Giochi ed equilibri di Nash. Marco Sciandrone Dipartimento di Ingegneria dell Informazione Università di Firenze
|
|
- Filippo Arnaldo Pisano
- 8 anni fa
- Visualizzazioni
Transcript
1 Giochi ed equilibri di Nash Marco Sciandrone Dipartimento di Ingegneria dell Informazione Università di Firenze 1
2 1 Notazione e definizione di equilibrio di Nash Si supponga di avere N giocatori (decisori): ogni giocatore controlla le variabili x ν R ν. Indichiamo con x il vettore composto da tutte le variabili di decisione x 1 x 2 x =. x N Il vettore x ha dimensione n = N n ν. Indichiamo con x ν il vettore formato dalle variabili ν=1 di tutti i giocatori con esclusione delle variabili del giocatore ν. Le possibili strategie di ogni giocatore ν appartengono a un insieme non vuoto X ν, ossia il vettore delle variabili x ν deve appartenere all insieme ammissibile X ν. Ogni giocatore ν ha una funzione di costo θ ν (x ν,x ν ) che dipende dalle variabili x ν controllate dal giocatore stesso, e dalla variabili x ν controllate da tutti gli altri giocatori. Un gioco è costituito: - da un insieme di N giocatori, - da un insieme {X ν } N di strategie, - da un insieme {θ ν } N di funzioni, dove ogni funzione θ ν : X 1 X 2... X N R. Ci sono varie classificazioni di giochi. Noi ci limiteremo a considerare: - giochi non cooperativi, ossia giochi in cui non si stabiliscono accordi tra giocatori; - giochi a informazione completa, ossia giochi in cui ogni giocatore conosce le regioni ammissibili e le funzioni di costo degli altri giocatori. Se tutti gli insiemi ammissibili X ν sono costituiti da un numero finito di punti diremo che il gioco è un gioco finito. Il problema che ci poniamo è quello di determinare quale strategia sceglierà ogni giocatore ν, ossia che vettore x ν. Si osservi che la funzione di costo di ogni giocatore dipende anche dalle variabili degli altri giocatori, per cui non è immediato stabilire il concetto di soluzione ottima per ogni giocatore (intuitivamente ogni giocatore tenderà a minimizzare il proprio costo, che però dipende anche dalle decisioni degli altri giocatori). Diremo che un vettore x X = X 1 X 2... X N è un equilibrio di Nash se risulta per ν = 1,...,N θ ν ( x ν, x ν ) θ ν (x ν, x ν ) x ν X ν. (1) In un equilibrio di Nash nessun giocatore può diminuire il proprio costo modificando unilateralmente la propria strategia. 2
3 2 Esempio di equlibrio di Nash in un problema di telecomunicazioni Si consideri una rete di comunicazione costituita da un insieme Ω = {1,...,V} di nodi e da un insieme L = {1,...,L} di archi. Supponiamo che ci siano N utenti (giocatori): ogni utente ν è associato in modo univoco a una connessione tra un nodo sorgente s ν e un nodo destinazione d ν attraverso un cammino L ν predeterminato. Il flusso di informazione che transita attraverso il cammino L ν è indicato con x ν. Appare naturale imporre un vincolo su x µ del tipo 0 x ν x ν max, dove x ν max è un limite superiore imposto da vincoli fisici oppure da regolamentazione. Ad ogni utente ν è associata una funzione di costo del tipo θ ν (x) = l:l L ν P l (x) U ν (x ν ). Si osservi che la funzione obiettivo dell utente ν è data dalla differenza tra una funzione di costo (la somma dei costi relativi agli archi del cammino L ν ) e una funzione guadagno U ν associata al flusso x ν inviato dall utente. Quindi il problema diventa quello di determinare un vettore x equilibrio di Nash secondo la defizione data nel paragrafo precedente. In particolare, l insieme ammissibile di ogni giocatore ν è X ν = {x ν R : 0 x ν x ν max}. 3 Esistenza dell equilibrio di Nash Si consideri un gioco finito con due giocatori, ognuno dei quali ha a disposizione due possibili strategie. I costi dei due giocatori sono riportati nelle tabelle seguenti (la tabella di sinistra si riferisce al giocatore riga, quella di destra al giocatore colonna) Secondo la notazione adottata abbiamo quindi θ 1 (1,1) = 1 θ 1 (1,2) = 0 θ 1 (2,1) = 0 θ 1 (2,2) = 1 θ 2 (1,1) = 1 θ 2 (2,1) = 0 θ 2 (1,2) = 0 θ 1 (2,2) = 1. Si può verificare che non esiste un equilibrio di Nash. Infatti, per ogni coppia di strategie dei due giocatori, uno dei due otterrebbe un costo inferiore modificando la propria strategia. Ad esempio, se entrambi i giocatori giocano la strategia 1, il primo giocatore (giocatore riga) ha un costo pari a -1 e non ha interesse a cambiare strategia perché avrebbe un costo maggiore pari a 0. Viceversa, il giocatore 2 (giocatore colonna) ha un costo pari a 1 e ha interesse a passare alla strategia 2 con la quale avrebbe un costo inferiore pari a 0. In formule θ 1 (1,1) = 1 < θ 1 (2,1) = 0, θ 2 (1,1) = 1 > θ 2 (1,2) = 0. Stabiliremo ora delle condizioni sull esistenza di un equilibrio di Nash: 3
4 - in un caso particolare di giochi finiti (due giocatori antagonisti); - nel caso di giochi infiniti. Enunceremo una condizione necessaria e sufficiente di esistenza di un equilibrio di Nash nel caso particolare di giochi finiti con due giocatori antagonisti. Diremo che un gioco è a somma costante se per ogni x X risulta N θ ν (x) = costante. ν=1 Se la costante è pari a zero il gioco si dice a somma zero. In un gioco a somma zero con due giocatori, i due giocatori sono detti antagonisti. Si consideri un gioco finito a somma zero con due giocatori. Abbiamo θ(x,y) = θ 1 (x,y) = θ 2 (x,y). Si vede facilmente che un punto ( x,ȳ) è un equilibrio di Nash se e solo se θ( x,y) θ( x,ȳ) θ(x,ȳ) x X,y Y. (2) Osservazione. Se X è un insieme finito, comunque si scelga y Y, l operazione min x X θ(x,y) è ben definita. Il simbolo min va inteso come abbreviazione della parola minimizzare, ossia l intenzione di determinare un punto di minimo. Il simbolo min va inteso come il valore della funzione obiettivo all ottimo. Per ogni x X e y Y abbiamo Possiamo quindi scrivere F(x) = maxθ(x,y) θ(x,y), y Y G(y) = minθ(x,y) θ(x,y). x X maxg(y) min F(x), y Y x X da cui otteniamo, utilizzando le definizioni di F(x) e G(y), max min y Y x X θ(x,y) min max x X y Y θ(x,y). (3) Proposizione 1. Si consideri un gioco finito a somma zero con due giocatori. Allora esiste un equilibrio di Nash se e solo se max min y Y x X θ(x,y) = min max x X y Y θ(x,y). (4) 4
