Support Vector Machines
|
|
- Cecilia Palmieri
- 5 anni fa
- Visualizzazioni
Transcript
1 F94) Metodi statistici per l apprendimento Support Vector Machines Docente: Nicolò Cesa-Bianchi versione 28 maggio 208 La Support Vector Machine d ora in poi SVM) è un algoritmo di apprendimento per classificatori lineari che, fissato un training set linearmente separabile x, y ),..., x m, y m ) R d {, +}, genera il classificatore lineare corrispondente all unica soluzione w R d del seguente problema di ottimizzazione convessa con vincoli lineari w R d 2 w 2 s.t. y t w x t t =,..., m. ) Geometricamente, w rappresenta l iperpiano separatore a margine massimo, come dimostrato nel seguito. eorema. Per ogni x, y ),..., x m, y m ) R d {, +} linearmente separabile, il vettore u che realizza il margine massimo γ = max u : u = soddisfa u = γ w, dove w è soluzione di ). y t u x t t=,...,m Dimostrazione. Si noti che u è identificato dalla soluzione del seguente problema di ottimizzazione max γ>0 γ 2 s.t. u 2 = y t u x t γ t =,..., m. Infatti, u che massimizza γ è lo stesso u che massimizza γ 2 dato che la funzione fγ) = γ 2 è monotona crescente per γ > 0. Dividendo per γ > 0 entrambi i membri di ciascun vincolo y t u x t γ otteniamo il vincolo equivalente y t u )/ x t γ. Eseguendo il cambio di variabile w = u/γ, e notando che w 2 = /γ 2 a causa del vincolo u 2 =, otteniamo quindi il problema equivalente w 2 w R d s.t. γ 2 w 2 = y t w x t t =,..., m. Si noti ora che il vincolo γ 2 w 2 = è superfluo in quanto, per ogni w R d, posso trovare γ > 0 tale che il vincolo è soddisfatto. Quindi lo possiamo eliare. Scalando la funzione obiettivo per la costante 2 otteniamo w R d 2 w 2 s.t. y t w x t t =,..., m che conclude la dimostrazione
2 Abbiamo quindi mostrato l equivalente fra il problema di massimizzare il margine di u mantenendo la norma u costante ed il problema di imizzare la norma w mantenendo il margine di w costante. La seguente nozione ci aiuta a calcolare la forma della soluzione ottima w. Lemma 2 Condizione di ottimalità di Fritz John). Si consideri il problema w R d fw) s.t. g t w) 0 t =,..., m dove le funzioni f, g,..., g m sono differenziabili. Se w 0 è una soluzione ottima, allora esiste un vettore α R m tale che fw 0 ) + α t g t w 0 ) = 0 t I dove I = { t m : g t w 0 ) = 0}. Applicando la condizione di Fritz John alla funzione obiettivo SVM, con fw) = 2 w 2 e g t w) = y t w x t otteniamo che w α t y t x t = 0. t I Quindi la soluzione ha forma w = t I α t y t x t dove I denota l insieme di quegli esempi di training x t, y t ) tali che y t w ) x t =. Questi x t sono i cosiddetti vettori di supporto, ovvero quelle istanze di training sulle quali w ha margine esattamente pari a. Se levassimo dal training set tutti gli esempi tranne quelli di supporto la soluzione SVM non cambierebbe. Passiamo ora a considerare il caso di un training set non linearmente separabile. Come dobbiamo cambiare la funzione obiettivo SVM? Un modo di farlo è il seguente, w R d λ 2 w 2 + m t= s.t. y t w x t ξ t t =,..., m ξ t 0 t =,..., m. Le quantità ξ t vengono dette variabili di slack e misurano di quanto ciascun vincolo di margine è violato da una potenziale soluzione w. La media delle violazioni viene poi aggiunta alla funzione obiettivo. Un coefficiente di regolarizzazione λ > 0 è introdotto per bilanciare i due teri della funzione obiettivo. Consideriamo ora i vincoli che coinvolgono le ξ t, ovvero ξ t y t w x t e ξ t 0. Per imizzare ciascun ξ t, possiamo porre { yt w ξ t = x t se y t w x t < 0 altrimenti. 2 ξ t
3 Ovvero, se il vincolo y t w x t è soddisfatto da w, allora ξ t non serve e la poniamo a zero. Altrimenti, se il vincolo non è soddisfatto da w, allora scegliamo il imo valore di ξ t che lo soddisfa, cioè y t w x t. Riassumendo, ξ t = y t w x t, che corrisponde alla definizione + hinge loss. Ponendo h t w) = y t w x t, il problema di SVM nel caso non linearmente separabile può + allora essere riscritto come F w), dove w Rd F w) = m h t w) + λ 2 w 2. t= Dimostriamo ora che, anche nel caso di training set non linearmente separabili, la soluzione w appartiene al sottospazio delle combinazioni lineari di esempi del training set moltiplicati dalle loro etichette. eorema 3. Il imo di F è rappresentabile come combinazione lineare di y x,..., y m x m. Dimostrazione. Sia w il imo di F. Per assurdo, supponiamo che w = α t y t x t + u t= dove u R d è la componente di w ortogonale al sottospazio descritto da x,..., x m. Quindi, in particolare, y t u x t = 0 t =,..., m. 2) Ora sia v = w u. Primo, v 2 w 2 dato che abbiamo tolto a w una componente ortogonale a v, e quindi la sua lunghezza è diuita. Secondo, h t v) = y t v x t + = y t w u ) xt + = y t w ) x t + y t u x t + = h tw ) usando 2). Quindi F v) F w ), che contraddice l ottimalità di w. Di conseguenza, u = 0. Notiamo che, come nel caso linearmente separabile, anche in questo caso più generale w dipenderà da un sottoinsieme di vettori di supporto. Ovvero, α t 0 solo per alcuni t. A differenza del caso lineare, questi vettori di supporto non saranno soltanto i punti del training set a margine imo rispetto a w, ma tutti i punti corrispondenti a variabili slack ξ t > 0. Dato che w è deterato da un sottinsieme dei punti del training set, possiamo limitare il rischio statistico del classificatore lineare h x) = w ) x usando le tecniche dei Compression bounds. In particolare, erh ) ẽrh ) + m N + N + ) ln m + ln ) δ con probabilità almeno δ rispetto all estrazione del training set, dove N è il numero dei vettori di supporto di w e ẽrh ) è la frazione degli esempi che non sono supporti e che sono classificati scorrettamente da h. 3
4 Proseguiamo mostrando come imizzare F usando OGD. Prima di tutto osserviamo che F w) = m l t w) dove l t w) = h t w) + λ 2 w 2 è una funzione λ-fortemente convessa. Infatti, λ 2 w 2 è λ-fortemente convessa e h t è convessa, il che implica che la loro somma è λ-fortemente convessa. Possiamo quindi applicare l algoritmo OGD per funzioni fortemente convesse alle funzioni l,..., l m. Questa particolare istanza di OGD prende il nome di Pegasos e può essere descritta come segue. t= Parametri: numero di cicli, coefficiente λ di regolarizzazione Input: raining set x, y ),..., x m, y m ) R d {, +} Inizializza w = 0 Per t =,...,. Estrai uniformemente a caso un elemento x Zt, y Zt ) del training set 2. w t+ = w t η t l Zt w t ) Output: w = w + + w ). Procediamo quindi ad analizzare Pegasos. Sia x Z, y Z ),..., x Z, y Z ) la sequenza di esempi del training set che sono stati estratti nel passo dell algoritmo, e sia l Z,..., l Z la corrispondente sequenza di funzioni di perdita. Cioè, l Zt w) = h Zt w) + λ 2 w 2 dove h Zt w) = y Zt w x Zt +. Sia w la soluzione della funzione obiettivo SVM, ) w = arg h t w) + λ w R d m 2 w 2 t=. 3) Per ogni realizzazione s,..., s delle variabili casuali Z,..., Z, l analisi di OGD per funzioni fortemente convesse dà immediatamente il risultato l st w t ) t= t= l st w ) + G2 2λ ln + ) 4) dove G = max l s t w t ) è anch essa una variabile casuale. t=,..., Per mostrare come questo risultato possa essere usato per maggiorare F w) useremo il fatto seguente E l Zt w t ) Z,..., Z t = l s w t ) = F w t ). 5) m Ovvero, condizionato sulle prime t estrazioni le quali deterano w t ), il valore atteso di l Zt w t ) è pari a F w t ). L altro fatto che useremo è che per ogni coppia di variabili casuali X, Y s= 4
5 vale EX = E EX Y. Quindi possiamo scrivere E F w) ) = E F w t t= E F w t ) usando la dis. di Jensen, dato che F è convessa t= = E E l Zt w t ) Z,..., Z t usando 5) t= = E l Zt w t ) usando EX = E EX Y t= E l Zt w ) + E G 2 ) ln + usando 4) 2λ t= = E E l Zt w ) Z,..., Z t + E G 2 ) ln + usando EX = E EX Y 2λ t= = F w ) + E G 2 ln + ) usando 5). 2λ Abbiamo così ottenuto E F w) F w ) + E G 2 ) ln +. 6) 2λ Quindi, se E G 2 è limitato da una costante, la media w dei vettori generati da OGD converge in valore atteso rispetto all estrazione a caso dei esempi dal training set) a w con tasso ln. Con un po di fatica in più è possibile dimostrare ma non lo facciamo qui) che w converge a w non solo in valore atteso ma anche in probabilità. Ora maggioriamo il valore di G per ogni realizzazione s,..., s delle variabili casuali Z,..., Z. Abbiamo l st w t ) = y st x st I{h st w t ) > 0} + λ w t. Sia v t = y st x st I{h st w t ) > 0}. Dato che η t = /λt), notiamo che l aggiornamento di w t ha una forma particolarmente semplice, w t+ = w t η t l t w t ) = w t + η t v t η t λw t = t ) w t + λt v t. Sia X = max s=,...,m x s. Dato che l st w t ) v t +λ w t X +λ w t, dobbiamo calcolare un maggiorante di w t. Per far ciò, esaiamo la ricorrenza w t+ = ) w t + t λt v t. Come è facilmente dimostrabile per induzione, w t+ è esprimibile come una combinazione lineare di v s per s =,..., t ma con quali coefficienti? Fissiamo un s t e notiamo che quando v s è aggiunto a questa somma esso ha coefficiente /λs). Quando viene calcolato w t+, v s avrà coefficiente pari a λs t r=s+ ) = r λs 5 t r=s+ r r = λt.
