella terminologia della teoria dei grafi, si chiede di dimostrare che ogni grafo non orientato G = (V,E),
DettagliAlberi di copertura. Mauro Passacantando. Dipartimento di Informatica Largo B. Pontecorvo 3, Pisa
Alberi di copertura Mauro Passacantando Dipartimento di Informatica Largo B. Pontecorvo, Pisa mpassacantando@di.unipi.it M. Passacantando TFA 0/ - Corso di Ricerca Operativa Università di Pisa / 9 Definizioni
DettagliI sistemi di voto. Marco Greco 6 novembre 2009
I sistemi di voto Marco Greco 6 novembre 009 Voto vs Negoziato Processo formalizzato in cui più attori decisionali scelgono una soluzione ad un problema di comune interesse Il negoziato è un processo in
DettagliLe disequazioni di primo grado. Prof. Walter Pugliese
Le disequazioni di primo grado Prof. Walter Pugliese Concetto di disequazione Consideriamo la seguente disuguaglianza: 2x 3 < 5 + x Procedendo per tentativi, attribuiamo alla lettera x alcuni valori e
DettagliApprossimazione di dati e funzioni
Approssimazione di dati e funzioni Richiamiamo i principali metodi di approssimazione polinomiale di un insieme di dati (x i, y i ), i = 0,..., n. Le ordinate y i possono essere i valori assunti nei nodi
DettagliOTTIMIZZAZIONE LINEARE MULTICRITERIO
OTTIMIZZAZIONE LINEARE MULTICRITERIO NOTAZIONE Siano x ed y vettori di R n indicati estesamente con x x x x 1 Μ i Μ n, y y1 Μ yi Μ y n e si ponga N = {1,2,, n}. Scriveremo allora: x y ( x è diverso da
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Insiemi e Combinatoria - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, 23 - Ottobre 2012 Il concetto di insieme Non tratterò la teoria assiomatica degli
DettagliPolitica economica (A-D) Sapienza Università di Rome. Efficienza ed equità. Giovanni Di Bartolomeo Sapienza Università di Roma
Politica economica (A-D) Sapienza Università di Rome Efficienza ed equità Giovanni Di Bartolomeo Sapienza Università di Roma In prima approssimazione Possiamo dire che è soddisfatta l efficienza se gli
Dettaglietà (anni) manutenzione (keuro) ricavato (keuro)
.6 Cammini minimi. Determinare i cammini minimi dal nodo 0 a tutti gli altri nodi del seguente grafo, mediante l algoritmo di Dijkstra e, se applicabile, anche mediante quello di Programmazione Dinamica.
DettagliNote per la Lezione 4 Ugo Vaccaro
Progettazione di Algoritmi Anno Accademico 2016 2017 Note per la Lezione 4 Ugo Vaccaro Ripasso di nozioni su Alberi Ricordiamo che gli alberi rappresentano una generalizzazione delle liste, nel senso che
DettagliAlgoritmi e strutture dati
Algoritmi e Strutture Dati Cammini minimi Definizioni Sia G = (V,E) un grafo orientato pesato sugli archi. Il costo di un cammino π = è dato da: Un cammino minimo tra una coppia di
DettagliIL PROBLEMA DEL FLUSSO DI COSTO MINIMO. DANIEL BUCCARELLA
IL PROBLEMA DEL FLUSSO DI COSTO MINIMO DANIEL BUCCARELLA 698102 danielbuccarella@virgilio.it 1. Definizione del Problema Spesso i problemi di ottimizzazione sono caratterizzati da una struttura di grafo.