5 Proof. Sia ( x,ȳ) un equilibrio di Nash. Vale quindi la (2). Posto F(x) = max y Y θ(x,y) G(y) = min θ(x,y), x X possiamo scrivere minf(x) = min x x max x x y Y dove l ultima disuguaglianza segue dalla (2). Analogamente risulta max y Y G(y) = max min y Y x X θ(x,y) F( x) = maxθ( x,y) θ( x,ȳ), y Y θ(x,y) G(ȳ) = minθ(x,ȳ) θ( x,ȳ), x X dove l ultima disuguaglianza segue nuovamente dalla (2). Possiamo quindi scrivere min max x X y Y θ(x,y) max min x X y Y D altra parte, come precedentemente dimostrato (si veda la (3)), risulta max min y Y x X θ(x,y) min max x X y Y per cui, tenendo conto della (5), concludiamo che vale la (4). Siano x X e ȳ Y tali che θ(x,y). (5) θ(x,y), (6) min max x X y Y θ(x,y) = max y Y θ( x,y) maxmin y Y x X θ(x,y) = min x X θ(x,ȳ) Ovviamente risulta θ( x,ȳ) maxθ( x,y) = min maxθ(x,y) y Y x X y Y θ( x,ȳ) min x X θ(x,ȳ) = max y Y min x X θ(x,y). Utilizzando le due precedenti relazioni, tenendo conto della (4), possiamo scrivere da cui segue θ( x,ȳ) = maxθ( x,y) = min θ(x,ȳ), y Y x X θ( x,ȳ) = minθ(x,ȳ) θ(x,ȳ) x X, x X θ( x,ȳ) = maxθ( x,y) θ( x,y) y y Y Il punto ( x,ȳ) soddisfa la (2) ed è quindi un equilibrio di Nash. Y Nell esempio precedente avevamo, per il giocatore 1 (giocatore riga) max y=1,2 θ(1,y) = max{ 1,0} = 0 max y=1,2 θ(2,y) = max{0, 1} = 0, 5
6 per il giocatore 2 (giocatore colonna) min x=1,2 θ(x,1) = min{ 1,0} = 1 min x=1,2 θ(x,2) = min{0, 1} = 1., Quindi abbiamo min max θ(x,y) = 0 max min θ(x,y) = 1, x=1,2y=1,2 y=1,2x=1,2 per cui (come già verificato) in base alla Proposizione 1 non può esistere un equilibrio di Nash. Enunciamo ora delle condizioni sufficienti per l esistenza di un equilibrio di Nash nel caso di giochi infiniti. Proposizione 2. Supponiamo che gli insiemi ammissibili X ν per ν = 1,...,N siano insiemi convessi e compatti. Supponiamo inoltre che almeno una delle due seguenti condizioni sia soddisfatta: (i) per ν = 1,...,N le funzioni θ ν sono continue in x e per ogni fissato x ν X ν la funzione θ ν (x ν,x ν ) è quasi-convessa in x ν. (i) per ν = 1,...,N le funzioni θ ν sono continue in x e per ogni fissato x ν X ν il problema ha un unica soluzione (globale) min θ(x ν,x ν ) x ν X ν Ricordiamo che una funzione f : S R, dove S R n è un insieme convesso, è una funzione quasi-convessa se, comunque si fissino x,y S, si ha f((1 λ)x+λy) max{f(x),f(y)}. Un esempio di funzione quasi-convessa è riportato nella figura. 4 Calcolo di soluzioni di equilibrio di Nash Equivalenza con disequazioni variazionali Sotto opportune ipotesi il problema di determinare un equilibrio di Nash può essere ricondotto a quello di determinare una soluzione di una disequazione variazionale (si veda l appendice per alcuni richiami sulle disequazioni varizaionali). Ricordiamo che dati una funzione continua F : R n R n e un insieme non vuoto, chiuso e convesso X R n, determinare una soluzione della disequazione variazionale VI(X,F) significa determinare un vettore x X tale che F(x ) T (x x ) 0 x X. Si osservi che una condizione sufficiente di esistenza di una soluzione di una VI(F,X) è che X sia un insieme convesso e compatto e F sia una funzione continua. Abbiamo il seguente risultato di equivalenza tra equilibrio di Nash e soluzione di una disequazione variazionale. 6
7 Figure 1: Funzione quasi-convessa. Proposizione 3. Si supponga che per ogni giocatore ν e per ogni x ν, la funzione θ(.,x ν ) sia convessa e l insieme X ν sia chiuso e convesso. Si assuma inoltre che le funzioni θ ν siano continuamente differenziabili. Allora un punto x è un equilibrio di Nash se e solo se è soluzione di VI(X,F), dove N X = X ν F(x) = ( x νθ ν (x)) N ν=1. ν=1 Dim. Sia x X un equilibrio di Nash: per ν = 1,...,N risulta Dalle condizioni di ottimalità segue da cui si ottiene F( x) T (x x) = θ ν ( x ν, x ν ) θ ν (x ν, x ν ) x ν X ν. (7) x νθ ν ( x) T (x ν x ν ) 0 x ν X ν, N x νθ ν ( x) T (x ν x ν ) 0 x X, ν=1 ossia che x è soluzione di VI(X,F). Viceversa, supponiamo che x sia soluzione della disequazione variazionale V I(X, F). Ragioniamo per assurdo e assumiamo che x non sia un equilibrio di Nash. Allora esistono un indice ν e un punto ˆx ν X ν tali che θ ν (ˆx ν, x ν ) < θ ν ( x ν, x ν ). Dalle ipotesi di convessità di X ν e della funzione θ ν (x ν, x ν ) segue θ ν (ˆx ν, x ν ) θ ν ( x ν, x ν )+ x νθ ν ( x) T (ˆx ν x ν ), 7