6 Quindi otteniamo una semplice espressione per w t+, w t+ = λt t v s. 7) Dato che w t+ è una media dei v s divisi per λ, abbiamo infine w t+ λ max s v s λ X. Questo ci fa concludere che l t w t ) X + λ w t 2X. s= Riportando questo maggiorante di G in 6) otteniamo E F w) F w ) + 2X2 λ ln + ). Il eorema 3 stabilisce che la soluzione w del problema SVM è rappresentabile come w = s S y s α s x s dove α s > 0 e S {t =,..., m : h t w ) > 0}. Una importante conseguenza di questo risultato è che possiamo risolvere il problema 3) in uno spazio di kernel H K, dove la funzione obiettivo F diventa F K g) = h t g) + λ m 2 g 2 K g H K t= con h t g) = y t gx t ) +. Nello spazio H K, la soluzione SVM diventa rappresentabile come y s α s Kx s, ) s S che è chiaramente un elemento dello spazio kernel { N } H K α i Kx i, ) : x,..., x N R d, α,..., α N R, N N i= Così come avevamo fatto per il Perceptrone, possiamo implementare Pegasos nello spazio kernel. In H K il predittore Pegasos 7) diventa con f t = y st Kx st, )I{h st g t ) > 0}. g + = λ t= f t 6
Il teorema di dualità forte
Complementi di Algoritmi e Strutture Dati Il teorema di dualità forte Docente: Nicolò Cesa-Bianchi versione 13 maggio 2018 Ricordiamo la formulazione del problema di programmazione lineare nella sua forma
DettagliOnline Gradient Descent
F94 Metodi statistici per l apprendimento Online Gradient Descent Docente: Nicolò Cesa-Bianchi versione 30 aprile 08 L analisi del Perceptrone ha rivelato come sia possibile ottenere dei maggioranti sul
DettagliRischio statistico e sua analisi
F94 Metodi statistici per l apprendimento Rischio statistico e sua analisi Docente: Nicolò Cesa-Bianchi versione 7 aprile 018 Per analizzare un algoritmo di apprendimento dobbiamo costruire un modello
DettagliOnline Gradient Descent
F94 Metodi statistici per l apprendimento Online Gradient Descent Docente: Nicolò Cesa-Bianchi versione 9 aprile 06 L analisi del Perceptrone ha rivelato come sia possibile ottenere dei maggioranti sul
DettagliFunzioni kernel. Docente: Nicolò Cesa-Bianchi versione 18 maggio 2018
F94) Metodi statistici per l apprendimento Funzioni kernel Docente: Nicolò Cesa-Bianchi versione 18 maggio 2018 I predittori lineari possono soffrire di un errore di bias molto elevato in quanto predittore
DettagliApprendimento statistico (Statistical Learning)
Apprendimento statistico (Statistical Learning) Il problema dell apprendimento Inquadriamo da un punto di vista statistico il problema dell apprendimento di un classificatore Un training set S={(x,y ),,(x
Dettagli10. Il gruppo Speciale Lineare SL(V )
1 2 3 4 5 6 7 8 9 1 10. Il gruppo Speciale Lineare SL(V ) Siano F un campo e V uno spazio vettoriale di dimensione n su F. Indichiamo con GL(V ) l insieme delle applicazioni lineari biiettive di V in sé.
DettagliESAME di OTTIMIZZAZIONE Corso di Laurea Magistrale in Ingegneria Gestionale 1 o anno
SIMULAZIONE ESAME di OTTIMIZZAZIONE 27 Gennaio 21 ESAME di OTTIMIZZAZIONE Corso di Laurea Magistrale in Ingegneria Gestionale 1 o anno Cognome : Nome : Esercizio 1. Si consideri il seguente problema: min
DettagliApprendimento statistico (Statistical Learning)
Apprendimento statistico (Statistical Learning) Il problema dell apprendimento Inquadriamo da un punto di vista statistico il problema dell apprendimento di un classificatore Un training set S={(x,y ),,(x
Dettagli7.9 Il caso vincolato: vincoli di disuguaglianza
7.9 Il caso vincolato: vincoli di disuguaglianza Il problema con vincoli di disuguaglianza: g i (x) 0, i = 1,..., p, (51) o, in forma vettoriale: g(x) 0, può essere trattato basandosi largamente su quanto
DettagliKernel Methods. Corso di Intelligenza Artificiale, a.a Prof. Francesco Trovò
Kernel Methods Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 14/05/2018 Kernel Methods Definizione di Kernel Costruzione di Kernel Support Vector Machines Problema primale e duale
Dettagli3 La curva di Peano. insieme di misura nulla in R m. Definiamo, ora,
Versione del 5/0/04 3 La curva di Peano Proposizione (a) Sia f : A R n R m con n < m. Se f è una funzione lipschitziana, allora f(a) è un insieme di misura nulla in R m. (b) Esiste una funzione ϕ C ( [0,
DettagliPrima prova in Itinere Ist. Mat. 1, Prima parte, Tema ALFA COGNOME: NOME: MATR.:
Prima prova in Itinere Ist. Mat. 1, Prima parte, Tema ALFA 1) L applicazione lineare f : R 3 R 2 data da f(x, y, z) = (3x + 2y + z, kx + 2y + kz) è suriettiva A: sempre; B: mai; C: per k 1 D: per k 2;