DettagliProblema del trasporto
p. 1/1 Problema del trasporto Supponiamo di avere m depositi in cui è immagazzinato un prodotto e n negozi che richiedono tale prodotto. p. 1/1 Problema del trasporto Supponiamo di avere m depositi in
DettagliCammini minimi in grafi:
Algoritmi e strutture dati Camil Demetrescu, Irene Finocchi, Giuseppe F. Italiano Cammini minimi in grafi: una trilogia Cammini minimi in grafi: Episodio III: la fine della trilogia Input: nelle puntate
DettagliNote sulle Catene di Markov
Note sulle Catene di Markov ELAUT Prof. Giuseppe C. Calafiore Sommario Queste note contengono un estratto schematico ridotto di parte del materiale relativo alle Catene di Markov a tempo continuo e a tempo
DettagliLuigi Piroddi
Automazione industriale dispense del corso (a.a. 2008/2009) 9. Reti di Petri: analisi dinamica e metodi di riduzione Luigi Piroddi piroddi@elet.polimi.it Metodi di analisi di Reti di Petri Ci sono 2 modi
DettagliCostruzione di espressioni regolari 4
ostruzione di espressioni regolari 4 Indicando con d uno dei possibili digits {,, 2,,9} --possiamo esprimere il sotto linguaggio dei digits come d = ( + + 2 +.. + 9) Quale linguaggio produce l espressione:
DettagliUn paio di esempi su serie e successioni di funzioni
Un paio di esempi su serie e successioni di funzioni 29 novembre 2010 1 Successione di funzioni Ricordiamo innanzitutto un po di definizioni. Definizione 1. Una successione di funzioni è una corrispondenza
DettagliLA DEFINIZIONE DI LIMITE FINITO IN UN PUNTO
LA DI LIMITE FINITO IN UN PUNTO 1 LA Quando x si avvicina a x 0, f(x) si avvicina a f(x 0 ) o a un altro valore reale l? Quando x si avvicina a x 0, f(x) si avvicina a un valore l che è proprio f(x 0 )
DettagliTecniche di conteggio
Tecniche di conteggio 9 Ottobre 2003 Principio della somma Il numero di elementi dell unione di una famiglia di insiemi disgiunti è la somma del numero di elementi contenuti in ogni singolo insieme F =
DettagliGrafi diretti. Un grafo diretto (o grafo orientato) G è una coppia (V,E) dove. V è u n i n s i e m e d i nodi (o vertici);
Algoritmi e Strutture di Dati II 2 Grafi diretti Un grafo diretto (o grafo orientato) G è una coppia (V,E) dove V è u n i n s i e m e d i nodi (o vertici); E µ V V è u n i n s i e m e d i archi. Denotiamo
DettagliAppunti del corso di Informatica 1 (IN110 Fondamenti) 7 Grafi e alberi: introduzione
Università di Roma Tre Dipartimento di Matematica e Fisica Corso di Laurea in Matematica Appunti del corso di Informatica (IN0 Fondamenti) Grafi e alberi: introduzione Marco Liverani (liverani@mat.uniroma.it)
DettagliTeoria degli Insiemi
Teoria degli Insiemi Docente: Francesca Benanti Ottobre 2017 1 Teoria degli Insiemi La Teoria degli Insiemi è una branca della matematica creata alla fine del diciannovesimo secolo principalmente dal matematico
DettagliComplementi ed Esercizi di Informatica Teorica II
Complementi ed Esercizi di Informatica Teorica II Vincenzo Bonifaci 21 maggio 2008 4 Problemi di ottimizzazione: il Bin Packing Il problema bin packing è il seguente: dato un insieme di n oggetti di dimensioni
DettagliPrincipali insiemi di numeri
Principali insiemi di numeri N = {0,1,2,...} insieme dei numeri naturali o anche interi non negativi Z = N { 1, 2, 3,...} insieme dei numeri interi Q = { n m } : n,m Z, m 0 insieme dei numeri razionali
DettagliUniversita degli Studi di Siena
Universita degli Studi di Siena Facolta di Ingegneria Dispense del corso di Sistemi di Supporto alle Decisioni I La Programmazione Dinamica Chiara Mocenni Corso di Laurea triennale in Ingegneria Gestionale
DettagliL algoritmo AKS. L algoritmo AKS. Seminario per il corso di Elementi di Algebra Computazionale. Oscar Papini. 22 luglio 2013
L algoritmo AKS Seminario per il corso di Elementi di Algebra Computazionale Oscar Papini 22 luglio 2013 Test di primalità Come facciamo a sapere se un numero n è primo? Definizione (Test di primalità)
DettagliPrima lezione. Gilberto Bini. 16 Dicembre 2006
16 Dicembre 2006 Vediamo alcune nozioni di teoria ingenua degli insiemi. Vediamo alcune nozioni di teoria ingenua degli insiemi. Un insieme è una collezione di oggetti di cui possiamo specificare una proprietà
DettagliVotazioni e Sistemi di preferenze
Votazioni e Sistemi di preferenze Votazione: Candidati: a, b, c Immaginiamo che ciascun votante fornisca le sue preferenze attraverso un ordinamento completo dei candidati, ad esempio a b c b a c 10 votanti
DettagliTeoria dei Giochi. Anna Torre
Teoria dei Giochi Anna Torre Almo Collegio Borromeo 21 marzo 2013 email: anna.torre@unipv.it sito web del corso:www-dimat.unipv.it/atorre/borromeo2013.html Dilemma del prigioniero I II S T S (3, 3) (0,