8 per cui neecssariamente abbiamo x νθ ν ( x) T (ˆx ν x ν ) < 0. Si costruisca un punto y le cui componenti sono definite come segue { y h x h se h ν = ˆx h se h = ν Allora otteniamo F( x) T (y x) = x νθ ν ( x) T (ˆx ν x ν ) < 0, il che implica che x non è soluzione di VI(X,F). Nelle ipotesi della proposizione precedente, per calcolare un equilibrio di Nash si risolve la corrispondente disequazione variazionale mediante, ad esempio, metodi di proiezione. Algoritmi di decomposizione di tipo best-response Il comportamento naturale dei giocatori è descritto dal seguente algoritmo di tipo Gauss-Seidel. In questo schema, come naturale, ogni giocatore determina la propria strategia, fissate le strategie degli altri giocatori, risolvendo il corrispondente problema di ottimizzazione (best-response). Tuttavia, la convergenza di un algoritmo di questo tipo non può essere garantita in generale (anzi, è possibile mostrare esempi in cui l algoritmo non converge). Algorithm 1: Gauss-Seidel best-response algorithm (S.0) : Choose a feasible starting point x 0 = ( x 1 ) 0,...,xN 0, and set k := 0 (S.1) : If x k satisfies a suitable termination criterion: STOP. (S.2) : for ν = 1,...,N, compute a solution x ν k+1 of min x ν ( θ ν x 1 k+1,...,x ν 1 k+1,xν,x ν+1 k,...,x N ) k s.t. x ν X ν. (8) end (S.3) : Set x k+1 := ( x 1 k+1,...,xn k+1),k k +1, and go to (S.1). Nel paragrafo successivo analizzeremo una classe più generale di problemi di equilibrio di Nash e riporteremo alcuni risultati di convergenza per algoritmi di tipo Gauss-Seidel (best response). 5 Problemi di equilibrio di Nash generalizzato Nei problemi di equilibrio di Nash generalizzato l insieme ammissibile di ogni giocatore ν dipende dalle variabili x ν degli altri giocatori. Diremo che un vettore x è un equilibrio di Nash generalizzato se risulta per ν = 1,...,N x ν X ν ( x ν ) θ ν ( x ν, x ν ) θ ν (x ν, x ν ) x ν X ν ( x ν ). (9) 8
9 Si consideri nuovamente l esempio del paragrafo 2. Avevamo un grafo con L archi, N utenti, e per ogni utente ν un cammino L ν ad esso associato. Si assuma ora che ad ogni arco l sia associata una capacità massima c l, Sia A la matrice L N in cui A l,ν = 1 se l L ν e 0 altrimenti. I vincoli di capacità possono essere quindi espressi nella forma Ax c, dove c = (c 1,...,c l,...,c L ) T. Si osservi che i vari utenti interferiscono ora, non solo a livello di funzione obiettivo, ma anche di insieme ammissibile. In particolare, per ogni giocatore µ abbiamo un insieme ammissibile del tipo X ν (x ν ) = {x ν R : 0 x ν x ν max, A(x ν,x ν ) c}. In questo caso, ossia quando l insieme ammissibile di un giocatore dipende dalle variabili degli altri giocatori, si parla di equilibrio di Nash generalizzato. Esempio. Analizziamo un problema di equilibrio di Nash gerneralizzato che ammette infinite soluzioni. Si consideri il seguente gioco, con due giocatori i quali controllano rispettivamente la variabile x e la variabile y: min x (x 1) 2 x+y 1 min y (y 1/2) 2 x+y 1 Gli insiemi delle soluzioni ottime dei due problemi sono 1, se y 0 1/2, se x 1/2 S 1 (y) = S 2 (x) = 1 y se y 0 1 x se x 1/2 Analizziamo gli equilibri di Nash. Si può verificare che le soluzioni di questo problema sono del tipo [α,1 α] con α [1/2,1]. A questo fine osserviamo preliminarmente che un punto ( x,ȳ) è un equilibrio di Nash se e solo se (10) x S 1 (ȳ), ȳ S 2 ( x). Preso x = α [1/2,1], abbiamo 0 1 x = y = S 2 (x), da cui segue, essendo y 0, S 1 (y) = 1 y = x. Viceversa, preso un x < 1/2, abbiamo 1/2 = S 2 (x), da cui segue, prendendo y = 1/2, S 1 (y) = 1 1/2 > x, e quindi non è un equilibrio di Nash. Analogamente, se x > 1, abbiamo S 2 (x) = 1 x, 9
10 da cui segue, prendendo y = 1 x ed essendo y 0, S 1 (y) = 1 < x. Questo problema ha quindi infinite soluzioni a cui corrispondono valori differenti delle funzioni obiettivo di entrambi i giocatori. Il problema di tipo jointly convex. Un caso particolare di problema di equilibrio di Nash generalizzato è quello denominato jointly convex. In un problema di questo tipo: - per ogni giocatore ν e per ogni x ν, la funzione θ(.,x ν ) è convessa; - nel caso di insiemi ammissibili definiti mediante un sistema di disequazioni, si ha X = {x R n : g(x) 0}, (11) in cui g : R n R m, e le funzioni g i sono convesse rispetto a tutte le variabili x. Proposizione 4. Si consideri un problema di equilibrio di Nash generalizzato di tipo jointly convex. Si assuma che le funzioni θ ν siano continuamente differenziabili. Allora ogni soluzione di VI(X,F), dove F(x) = ( x νθ ν (x)) N ν=1, e X è definito nella (11), è soluzione di equilibrio di Nash generalizzato. Si osservi che la proposizione non stabilisce una corrispondenza biunivoca tra soluzioni di equilibrio e soluzioni della disequazione variazionale. Nel passaggio dal problema di equilibrio alla disequazione variazionale molte soluzioni vengono perse. Per comprendere questo fenomeno consideriamo l esempio (10) visto in precedenza che, come evidenziato, ha infinite soluzioni di equilibrio. Il problema è chiaramente di tipo jointly convex. La corrispondente disequazione variazionale è definita come segue 2x 2 F = X = {(x,y) R 2 : x+y 1}. 2y 1 Si verifica facilmente che il punto ( x ȳ) T = (3/4 1/4) è soluzione della disequazione variazionale. La F è strettamente monotona (essendo la matrice Jacobiana definita positiva), per cui la soluzione della disequazione variazionale è unica. 6 Giochi potenziali generalizzati Come visto in precedenza, in un problema di equilibrio di Nash generalizzato (GNEP) l obiettivo è quello di determinare, per ogni giocatore ν, con ν = 1,...,N, un vettore x ν tale che x ν X ν (x ν ) θ ν ( x ν, x ν ) θ ν (x ν, x ν ) x ν X ν (x ν ). (12) 10