DettagliRango di una matrice e teorema di Rouché-Capelli
Rango di una matrice e teorema di Rouché-Capelli Sappiamo che a una matrice m n, A, è associata l applicazione lineare L A : R n R m, L A (X) = AX, X R n. Definizione 1. Lo spazio nullo di A, N (A), è
DettagliSi noti che questa definizione dice esattamente che
DISUGUAGLIANZA INTEGRALE DI JENSEN IN DIMENSIONE FINITA LIBOR VESELY integrazione. Prima disuguaglianza integrale di Jensen.. Motivazione. Siano un insieme convesso in uno spazio vettoriale, f : (, + ]
DettagliProgrammazione Matematica / A.A Soluzioni di alcuni esercizi
Programmazione Matematica / A.A. 8-9 Soluzioni di alcuni esercizi Esercizi - I 3. Aggiungiamo al problema una variabile v, e richiediamo che v soddisfi v n a ij x j b i. j= Fissato x, il minimo v che soddisfa
Dettagli10 Proprietà di Equipartizione Asintotica
FX Teoria dell Informazione e della Trasmissione 0 Proprietà di Equipartizione Asintotica Docente: Nicolò Cesa-Bianchi versione 6 aprile 206 Come nel caso della codifica sorgente, anche nel caso della
DettagliCorso di Laurea in Fisica. Geometria. a.a Prof. P. Piazza Soluzione compito a casa del 24/10/09
Corso di Laurea in Fisica. Geometria. a.a. 29-. Prof. P. Piazza Soluzione compito a casa del 24//9 Soluzione esercizio. Siano A e B due matrici simmetriche e λ un numero reale. Dobbiamo mostrare che anche
DettagliAppunti sui Codici di Reed Muller. Giovanni Barbarino
Appunti sui Codici di Reed Muller Giovanni Barbarino Capitolo 1 Codici di Reed-Muller I codici di Reed-Muller sono codici lineari su F q legati alle valutazioni dei polinomi sullo spazio affine. Per semplicità
DettagliData Mining and Machine Learning Lab. Lezione 8 Master in Data Science for Economics, Business and Finance 2018
Data Mining and Machine Learning Lab. Lezione 8 Master in Data Science for Economics, Business and Finance 2018 18.05.18 Marco Frasca Università degli Studi di Milano SVM - Richiami La Support Vector Machine
DettagliEsercizi di Programmazione Lineare
Esercizi di Programmazione Lineare 1 grafica Si consideri il seguente problema di programmazione lineare: max 3x 1 + 2x 2 s.t. + 2x 1 + x 2 4 2x 1 + x 2 2 + x 1 x 2 1 x 1, x 2 0 a) Risolvere il problema
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
DettagliGeometria e Topologia I (U1-4) 2006-mag-10 61
Geometria e Topologia I (U1-4) 2006-mag-10 61 (15.9) Teorema. Consideriamo il piano affine. Se A A 2 (K) è un punto e r una retta che non passa per A, allora esiste unica la retta per A che non interseca
DettagliParte IV: Rafforzamento di formulazioni e algoritmo dei piani di taglio
Parte IV: Rafforzamento di formulazioni e algoritmo dei piani di taglio Nozioni di geometria Definizione: Un vettore y R n è combinazione conica dei vettori { 1,, k } se esistono k coefficienti reali λ
DettagliSpazi Vettoriali ed Applicazioni Lineari
Spazi Vettoriali ed Applicazioni Lineari 1. Sottospazi Definizione. Sia V uno spazio vettoriale sul corpo C. Un sottoinsieme non vuoto W di V è un sottospazio vettoriale di V se è chiuso rispetto alla
DettagliDimostrazione. Indichiamo con α e β (finiti o infiniti) gli estremi dell intervallo I. Poniamo
C.6 Funzioni continue Pag. 114 Dimostrazione del Corollario 4.25 Corollario 4.25 Sia f continua in un intervallo I. Supponiamo che f ammetta, per x tendente a ciascuno degli estremi dell intervallo, iti
DettagliEsercizi di Algoritmi e Strutture Dati
Esercizi di Algoritmi e Strutture Dati Moreno Marzolla marzolla@cs.unibo.it 12 ottobre 2010 1 Vero o falso? Per ciascuna delle seguenti affermazioni, dire se è vera o falsa, fornendo una dimostrazione:
DettagliCLASSE LIMITE DI UNA SUCCESSIONE DI NUMERI REALI C. MADERNA, G. MOLTENI, M. VIGNATI
CLASSE LIMITE DI UNA SUCCESSIONE DI NUMERI REALI C. MADERNA, G. MOLTENI, M. VIGNATI Consideriamo l insieme R = R {, + } ottenuto aggiungendo all insieme dei numeri reali i simboli e +. Introduciamo in
DettagliProgrammazione Matematica / A.A Soluzioni di alcuni esercizi
Programmazione Matematica / A.A. 7-8 Soluzioni di alcuni esercizi Esercizi - I. Aggiungiamo al problema una variabile v, e richiediamo che v soddisfi v n a ij x j b i. j= Fissato x, il minimo v che soddisfa
DettagliI. Foglio di esercizi su vettori linearmente dipendenti e linearmente indipendenti. , v 2 = α v 1 + β v 2 + γ v 3. α v 1 + β v 2 + γ v 3 = 0. + γ.