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Studi in Ingegneria Informatica Ricerca Operativa 1 Seconda prova intermedia 20 giugno 2014
A Ricerca Operativa 1 Seconda prova intermedia Un tifoso di calcio in partenza da Roma vuole raggiungere Rio De Janeiro per la finale del mondiale spendendo il meno possibile. Sono date le seguenti disponibilità
DettagliOperazioni elementari e riduzione
Matrici e sistemi Operazioni elementari Riduzioni di matrici L algoritmo di riduzione 2 2006 Politecnico di Torino 1 Operazioni elementari per righe Sia A M m,n. Introduciamo tre tipi di operazioni che
DettagliIl valore di flusso che si ottiene è
1) Si consideri un insieme di piste da sci e di impianti di risalita. Lo si modelli con un grafo orientato che abbia archi di due tipi: tipo D (discesa e orientato nel senso della discesa) e tipo R (risalita
DettagliProva scritta di Matematica Discreta e Logica del giorno 3 luglio 2017 Soluzione degli esercizi FILA D
ˆ ˆ ƒˆ ˆ ƒ ˆ ˆ Œ ˆ.. 2016-2017 Prova scritta di Matematica Discreta e Logica del giorno 3 luglio 2017 Soluzione degli esercizi FILA D Esercizio 1 Nell insieme delle coppie ordinate di numeri naturali,
DettagliOttimizzazione su grafi: massimo flusso (parte 1) Ottimizzazione su grafi:massimo flusso (parte 1) p. 1/33
Ottimizzazione su grafi: massimo flusso (parte 1) Ottimizzazione su grafi:massimo flusso (parte 1) p. 1/33 Ottimizzazione su grafi:massimo flusso (parte 1) p. 2/33 Reti di flusso Una rete di flusso è una
DettagliLunghezza media. Teorema Codice D-ario prefisso per v.c. X soddisfa. L H D (X). Uguaglianza vale sse D l i. = p i. . p.1/27
Lunghezza media Teorema Codice D-ario prefisso per v.c. X soddisfa L H D (X). Uguaglianza vale sse D l i = p i.. p.1/27 Lunghezza media Teorema Codice D-ario prefisso per v.c. X soddisfa L H D (X). Uguaglianza
DettagliCammini minimi fra tutte le coppie
Capitolo 12 Cammini minimi fra tutte le coppie Consideriamo il problema dei cammini minimi fra tutte le coppie in un grafo G = (V, E, w) orientato, pesato, dove possono essere presenti archi (ma non cicli)
DettagliProblema del cammino minimo
Algoritmi e Strutture di Dati II Problema del cammino minimo Un viaggiatore vuole trovare la via più corta per andare da una città ad un altra. Possiamo rappresentare ogni città con un nodo e ogni collegamento
DettagliI.4 Rappresentazione dell informazione
I.4 Rappresentazione dell informazione Università di Ferrara Dipartimento di Economia e Management Insegnamento di Informatica Ottobre 13, 2015 Argomenti Introduzione 1 Introduzione 2 3 L elaboratore Introduzione
Dettagli1.2d: La codifica Digitale dei caratteri
1.2d: La codifica Digitale dei caratteri 2 12 ott 2011 Bibliografia Curtin, 3.6 (vecchie edizioni) Curtin, 2.5 (nuova edizione) CR pag. 9-14 Questi lucidi 3 12 ott 2011 La codifica dei caratteri Un testo
DettagliGrafi (orientati): cammini minimi
Grafi (orientati): cammini minimi Una breve presentazione Definizioni Sia G=(V,E) un grafo orientato con costi w sugli archi. Il costo di un cammino π= è dato da: Un cammino minimo tra
DettagliOSTRUZIONI SUI GRAFI. Alcune ostruzioni per l esistenza di grafi con dato score 1) Vale il seguente lemma
OSTRUZIONI SUI GRAFI Alcune ostruzioni per l esistenza di grafi con dato score 1) Vale il seguente lemma Lemma 1. Se G = (V, E) è un grafo finito con n vertici allora deg(v) n 1, v V. Dal lemma segue che
Dettaglinota 1. Aritmetica sui numeri interi.
nota 1. Aritmetica sui numeri interi. Numeri interi. Numeri primi. L algoritmo di Euclide per il calcolo del mcd. Equazioni diofantee di primo grado. Congruenze. Il Teorema Cinese del Resto. 1 0. Numeri
DettagliLA MATEMATICA DELLE RELAZIONI SOCIALI
LA MATEMATICA DELLE RELAZIONI SOCIALI ALESSIO TORTI SILVIA LAZZARI FRANCESCA GERACE FLAVIA VICICONTE ABSTRACT. Nell articolo si analizzano, utilizzando la teoria dei grafi, le diverse configurazioni che
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
Dettagli4.1 Localizzazione e pianificazione delle base station per le reti UMTS
esercitazione Ottimizzazione Prof E Amaldi Localizzazione e pianificazione delle base station per le reti UMTS Consideriamo il problema di localizzare un insieme di stazioni radio base, base station (BS),
DettagliGRAFI. Cosa sono Grafi non orientati Grafi orientati Grafi pesati Alberi Automi!
G R A F I 1 GRAFI Cosa sono Grafi non orientati Grafi orientati Grafi pesati Alberi Automi! 2 cip: cip: Pallogrammi Pallogrammi GRAFI: cosa sono I grafi sono una struttura matematica fondamentale: servono
DettagliSpazi affini e combinazioni affini.