11 Il comportamento naturale dei giocatori è descritto dall algoritmo di tipo Gauss-Seidel (bestresponse) presentato nel paragrafo 4. In questo schema, come naturale, ogni giocatore determina la propria strategia, fissate le strategie degli altri giocatori, risolvendo il corrispondente problema di ottimizzazione. Tuttavia, la convergenza di un algoritmo di questo tipo non può essere garantita in generale (anzi, è possibile mostrare esempi in cui l algoritmo non converge). Analizzeremo una classe di problemi di equilibrio per i quali è possibile garantire la convergenza di algoritmi di decomposizione di tipo Gauss-Seidel. Per quanto riguarda gli insiemi ammissibili assumiamo X ν (x ν ) {x ν D ν : g(x ν,x ν ) 0}, (13) dove g : R n R m è una funzione continua. Diremo che un GNEP è un gioco potenziale generalizzato se esiste una funzione continua P(x) : R n R tale che per ogni ν, per ogni x ν (tale che X ν (x ν ) è non vuoto), e per ogni y ν,z ν X ν (x ν ) θ ν (y ν,x ν ) θ ν (z ν,x ν ) > 0 implica P(y ν,x ν ) P(z ν,x ν ) c(θ ν (y ν,x ν ) θ ν (z ν,x ν )), (14) dove c è una costante maggiore di zero. La precedente condizione stabilisce l esistenza di una singola funzione P in grado di riflettere le variazioni delle funzioni obiettivo di tutti i giocatori. Si può dimostrare che una soluzione globale del problema di minimizzazione minx P(x) t.c. x X, x ν D ν, ν = 1,...,N (15) fornisce un equilibrio di Nash. Quindi la classe dei giochi potenziali generalizzati stabilisce una connessione tra teoria dei giochi e ottimizzazione. Vediamo in quali casi si ottengono dei giochi potenziali generalizzati, ossia quei giochi per i quali è possibile definire una funzione potenziale P che goda della proprietà precedentemente enunciata. I casi di interesse sono i seguenti: (i) la funzione obiettivo di ogni giocatore non dipende dalle variabili degli altri giocatori, ossia θ ν (x) = θ ν (x ν ); in questo caso una funzione potenziale è la seguente P(x) = N θ ν (x ν ). (ii) le funzioni obiettivo dei vari giocatori hanno un termine comune, ossia ν=1 θ ν (x) = c(x)+d ν (x ν ); in questo caso una funzione potenziale è la seguente P(x) = c(x)+ N d ν (x ν ). Presenteremo ora due schemi di decomposizione relativi ai casi seguenti: ν=1 11
12 (I) N giocatori e ipotesi di convessità; (II) 2 giocatori senza ipotesi di convessità. Nel caso (I) assumiamo la seguente ipotesi. Le funzioni obiettivo θ ν (,x ν ) e gli insiemi ammissibili X ν (x ν ) sono convessi. Nel caso (I) lo schema di decomposizione è il seguente. Algorithm 2: Regularized Gauss-Seidel Convex Subproblems (S.0) : Choose any feasible starting point x 0 = ( x 1 ) 0,...,xN 0, a positive regularization parameter τ > 0 and set k := 0 (S.1) : If x k satisfies a suitable termination criterion: STOP. Otherwise set x k,1 = x k. (S.2) : for ν = 1,...,N, compute a solution x ν k+1 of min x ν s.t. ( θ ν x 1 k+1,...,x ν 1 k+1,xν,x ν+1 k,...,x N ) k +τ x ν x ν k 2 x ν ( X ν x 1 k+1,...,x ν 1 k+1,xν+1 k,...,x N ) (16) k. Set x k,ν+1 = (x 1 k+1,...,xν k+1,xν+1 k,...,x N k ) end (S.3) : Set x k+1 := ( x 1 k+1,...,xn k+1),k k +1, and go to (S.1). Nel caso (II), ossia quello di due giocatori, lo schema di decomposizione è quello classico di Gauss-Seidel senza termine di regolarizzazione. Algorithm 3: Gauss-Seidel Two Players (S.0) : Choose a feasible starting point x 0 R n 1,y 0 R n 2 and set k := 0 (S.1) : If (x k,y k ) satisfies a suitable termination criterion: STOP (S.2) : Let x k+1 be a (global) solution of minθ 1 (x,y k ) x X(y k ). (17) (S.3) : Let y k+1 be a (global) solution of minθ 2 (x k+1,y) y Y(x k+1 ). (18) (S.4) : Set k k +1, and go to (S.1). Per entrambi gli schemi si possono dimostrare proprietà di convergenza globale. 12
13 7 Appendice: richiami sulle disequazioni variazionali Siano dati un insieme X R n non vuoto, chiuso e convesso, e una funzione continua F : R n R n. Una disequazione variazionale, indicata con VI(X,F), è il problema di determinare un vettore x X tale che F(x ) T (x x ) 0 x X. Si consideri un problema di ottimizzazione del tipo minf(x) x S, (19) in cui f : R n R è una funzione continuamente differenziabile e S è un insieme convesso. Sappiamo che un punto x di minimo locale soddisfa le condizioni di ottimalità f(x ) T (x x ) 0 x S, ossia x è soluzione della disequazione variazionale VI(S, f). Quindi determinare un punto critico per il problema (19) equivale a risolvere una VI. Viceversa, data una disequazione variazionale V I(X, F), non è sempre possibile associare ad essa un problema di ottimizzazione equivalente. Questa associazione è possibile se e solo se F è il gradiente di qualche funzione. Da un risultato di analisi, sotto opportune ipotesi di differenziabilità su insiemi aperti e convessi, si ha che F è il gradiente di una funzione f se e solo se la matrice Jacobiana di F è simmetrica. In tal caso, la funzione f, a meno di una costante, assume la forma f(x) = 1 0 F(x 0 +t(x x 0 )) T (x x 0 )dt, dove x 0 è un punto arbitrario nell insieme considerato. Esistenza della soluzione di una disequazione variazionale. Una condizione sufficiente di esistenza di una VI(X,F) è quella che richiede che l insieme X sia compatto e convesso, e la funzione F sia continua. Per avere risultati di convergenza che prescindano dalla compattezza dell insieme X, occorre introdurre i concetti di monotonia, stretta monotonia, forte monotonia di una funzione vettoriale. Sia F : X R n R n. Diremo che la funzione F è monotona se comunque presi due vettori x 1,x 2 X risulta (F(x 1 ) F(x 2 )) T (x 1 x 2 ) 0. DiremochelafunzioneF èstrettamente monotonasecomunquepresiduevettoridistintix 1,x 2 X risulta (F(x 1 ) F(x 2 )) T (x 1 x 2 ) > 0. Diremo che F è strettamente monotona se esiste una costante α > 0 tale che (F(x 1 ) F(x 2 )) T (x 1 x 2 ) α x 1 x 2 2. Si osservi che la forte implica la stretta che implica la monotonia. La F è monotona se e solo se la matrice Jacobiana è semidefinita positiva in tutti i punti di X. 13