ESERCIZI SVOLTI DI ALGEBRA LINEARE (Sono svolti alcune degli esercizi proposti nei fogli di esercizi su vettori linearmente dipendenti e vettori linearmente indipendenti e su sistemi lineari ) I. Foglio
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
DettagliFattorizzazione QR e matrici di Householder
Fattorizzazione QR e matrici di Householder ottobre 009 In questa nota considereremo un tipo di fattorizzazione che esiste sempre nel caso di matrici quadrate non singolari ad entrate reali. Definizione
DettagliGeometria per Fisica e Astrofisica
Geometria per Fisica e Astrofisica Soluzione esercizi - Foglio 3 Esercizio. Risolvere i seguenti sistemi lineari al variare dei parametri reali α β e k < < (a) x + y z = αx + αy + βz = x + y z = β. (b)
DettagliEsercizi di geometria per Fisica / Fisica e Astrofisica
Esercizi di geometria per Fisica / Fisica e Astrofisica Foglio 3 - Soluzioni Esercizio. Stabilire se i seguenti sottoinsiemi di R 3 sono sottospazi vettoriali: (a) S = {(x y z) R 3 : x + y + z = }. (b)
Dettagli5.3 Alcune classi di funzioni integrabili
3. Si verifichi che per ogni f, g : [a, b] R si ha f g = g + (f g) 0, f g = f + g f g; dedurne che se f, g R(a, b) allora f g, f g R(a, b). [Traccia: si osservi che basta verificare che f 0 R(a, b), e
Dettagli1) Data la seguente istanza di TSP (grafo completo con 5 nodi): c 12 = 52; c 13 = 51; c 14 = 40; c 15 = 53; c 23 = 44;
1) Data la seguente istanza di TSP (grafo completo con 5 nodi): c 12 = 52; c 13 = 51; c 14 = 40; c 15 = 53; c 23 = 44; c 24 = 15; c 25 = 12; c 34 = 32; c 35 = 55; c 45 = 24 Si calcoli l ottimo duale (formulazione
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare p. 1/39 Geometria della programmazione lineare Mariantonia Cotronei Facoltà di Ingegneria Università degli Studi Mediterranea di Reggio Calabria Geometria della programmazione
DettagliEsercizi di Geometria 1 - Foglio 3bis
Esercizi di Geometria - Foglio 3bis Alessandro Rubin (alex.rubin@outlook.com) Si ringrazia Ricardo Tzantzoglou per il codice L A TEX condiviso dicembre 7 Esercizio. Sia f : V W un applicazione e G = {(v,
DettagliSi considera, come al solito, un problema di programmazione lineare in forma standard:
LA FASE I DEL METODO DEL SIMPLESSO 149 6.5 LA FASE I DEL METODO DEL SIMPLESSO Comegiàdetto, il primoobiettivo dellafase Idel metododelsimplessoèquellodi verificare l ammissibilità del problema da risolvere.
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.
DettagliApprendimento Automatico
Apprendimento Automatico Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Rappresentazione dei dati con i kernel Abbiamo una serie di oggetti S
Dettagli9. Test del χ 2 e test di Smirnov-Kolmogorov. 9.1 Stimatori di massima verosimiglianza per distribuzioni con densità finita
9. Test del χ 2 e test di Smirnov-Kolmogorov 9. Stimatori di massima verosimiglianza per distribuzioni con densità finita Supponiamo di avere un campione statistico X,..., X n e di sapere che esso è relativo
Dettaglinon solo otteniamo il valore cercato per la validità della (1.4), ma anche che tale valore non dipende da
NOTE INTEGRATIVE PER IL CORSO DI ANALISI MATEMATICA 2 ANNO ACCADEMICO 2012/13 NOTE SULLA CONTINUITÀ UNIFORME D.BARTOLUCCI, D.GUIDO Sia f(x) = x 3, x [ 1, 1]. Si ha 1. La continuità uniforme x 3 y 3 = x
DettagliTrasformazione di Problemi Non Lineari
Capitolo 2 Trasformazione di Problemi Non Lineari 2.1 Trasformazione in problema di PL In questa sezione, verranno presentati tre classi di problemi di programmazione non lineare che, attraverso l uso
Dettagli1 Addendum su Diagonalizzazione
Addendum su Diagonalizzazione Vedere le dispense per le definizioni di autovettorre, autovalore e di trasformazione lineare (o matrice) diagonalizzabile. In particolare, si ricorda che una condizione necessaria
DettagliAlgoritmi e Strutture Dati II: Parte B Anno Accademico Lezione 8
Algoritmi e Strutture Dati II: Parte B Anno Accademico 2004-2005 Docente: Ugo Vaccaro Lezione 8 Ricordiamo ancora una volta il nostro meta-algoritmo per il progetto di algoritmi di approssimazione: 1.