Spazi affini e combinazioni affini. Morfismi affini. Giorgio Ottaviani Abstract Introduciamo il concetto di combinazione affine in uno spazio affine, e in base a questo, ne caratterizziamo i sottospazi.
DettagliLuca Costabile Esercizi di Logica Matematica Dispensa Calcolo Proposizionale 1
Luca Costabile Esercizi di Logica Matematica Dispensa Calcolo Proposizionale 1 Esercizio 1.12 Per dimostrare che per ogni funzione esiste una formula in cui compaiono le variabili tale che la corrispondente
Dettagli1 Funzioni reali di una variabile reale
1 Funzioni reali di una variabile reale Qualche definizione e qualche esempio che risulteranno utili più avanti Durante tutto questo corso studieremo funzioni reali di una variabile reale, cioè Si ha f
DettagliGiovanna Carnovale. October 18, Divisibilità e massimo comun divisore
MCD in N e Polinomi Giovanna Carnovale October 18, 2011 1 Divisibilità e massimo comun divisore 1.1 Divisibilità in N In questa sezione introdurremo il concetto di divisibilità e di massimo comun divisore
DettagliProgetto Matematica in Rete - Insiemi - Insiemi
Insiemi Il concetto di insieme è molto importante in matematica. Cominciamo con lo stabilire cos è un insieme in senso matematico: un raggruppamento di oggetti è un insieme se si può stabilire in modo
DettagliMATRICI E SISTEMI LINEARI
1 Rappresentazione di dati strutturati MATRICI E SISTEMI LINEARI Gli elementi di una matrice, detti coefficienti, possono essere qualsiasi e non devono necessariamente essere omogenei tra loro; di solito
DettagliSerie numeriche e serie di potenze
Serie numeriche e serie di potenze Sommare un numero finito di numeri reali è senza dubbio un operazione che non può riservare molte sorprese Cosa succede però se ne sommiamo un numero infinito? Prima
DettagliAlgoritmo basato su cancellazione di cicli
Algoritmo basato su cancellazione di cicli Dato un flusso ammissibile iniziale, si costruisce una sequenza di flussi ammissibili di costo decrescente. Ciascun flusso è ottenuto dal precedente flusso ammissibile
DettagliL aritmetica degli insiemi infiniti Parte I
L aritmetica degli insiemi infiniti Parte I Stefano Baratella Versione L A TEX realizzata in collaborazione con Tullio Garbari 1 Prerequisiti La relazione di equipotenza tra insiemi. Definizione 1. Si
DettagliLuigi Piroddi
Automazione industriale dispense del corso 9. Reti di Petri: analisi dinamica e metodi di riduzione Luigi Piroddi piroddi@elet.polimi.it Metodi di analisi di Reti di Petri Ci sono 2 modi per analizzare
Dettagli8. Completamento di uno spazio di misura.
8. Completamento di uno spazio di misura. 8.1. Spazi di misura. Spazi di misura completi. Definizione 8.1.1. (Spazio misurabile). Si chiama spazio misurabile ogni coppia ordinata (Ω, A), dove Ω è un insieme
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Cover inequalities
Metodi e Modelli per l Ottimizzazione Combinatoria Cover inequalities L. De Giovanni M. Di Summa In questa lezione introdurremo una classe di disuguaglianze, dette cover inequalities, che permettono di
DettagliParte III: Algoritmo di Branch-and-Bound
Parte III: Algoritmo di Branch-and-Bound Divide et Impera Sia z * max {c T x : x S} (1) un problema di ottimizzazione combinatoria difficile da risolvere. Domanda: E possibile decomporre il problema (1)
DettagliLOGICA MATEMATICA PER INFORMATICA
LOGICA MATEMATICA PER INFORMATICA A.A. 12/13, DISPENSA N. 6 Sommario. Il Teorema di Compattezza e alcune sue applicazioni: assiomatizzabilità e non-assiomatizzabilità di proprietà di strutture, e modelli
DettagliAlgoritmi Euristici. Corso di Laurea in Informatica e Corso di Laurea in Matematica. Roberto Cordone DI - Università degli Studi di Milano
Algoritmi Euristici Corso di Laurea in Informatica e Corso di Laurea in Matematica Roberto Cordone DI - Università degli Studi di Milano Lezioni: Martedì 14.30-16.30 in Aula Omega Venerdì 14.30-16.30 in
DettagliELEMENTI di TEORIA degli INSIEMI
ELEMENTI di TEORI degli INSIEMI & 1. Nozioni fondamentali. ssumeremo come primitivi il concetto di insieme e di elementi di un insieme. Nel seguito gli insiemi saranno indicati con lettere maiuscole (,,C,...)
Dettagli