14 SelamatriceJacobianaèdefinitapositivaintuttiipuntidiX alloraf èstrettamentemonotona. Se la matrice Jacobiana è uniformemente definita positiva in tutti i punti di X allora F è fortemente monotona. Se F è strettamente monotona la VI(X,F) ha al più una soluzione. Se F è fortemente monotona la soluzione di VI(X,F) esiste ed è unica. Metodi di soluzione L algoritmo di base è quello di proiezione. Data una costante τ > 0, all iterazione k si pone x k+1 = P[x k τf(x k )], dove P è l operatore di proiezione su X. Se esistono costanti α e L maggiori di zero tali che e se la costante τ è tale che allora il metodo converge. (F(x) F(y)) T (x y) α x y 2, F(y) F(x) L, y x τ < 2α L 2, Esiste un altro metodo, detto metodo di proiezione sull iperpiano, che converge sotto ipotesi molto meno restrittive. La strategia del metodo è la seguente: - viene generato il punto y k = P[x k τf(x k )]; - viene determinato un punto z k con una ricerca di linea, a partire da x k lungo la direzione d k = y k x k ; - si calcola il punto w k compe proiezione del punto x k lungo l iperpiano passante per z k e ortogonale a F(z k ); - il punto x k+1 è ottenuto proiettando w k su X. Si osservi che il punto w k si ottiene risolvendo il problema seguente: Scrivendo la funzione Lagrangiana abbiamo min 1 2 xk w 2 F(z k ) T (w z k ) = 0. L(w,λ) = 1 2 xk w 2 +λf(z k ) T (w z k ). Dall annullamento del gradiente della Lagrangiana (condizioni KKT) segue w = x k λ F(z k ) da cui si ottiene λ = F(zk ) T (x k z k ) F(z k ) 2. Possiamo quindi concludere che risulta w k = w = x k F(zk ) T (x k z k ) F(z k ) 2 F(z k ). 14
Massimi e minimi vincolati
Massimi e minimi vincolati In problemi di massimo e minimo vincolato viene richiesto di ricercare massimi e minimi di una funzione non definita su tutto R n, ma su un suo sottoinsieme proprio. Esempio:
DettagliCapitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano
Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S
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. Nel deposito i è immagazzinata la quantità a i di prodotto. Nel
DettagliSUCCESSIONI NUMERICHE
SUCCESSIONI NUMERICHE Una funzione reale di una variabile reale f di dominio A è una legge che ad ogni x A associa un numero reale che denotiamo con f(x). Se A = N, la f è detta successione di numeri reali.
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
DettagliCAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI
CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI Abbiamo studiato successioni e serie numeriche, ora vogliamo studiare successioni e serie di funzioni. Dato un insieme A R, chiamiamo successione di funzioni
Dettagliu 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k
Capitolo 4 Serie numeriche 4. Serie convergenti, divergenti, indeterminate Data una successione di numeri reali si chiama serie ad essa relativa il simbolo u +... + u +... u, u 2,..., u,..., (4.) oppure
Dettaglib i 1,1,1 1,1,1 0,1,2 0,3,4
V o Appello // RICERCA OPERATIVA - Corso A (a.a. 9/) Nome Cognome: Corso di Laurea: L C6 LS LM Matricola: ) Si consideri il problema di flusso di costo minimo in figura. Si verifichi se il flusso ammissibile
DettagliSono casi particolari di MCF : SPT (cammini minimi) non vi sono vincoli di capacità superiore (solo x ij > 0) (i, j) A : c ij, costo di percorrenza
Il problema di flusso di costo minimo (MCF) Dati : grafo orientato G = ( N, A ) i N, deficit del nodo i : b i (i, j) A u ij, capacità superiore (max quantità di flusso che può transitare) c ij, costo di
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
Dettagli1 Serie di Taylor di una funzione
Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita
DettagliSVM. Veronica Piccialli. Roma 11 gennaio 2010. Università degli Studi di Roma Tor Vergata 1 / 14
SVM Veronica Piccialli Roma 11 gennaio 2010 Università degli Studi di Roma Tor Vergata 1 / 14 SVM Le Support Vector Machines (SVM) sono una classe di macchine di che derivano da concetti riguardanti la
DettagliSIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno
SIMULAZIONE ESAME di OTTIMIZZAZIONE 28 novembre 2005 SIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno Cognome : XXXXXXXXXXXXXXXXX Nome : XXXXXXXXXXXXXX VALUTAZIONE
DettagliFUNZIONI ELEMENTARI - ESERCIZI SVOLTI
FUNZIONI ELEMENTARI - ESERCIZI SVOLTI 1) Determinare il dominio delle seguenti funzioni di variabile reale: (a) f(x) = x 4 (c) f(x) = 4 x x + (b) f(x) = log( x + x) (d) f(x) = 1 4 x 5 x + 6 ) Data la funzione
DettagliOttimizazione vincolata
Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l
DettagliEQUAZIONI DIFFERENZIALI. 1. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x 2 log t (d) x = e t x log x (e) y = y2 5y+6
EQUAZIONI DIFFERENZIALI.. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x log t (d) x = e t x log x (e) y = y 5y+6 (f) y = ty +t t +y (g) y = y (h) xy = y (i) y y y = 0 (j) x = x (k)
DettagliEquilibrio bayesiano perfetto. Giochi di segnalazione
Equilibrio bayesiano perfetto. Giochi di segnalazione Appunti a cura di Stefano Moretti, Silvia VILLA e Fioravante PATRONE versione del 26 maggio 2006 Indice 1 Equilibrio bayesiano perfetto 2 2 Giochi
DettagliDimensionamento dei lotti di produzione: il caso con variabilità nota
Dimensionamento dei lotti di produzione: il caso con variabilità nota A. Agnetis In questi appunti studieremo alcuni modelli per il problema del lot sizing, vale a dire il problema di programmare la dimensione
Dettagli15 febbraio 2010 - Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a. 2009-2010 COGNOME... NOME... N. MATRICOLA...