DettagliCorso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof. Fabio Perroni. 5. Rango
Corso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof Fabio Perroni 5 Rango Definizione 1 Sia A M m,n (K) una matrice m n a coefficienti nel campo K Il rango
DettagliStudio qualitativo. Emanuele Paolini 2 luglio 2002
Studio qualitativo Emanuele Paolini 2 luglio 2002 Non sempre è possibile determinare esplicitamente le soluzione di una equazione differenziale. Ci proponiamo quindi di trovare dei metodi per determinare
DettagliEsistenza ed unicità per equazioni differenziali
Esistenza ed unicità per equazioni differenziali Per concludere queste lezioni sulle equazioni differenziali vogliamo dimostrare il teorema esistenza ed unicità per il problema di Cauchy. Faremo la dimostrazione
DettagliTracce di soluzioni di alcuni esercizi di matematica 1 - gruppo 76-93
Tracce di soluzioni di alcuni esercizi di matematica 1 - gruppo 76-93 5. Funzioni continue Soluzione dell Esercizio 76. Osserviamo che possiamo scrivere p() = n (a n + u()) e q() = m (b m + v()) con lim
Dettaglimin det det Allora è unimodulare se e solo se det 1, 1, 0 per ogni sottomatrice quadrata di di qualsiasi dimensione.
Se è unimodulare e è intero allora il poliedro 0 ha vertici interi. Sia un vertice di Per definizione esiste allora una base di tale che, 0 Poiché è non singolare ( invertibile det 0) si ha che det 1 è
DettagliCapitolo 7 Struttura metrica in R n Esercizi svolti Tutorato di geometria e algebra lineare. Marco Robutti
Capitolo 7 Struttura metrica in R n Esercizi svolti Tutorato di geometria e algebra lineare Marco Robutti 5 Ottobre 27 Introduzione Gli esercizi di questo capitolo riguardano i seguenti argomenti: Data
DettagliCorso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof. Fabio Perroni. 3. Sistemi di equazioni lineari
Corso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof Fabio Perroni 3 Sistemi di equazioni lineari Siano m, n N \ {}, sia K un campo Definizione a) Un sistema
DettagliSpazi vettoriali euclidei.
Spazi vettoriali euclidei Prodotto scalare, lunghezza e ortogonalità in R n Consideriamo lo spazio vettoriale R n = { =,,, n R}, n con la somma fra vettori e il prodotto di un vettore per uno scalare definiti
DettagliCorso interno di Matematica compito scritto del n n+1
Corso interno di Matematica compito scritto del 4.07.05 1. Dire se la serie converge e giustificare la risposta. n=1 1 n n+1 n Soluzione: Il criterio della radice o del rapporto falliscono; proviamo col
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)
DettagliMassimo limite e minimo limite di una funzione
Massimo limite e minimo limite di una funzione Sia f : A R una funzione, e sia p DA). Per ogni r > 0, l insieme ) E f p r) = { fx) x A I r p) \ {p} } è non vuoto; inoltre E f p r ) E f p r ) se 0 < r r.
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
Dettagli19 settembre Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliELEMENTI DI LOGICA MATEMATICA LEZIONE VII
ELEMENTI DI LOGICA MATEMATICA LEZIONE VII MAURO DI NASSO In questa lezione introdurremo i numeri naturali, che sono forse gli oggetti matematici più importanti della matematica. Poiché stiamo lavorando
DettagliIntroduzione al Column Generation Caso di Studio: il Bin Packing Problem
Introduzione al Column Generation Caso di Studio: il Bin Packing Problem November 15, 2014 1 / 26 Introduzione Il column generation è una metodologia che può essere usata per risolvere problemi di ottimizzazione
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
DettagliPossibile applicazione
p. 1/4 Assegnamento Siano dati due insiemi A e B entrambi di cardinalità n. Ad ogni coppia (a i,b j ) A B è associato un valore d ij 0 che misura la "incompatibilità" tra a i e b j, anche interpretabile
Dettagli15 Informazione e Predizione
(FX) Teoria dell Informazione e della Trasmissione 5 Informazione e Predizione Docente: Nicolò Cesa-Bianchi versione 4 maggio 03 Consideriamo una sorgente X, p. Dallo studio della codifica sorgente, sappiamo
DettagliA T x b x 0. che chiameremo problema primale, possiamo associare ad esso un altro problema di PL, detto problema duale, definito come segue.
1 Dualitá Dato un problema di PL in forma canonica max c T x A T x b x 0 che chiameremo problema primale, possiamo associare ad esso un altro problema di PL, detto problema duale, definito come segue min
DettagliEsercizi su ottimizzazione vincolata
Esercizi su ottimizzazione vincolata 1. Rispondere alle seguenti domande (a) Quando un vincolo di disuguaglianza è detto attivo? (b) Cosa è l insieme delle soluzioni ammissibili? Gli algoritmi di ricerca
DettagliAnalisi Matematica 2 - A
Analisi Matematica 2 - A Soluzione Appello scritto del 29 Gennaio 2013 Esercizio 1 (10 punti Si consideri il Problema di Cauchy { y = y + y(0 = 0, dove y è la funzione incognita ed è la sua variabile.