15 febbraio 010 - Soluzione esame di geometria - 1 crediti Ingegneria gestionale - a.a. 009-010 COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura
DettagliOttimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni
Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni CARLO MANNINO Università di Roma La Sapienza Dipartimento di Informatica e Sistemistica
Dettagli1. PRIME PROPRIETÀ 2
RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,
DettagliA i è un aperto in E. i=1
Proposizione 1. A è aperto se e solo se A c è chiuso. Dimostrazione. = : se x o A c, allora x o A = A o e quindi esiste r > 0 tale che B(x o, r) A; allora x o non può essere di accumulazione per A c. Dunque
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
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
DettagliProof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme
G Pareschi Principio di induzione Il Principio di Induzione (che dovreste anche avere incontrato nel Corso di Analisi I) consente di dimostrare Proposizioni il cui enunciato è in funzione di un numero
DettagliOttimizzazione Multi Obiettivo
Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali
DettagliLa Programmazione Lineare
4 La Programmazione Lineare 4.1 INTERPRETAZIONE GEOMETRICA DI UN PROBLEMA DI PROGRAMMAZIONE LINEARE Esercizio 4.1.1 Fornire una rappresentazione geometrica e risolvere graficamente i seguenti problemi
DettagliTeoria dei Giochi. Anna Torre
Teoria dei Giochi Anna Torre Almo Collegio Borromeo 26 marzo 2015 email: anna.torre@unipv.it sito web del corso:www-dimat.unipv.it/atorre/borromeo2015.html COOPERAZIONE Esempio: strategie correlate e problema
DettagliProva parziale di Geometria e Topologia I - 5 mag 2008 (U1-03, 13:30 16:30) 1/8. Cognome:... Nome:... Matricola:...
Prova parziale di Geometria e Topologia I - 5 mag 2008 (U1-03, 13:30 16:30) 1/8 Cognome:................ Nome:................ Matricola:................ (Dare una dimostrazione esauriente di tutte le
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dottssa MC De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Corso di Calcolo Numerico - Dottssa MC De Bonis
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
DettagliParte 3. Rango e teorema di Rouché-Capelli
Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo
Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo L. De Giovanni G. Zambelli 1 Problema del flusso a costo minimo Il problema del flusso a costo minimo é definito
DettagliRicerca Operativa Esercizi sul metodo del simplesso. Luigi De Giovanni, Laura Brentegani
Ricerca Operativa Esercizi sul metodo del simplesso Luigi De Giovanni, Laura Brentegani 1 1) Risolvere il seguente problema di programmazione lineare. ma + + 3 s.t. 2 + + 2 + 2 + 3 5 2 + 2 + 6,, 0 Soluzione.
Dettagli1. Sia dato un poliedro. Dire quali delle seguenti affermazioni sono corrette.
. Sia dato un poliedro. (a) Un vettore x R n è un vertice di P se soddisfa alla seguenti condizioni: x P e comunque presi due punti distinti x, x 2 P tali che x x e x x 2 si ha x = ( β)x + βx 2 con β [0,
DettagliRette e curve, piani e superfici
Rette e curve piani e superfici ) dicembre 2 Scopo di questo articolo è solo quello di proporre uno schema riepilogativo che metta in luce le caratteristiche essenziali delle equazioni di rette e curve
Dettagli1 Applicazioni Lineari tra Spazi Vettoriali
1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!
Dettagli4. Operazioni binarie, gruppi e campi.
1 4. Operazioni binarie, gruppi e campi. 4.1 Definizione. Diremo - operazione binaria ovunque definita in A B a valori in C ogni funzione f : A B C - operazione binaria ovunque definita in A a valori in
DettagliCRITERI DI CONVERGENZA PER LE SERIE. lim a n = 0. (1) s n+1 = s n + a n+1. (2) CRITERI PER LE SERIE A TERMINI NON NEGATIVI
Il criterio più semplice è il seguente. CRITERI DI CONVERGENZA PER LE SERIE Teorema(condizione necessaria per la convergenza). Sia a 0, a 1, a 2,... una successione di numeri reali. Se la serie a k è convergente,
DettagliSe x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2
NLP -OPT 1 CONDIZION DI OTTIMO [ Come ricavare le condizioni di ottimo. ] Si suppone x* sia punto di ottimo (minimo) per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J la condizione
DettagliVC-dimension: Esempio
VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio
DettagliEQUAZIONI DIFFERENZIALI Esercizi svolti. y = xy. y(2) = 1.
EQUAZIONI DIFFERENZIALI Esercizi svolti 1. Determinare la soluzione dell equazione differenziale (x 2 + 1)y + y 2 =. y + x tan y = 2. Risolvere il problema di Cauchy y() = 1 2 π. 3. Risolvere il problema
Dettagli2 FUNZIONI REALI DI VARIABILE REALE
2 FUNZIONI REALI DI VARIABILE REALE 2.1 CONCETTO DI FUNZIONE Definizione 2.1 Siano A e B due insiemi. Una funzione (o applicazione) f con dominio A a valori in B è una legge che associa ad ogni elemento
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
DettagliBasi di matematica per il corso di micro
Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione
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
Dettagli5. La teoria astratta della misura.
5. La teoria astratta della misura. 5.1. σ-algebre. 5.1.1. σ-algebre e loro proprietà. Sia Ω un insieme non vuoto. Indichiamo con P(Ω la famiglia di tutti i sottoinsiemi di Ω. Inoltre, per ogni insieme
DettagliAPPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI
APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................
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:
DettagliParte 6. Applicazioni lineari
Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R
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
DettagliSTRUTTURE ALGEBRICHE
STRUTTURE ALGEBRICHE Operazioni in un insieme Sia A un insieme non vuoto; una funzione f : A A A si dice operazione binaria (o semplicemente operazione), oppure legge di composizione interna. Per definizione
DettagliFUNZIONI CONVESSE. + e x 0
FUNZIONI CONVESSE Sia I un intervallo aperto di R (limitato o illimitato) e sia f(x) una funzione definita in I. Dato x 0 I, la retta r passante per il punto P 0 (x 0, f(x 0 )) di equazione y = f(x 0 )
DettagliLimiti e continuità delle funzioni reali a variabile reale
Limiti e continuità delle funzioni reali a variabile reale Roberto Boggiani Versione 4.0 9 dicembre 2003 1 Esempi che inducono al concetto di ite Per introdurre il concetto di ite consideriamo i seguenti
DettagliAnalisi Matematica 2 per Matematica Esempi di compiti, primo semestre 2011/2012
Analisi Matematica 2 per Matematica Esempi di compiti, primo semestre 211/212 Ricordare: una funzione lipschitziana tra spazi metrici manda insiemi limitati in insiemi limitati; se il dominio di una funzione
DettagliEsistenza di funzioni continue non differenziabili in alcun punto
UNIVERSITÀ DEGLI STUDI DI CAGLIARI FACOLTÀ DI SCIENZE MATEMATICHE, FISICHE E NATURALI CORSO DI LAUREA IN MATEMATICA Esistenza di funzioni continue non differenziabili in alcun punto Relatore Prof. Andrea
DettagliTeoria dei Giochi. Dr. Giuseppe Rose Università degli Studi della Calabria Corso di Laurea Magistrale in Economia Applicata a.a 2011/2012 Handout 2
Teoria dei Giochi Dr. Giuseppe Rose Università degli Studi della Calabria Corso di Laurea Magistrale in Economia Applicata a.a 2011/2012 Handout 2 1 Concetti risolutivi per i giochi in forma normale I
DettagliTSP con eliminazione di sottocicli
TSP con eliminazione di sottocicli Un commesso viaggiatore deve visitare 7 clienti in modo da minimizzare la distanza percorsa. Le distanze (in Km) tra ognuno dei clienti sono come segue: 7-8 9 7 9-8 79
DettagliRicerca Operativa A.A. 2007/2008. 10. Dualità in Programmazione Lineare
Ricerca Operativa A.A. 2007/2008 10. Dualità in Programmazione Lineare Luigi De Giovanni - Ricerca Operativa - 10. Dualità in Programmazione Lineare 10.1 Soluzione di un problema di PL: punti di vista
Dettagli11) convenzioni sulla rappresentazione grafica delle soluzioni
2 PARAGRAFI TRATTATI 1)La funzione esponenziale 2) grafici della funzione esponenziale 3) proprietá delle potenze 4) i logaritmi 5) grafici della funzione logaritmica 6) principali proprietá dei logaritmi
DettagliProgetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso
Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso Flusso di costo minimo È dato un grafo direzionato G = (N, A). Ad ogni arco (i, j) A è associato il costo c ij
DettagliLaboratorio Complementi di Ricerca Operativa DEI, Politecnico di Milano. Stima di parametri
Stima di parametri Il gestore di un sito turistico dove si pratica il bungee-jumping deve fornire alla sovrintendenza municipale un documento che riguarda la sicurezza del servizio fornito. Il documento
DettagliLa funzione è continua nel suo dominio perchè y = f(x) è composizione di funzioni continue. Il punto x = 0 è un punto isolato per D f.
FUNZIONI CONTINUE - ALCUNI ESERCIZI SVOLTI SIMONE ALGHISI 1. Continuità di una funzione Dati un insieme D R, una funzione f : D R e x 0 R, si è detto che f è continua in x 0 se sono soddisfatte le seguenti
DettagliInsiemi di livello e limiti in più variabili
Insiemi di livello e iti in più variabili Insiemi di livello Si consideri una funzione f : A R, con A R n. Un modo per poter studiare il comportamento di una funzione in più variabili potrebbe essere quello
Dettagli1 Estensione in strategia mista di un gioco
AVVERTENZA: Di seguito trovate alcuni appunti, poco ordinati e poco formali, che uso come traccia durante le lezioni. Non sono assolutamente da considerarsi sostitutivi del materiale didattico. Riferimenti:
DettagliLEZIONE 17. B : kn k m.
LEZIONE 17 17.1. Isomorfismi tra spazi vettoriali finitamente generati. Applichiamo quanto visto nella lezione precedente ad isomorfismi fra spazi vettoriali di dimensione finita. Proposizione 17.1.1.
DettagliEnergia potenziale elettrica e potenziale. In queste pagine R indicherà una regione in cui è presente un campo elettrostatico.
Energia potenziale elettrica e potenziale 0. Premessa In queste pagine R indicherà una regione in cui è presente un campo elettrostatico. 1. La forza elettrostatica è conservativa Una o più cariche ferme
Dettagli10. Insiemi non misurabili secondo Lebesgue.
10. Insiemi non misurabili secondo Lebesgue. Lo scopo principale di questo capitolo è quello di far vedere che esistono sottoinsiemi di R h che non sono misurabili secondo Lebesgue. La costruzione di insiemi
DettagliMATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010
elementi di teoria dei grafi anno acc. 2009/2010 Grafi semplici Un grafo semplice G è una coppia ordinata (V(G), L(G)), ove V(G) è un insieme finito e non vuoto di elementi detti vertici o nodi di G, mentre
Dettaglimin 4x 1 +x 2 +x 3 2x 1 +x 2 +2x 3 = 4 3x 1 +3x 2 +x 3 = 3 x 1 +x 2 3x 3 = 5 Innanzitutto scriviamo il problema in forma standard: x 1 x 2 +3x 3 = 5
IL METODO DEL SIMPLESSO 65 Esercizio 7.4.4 Risolvere utilizzando il metodo del simplesso il seguente problema di PL: min 4 + + + + = 4 + + = + = 5 Innanzitutto scriviamo il problema in forma standard:
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
DettagliAPPUNTI DI MATEMATICA ALGEBRA \ INSIEMISTICA \ TEORIA DEGLI INSIEMI (1)
ALGEBRA \ INSIEMISTICA \ TEORIA DEGLI INSIEMI (1) Un insieme è una collezione di oggetti. Il concetto di insieme è un concetto primitivo. Deve esistere un criterio chiaro, preciso, non ambiguo, inequivocabile,
Dettagli2. Leggi finanziarie di capitalizzazione
2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M
DettagliLEZIONE 7. Esercizio 7.1. Quale delle seguenti funzioni è decrescente in ( 3, 0) e ha derivata prima in 3 che vale 0? x 3 3 + x2. 2, x3 +2x +3.