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare poliedri punti estremi, vertici, soluzioni di base esistenza di punti estremi rif. Fi 3.1; BT 2.1, 2.2, 2.5 Iperpiani, semispazi Definizione Sia a un vettore non
DettagliProva scritta di Geometria 1 Docente: Giovanni Cerulli Irelli 20 Gennaio 2017
Prova scritta di Geometria Docente: Giovanni Cerulli Irelli Gennaio 7 Esercizio. Si considerino i seguenti tre punti dello spazio euclideo: P :=, Q :=, R :=.. Dimostrare che P, Q ed R non sono collineari.
DettagliSistemi compatibili (Il metodo di Fourier-Motzkin) Claudio Arbib Università degli Studi di L Aquila
Sistemi compatibili (Il metodo di Fourier-Motzkin) Claudio Arbib Università degli Studi di L Aquila Sommario 1. Sistemi di disequazioni lineari e poliedri 2. Poliedri e insiemi convessi 3. Disequazioni
DettagliSi dimostri che la (*) possiede un unica soluzione (u n ) limitata.
Scuola Normale Superiore, ammissione al IV anno del corso ordinario Prova scritta di Analisi Matematica per Fisica, Informatica, Matematica 26 Agosto 2 Esercizio. Siano (a n ) e (b n ) successioni di numeri
DettagliConcetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018. Giovanni Lafratta
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018 Giovanni Lafratta ii Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale
DettagliCORSO DI ANALISI MATEMATICA 2 SOLUZIONI ESERCIZI PROPOSTI 18/03/2013
CORSO DI ANALISI MATEMATICA SOLUZIONI ESERCIZI PROPOSTI 8/03/03 D.BARTOLUCCI, D.GUIDO. La continuità uniforme I ESERCIZIO: Dimostrare che la funzione f(x) = x 3, x A = (, ] non è uniformemente continua
DettagliSoluzioni. Foglio 1. Rette e piani. n x + c = 0. (1)
Soluzioni Foglio 1. Rette e piani. Esercizio 1. Se n è la normale al piano, sia c = n x 0. Dimostriamo prima che se x π, allora x soddisfa Si ha Sostituendo dentro (1) si ottiene n x + c = 0. (1) x = x
DettagliSistemi di Elaborazione dell Informazione 170. Caso Non Separabile
Sistemi di Elaborazione dell Informazione 170 Caso Non Separabile La soluzione vista in precedenza per esempi non-linearmente separabili non garantisce usualmente buone prestazioni perchè un iperpiano
DettagliCorso di Laurea in Fisica. Geometria 1. a.a Gruppo B. Prof. P. Piazza Soluzioni compito a casa del 17/11/06 B =
Corso di Laurea in Fisica. Geometria. a.a. 26-7. Gruppo B. Prof. P. Piazza Soluzioni compito a casa del 7//6 Soluzione esercizio. Sia B {e, e 2 } e sia B {v, v 2 }. La matrice B del cambiamento di base
DettagliSoluzione. 8.1 Campagna pubblicitaria. Exercise session 8 Optimization Prof. E. Amaldi. Insiemi. I = {1,...,m}: insieme delle radio
Soluzione 8.1 Campagna pubblicitaria Insiemi I = {1,...,m}: insieme delle radio J = {1,...,n}: insieme dei giornali Variabili r i r 1 i : minuti sulla stazione radiofonica i I (sotto i 25) : minuti sulla
DettagliMIGLIOR APPROSSIMAZIONE IN SPAZI EUCLIDEI
MIGLIOR APPROSSIMAZIONE IN SPAZI EUCLIDEI A. SOMMARIVA Conoscenze richieste. Spazio vettoriale. Spazio normato. Vettori linearmente indipendenti. Sistemi lineari. Operatore delta di Kronecker. Conoscenze
Dettagli1 Serie temporali. 1.1 Processi MA
1 Serie temporali Un processo stocastico 1 {X t, t T }, dove T = N o T = Z, si dice stazionario se (X 1,..., X n ) e (X k+1,...,x k+n ) hanno la stessa distribuzione per ogni n 1 e per ogni k T. Un processo
DettagliRiassumiamo le proprietà dei numeri reali da noi utilizzate nel corso di Geometria.
Capitolo 2 Campi 2.1 Introduzione Studiamo ora i campi. Essi sono una generalizzazione dell insieme R dei numeri reali con le operazioni di addizione e di moltiplicazione. Nel secondo paragrafo ricordiamo
Dettagli14 febbraio Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliRiassumiamo le proprietà dei numeri reali da noi utilizzate nel corso di Geometria.