7 LEZIONE 7 Esercizio 7.1. Quale delle seguenti funzioni è decrescente in ( 3, 0) e ha derivata prima in 3 che vale 0? x 3 3 + x2 2 6x, x3 +2x 2 6x, 3x + x2 2, x3 +2x +3. Le derivate sono rispettivamente,
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliIL CONCETTO DI FUNZIONE
IL CONCETTO DI FUNZIONE Il concetto di funzione è forse il concetto più importante per la matematica: infatti la matematica e' cercare le cause, le implicazioni, le conseguenze e l'utilità di una funzione
DettagliEsercizi di Macroeconomia per il corso di Economia Politica
Esercizi di Macroeconomia per il corso di Economia Politica (Gli esercizi sono suddivisi in base ai capitoli del testo di De Vincenti) CAPITOLO 3. IL MERCATO DEI BENI NEL MODELLO REDDITO-SPESA Esercizio.
DettagliAnno 3. Funzioni: dominio, codominio e campo di esistenza
Anno 3 Funzioni: dominio, codominio e campo di esistenza 1 Introduzione In questa lezione parleremo delle funzioni. Ne daremo una definizione e impareremo a studiarne il dominio in relazione alle diverse
DettagliMoto uniforme sul toro bidimensionale
4/3/06 Luigi Chierchia Moto uniforme sul toro bidimensionale 1. Il toro bidimensionale Denotiamo con R l insieme dei numeri reali e con Z l insieme dei numeri interi (con segno) {..., 2, 1, 0, 1, 2,...};
Dettagli2 Formulazione dello shortest path come problema di flusso
Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10 Lecture 20: 28 Maggio 2010 Cycle Monotonicity Docente: Vincenzo Auletta Note redatte da: Annibale Panichella Abstract In questa lezione
DettagliMassimi e minimi vincolati di funzioni in due variabili
Massimi e minimi vincolati di funzioni in due variabili I risultati principali della teoria dell ottimizzazione, il Teorema di Fermat in due variabili e il Test dell hessiana, si applicano esclusivamente
DettagliSulla monotonia delle funzioni reali di una variabile reale
Liceo G. B. Vico - Napoli Sulla monotonia delle funzioni reali di una variabile reale Prof. Giuseppe Caputo Premetto due teoremi come prerequisiti necessari per la comprensione di quanto verrà esposto
Dettagli1.1. Spazi metrici completi
SPAZI METRICI: COMPLETEZZA E COMPATTEZZA Note informali dalle lezioni 1.1. Spazi metrici completi La nozione di convergenza di successioni è centrale nello studio degli spazi metrici. In particolare è
DettagliTeoria in sintesi 10. Attività di sportello 1, 24 - Attività di sportello 2, 24 - Verifica conclusiva, 25. Teoria in sintesi 26
Indice L attività di recupero 6 Funzioni Teoria in sintesi 0 Obiettivo Ricerca del dominio e del codominio di funzioni note Obiettivo Ricerca del dominio di funzioni algebriche; scrittura del dominio Obiettivo
DettagliLE FIBRE DI UNA APPLICAZIONE LINEARE
LE FIBRE DI UNA APPLICAZIONE LINEARE Sia f:a B una funzione tra due insiemi. Se y appartiene all immagine di f si chiama fibra di f sopra y l insieme f -1 y) ossia l insieme di tutte le controimmagini
DettagliMetodi Computazionali
Metodi Computazionali Elisabetta Fersini fersini@disco.unimib.it A.A. 2009/2010 Catene di Markov Applicazioni: Fisica dinamica dei sistemi Web simulazione del comportamento utente Biologia evoluzione delle
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
DettagliOttimizzazione non Vincolata
Dipartimento di Informatica e Sitemistica Università di Roma Corso Dottorato Ingegneria dei Sistemi 15/02/2010, Roma Outline Ottimizzazione Non Vincolata Introduzione Ottimizzazione Non Vincolata Algoritmi
Dettagli3 GRAFICI DI FUNZIONI
3 GRAFICI DI FUNZIONI Particolari sottoinsiemi di R che noi studieremo sono i grafici di funzioni. Il grafico di una funzione f (se non è specificato il dominio di definizione) è dato da {(x, y) : x dom
DettagliL espressione torna invece sempre vera (quindi la soluzione originale) se cambiamo contemporaneamente il verso: 1 < 0.
EQUAZIONI E DISEQUAZIONI Le uguaglianze fra espressioni numeriche si chiamano equazioni. Cercare le soluzioni dell equazione vuol dire cercare quelle combinazioni delle lettere che vi compaiono che la
DettagliScelte in condizione di incertezza
Scelte in condizione di incertezza Tutti i problemi di decisione che abbiamo considerato finora erano caratterizzati dal fatto che ogni possibile scelta dei decisori portava a un esito certo. In questo
DettagliINTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.
INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati
DettagliESERCIZI DI ALGEBRA LINEARE E GEOMETRIA
ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai
DettagliCONTINUITÀ E DERIVABILITÀ Esercizi proposti. 1. Determinare lim M(sinx) (M(t) denota la mantissa di t)
CONTINUITÀ E DERIVABILITÀ Esercizi proposti 1. Determinare lim M(sin) (M(t) denota la mantissa di t) kπ/ al variare di k in Z. Ove tale limite non esista, discutere l esistenza dei limiti laterali. Identificare
DettagliSoluzione verifica del 16/12/2014
Soluzione verifica del 6/2/204. Determinare dominio e codominio della funzione y = f(x) il cui grafico è rappresentato nella figura seguente; successivamente valutare i seguenti iti: x x 2 + x x 2 x 2
DettagliEsercizi su lineare indipendenza e generatori
Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v
Dettagli2) Codici univocamente decifrabili e codici a prefisso.
Argomenti della Lezione ) Codici di sorgente 2) Codici univocamente decifrabili e codici a prefisso. 3) Disuguaglianza di Kraft 4) Primo Teorema di Shannon 5) Codifica di Huffman Codifica di sorgente Il
DettagliAlgoritmi e strutture dati. Codici di Huffman
Algoritmi e strutture dati Codici di Huffman Memorizzazione dei dati Quando un file viene memorizzato, esso va memorizzato in qualche formato binario Modo più semplice: memorizzare il codice ASCII per
DettagliFunzioni. Parte prima. Daniele Serra
Funzioni Parte prima Daniele Serra Nota: questi appunti non sostituiscono in alcun modo le lezioni del prof. Favilli, né alcun libro di testo. Sono piuttosto da intendersi a integrazione di entrambi. 1
Dettagli