Capitolo 2 Campi 2.1 Introduzione Studiamo ora i campi. Essi sono una generalizzazione dell insieme R dei numeri reali con le operazioni di addizione e di moltiplicazione. Nel secondo paragrafo ricordiamo
DettagliLEZIONE 13. v =α 1 v α i 1 v i 1 + α i v i = =α 1 v α i 1 v i 1 + α i (λ 1 v λ i 1 v i 1 ) =
LEZIONE 13 13.1. Il metodo degli scarti. Sia dato uno spazio vettoriale V su k = R, C e siano v 1,..., v n V. Quanto visto nella lezione precedente ci suggerisce il seguente algoritmo per stabilire se
DettagliLEZIONE 3. a + b + 2c + e = 1 b + d + g = 0 3b + f + 3g = 2. a b c d e f g
LEZIONE 3 3.. Matrici fortemente ridotte per righe. Nella precedente lezione abbiamo introdotto la nozione di soluzione di un sistema di equazioni lineari. In questa lezione ci poniamo il problema di descrivere
DettagliLA STRUTTURA DEI PROBLEMI DI OTTIMIZZAZIONE. L'ipotesi di razionalità implica che un decisore cerchi di
LA STRUTTURA DEI PROBLEMI DI OTTIMIZZAZIONE L'ipotesi di razionalità implica che un decisore cerchi di individuare la migliore tra tutte le alternative a sua disposizione. Problemi di ottimizzazione =
DettagliMiglior approssimazione in spazi euclidei
Miglior approssimazione in spazi euclidei 15 gennaio 2009 1 Introduzione astratta Sia E uno spazio vettoriale dotato di un prodotto interno (, ) (talvolta un tale spazio è detto euclideo, cf. [7, p.148]),
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare poliedri punti estremi, vertici, soluzioni di base esistenza di punti estremi rif. Fi 3.1; BT 2.1, 2.2, 2.5 Iperpiani, semispazi Definizione Sia a un vettore non
DettagliReal-Time Visual Tracking Fabio Baldo matr , Luigi Carozza matr Sommario Introduzione Teoria di base Support Vector Machines Newton Raph
Applicazione del filtraggio alla Kalman e ottimizzazione mediante Corso di Progettazione dei Sistemi di Controllo - Università degli studi di Padova 29 Febbraio 2012 Il comprende tutti quegli algoritmi
DettagliA =, c d. d = ad cb. c d A =
Geometria e Algebra (II), 271112 1 Definizione D ora innanzi, al posto di dire matrice quadrata di tipo n n o matrice quadrata n n diremo matrice quadrata di ordine n o in breve matrice di ordine n Il
DettagliIl teorema di Ascoli-Arzelà
Il teorema di Ascoli-Arzelà Alcuni risultati sugli spazi metrici Spazi metrici (e topologici) compatti Richiamiamo le definizioni di compattezza negli spazi metrici. Sia (X, d) una spazio metrico e sia
DettagliGeometria BAER I canale Foglio esercizi 3
Geometria BAER I canale Foglio esercizi 3 Esercizio. Discutere le soluzioni del seguente sistema lineare nelle incognite,, z al variare del parametro k. 3 + kz = k k + 3z = k k + z = Soluzione: Il determinante
DettagliANALISI MATEMATICA A SECONDO MODULO SOLUZIONI DEGLI ESERCIZI DELLA SETTIMANA 15. x 2 i
ANALISI MATEMATICA A SECONDO MODULO SOLUZIONI DEGLI ESERCIZI DELLA SETTIMANA 15 (1) (Es 9 pag 117) Se per ogni x R n ( x := x 2 i ) 1/2 verificate che per ogni x, y R n vale la seguente legge del parallelogramma:
DettagliUniversità degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019
DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019 Nome: Cognome: Matricola: Riga: Colonna:
Dettagli25 - Funzioni di più Variabili Introduzione
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 25 - Funzioni di più Variabili Introduzione Anno Accademico 2013/2014 M. Tumminello
DettagliINDUZIONE E NUMERI NATURALI
INDUZIONE E NUMERI NATURALI 1. Il principio di induzione Il principio di induzione è una tecnica di dimostrazione molto usata in matematica. Lo scopo di questa sezione è di enunciare tale principio e di
Dettagli8 Derivati dell entropia
(F1X) Teoria dell Informazione e della Trasmissione 8 Derivati dell entropia Docente: Nicolò Cesa-Bianchi versione 23 marzo 2016 Siano X e Y due variabili casuali con valori in insiemi finiti X e Y. Detta
DettagliUniversità degli Studi di Roma Tor Vergata
Funzioni kernel Note dal corso di Machine Learning Corso di Laurea Specialistica in Informatica a.a. 2010-2011 Prof. Giorgio Gambosi Università degli Studi di Roma Tor Vergata 2 Queste note derivano da
DettagliFONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA CHIMICA E DEI MATERIALI 27 GIUGNO 2016
FONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA CHIMICA E DEI MATERIALI 7 GIUGNO 06 MATTEO LONGO Ogni versione del compito contiene solo due tra i quattro esercizi 6-7-8-9. Esercizio. Considerare
DettagliDefinizione 1.1. Sia A un sottoinsieme dei numeri reali. Diciamo che A è un insieme induttivo se
1 Numeri naturali, interi e razionali Definizione 1.1. Sia A un sottoinsieme dei numeri reali. Diciamo che A è un insieme induttivo se 1. 1 A. per ogni x A, si ha x + 1 A Definizione 1.. Chiamo insieme
DettagliRette e piani in R 3
Rette e piani in R 3 In questa dispensa vogliamo introdurre in modo elementare rette e piani nello spazio R 3 (si faccia riferimento anche al testo Algebra Lineare di S. Lang). 1 Rette in R 3 Vogliamo
Dettagli