UNIVERSITA DEGLI STUDI DI FIRENZE. Facoltà di Ingegneria Corso di Laurea in Ingegneria Informatica
|
|
- Giuseppa Sartori
- 5 anni fa
- Visualizzazioni
Transcript
1 UNIVERSITA DEGLI STUDI DI FIRENZE Facoltà di Ingegneria Corso di Laurea in Ingegneria Informatica Esercitazioni per l esame di Intelligenza Artificiale Prof. G. Soda Bayesian Networks di Sauro Menchetti A.A
2 Costruzione della Rete Bayesiana Le reti bayesiane sono uno strumento utile in quelle situazioni in cui non è possibile agire con certezza. Un problema della logica del primo ordine è che non si ha quasi mai accesso all intera verità: un fatto non è vero o falso in assoluto. Nella maggioranza dei casi, anche in situazioni semplici, ci saranno domande importanti a cui non si potrà dare una risposta categorica. Si deve quindi agire in presenza di incertezza. L incertezza è causata principalmente da dati inaffidabili, mancanti o imprecisi. 1.1 Situazione da modellare Qualsiasi studente iscritto ad una facoltà, per poter giungere alla laurea, deve superare tutti gli esami previsti dal proprio piano di studi. Lo studente può scegliere di frequentare o meno un determinato corso a seconda del tempo che ha a disposizione e dell interesse verso la materia insegnata: se decide di frequentare il corso, sarà più facile superare l esame. Quando lo studente decide di sostenere l esame, si suppone che abbia una sufficiente padronanza della materia: il tempo a sua disposizione e la voglia di studiare incidono sulla preparazione globale e quest ultima, insieme alla fortuna (che non guasta mai), possono determinare l esito dell esame. 1.2 Analisi del dominio Si analizzano le caratteristiche salienti del dominio in esame che porteranno alla costruzione della rete bayesiana Variabili di dominio Da un analisi della precedente situazione, si possono ricavare le seguenti variabili aleatorie con i rispettivi stati: E = superamento dell esame (no = e 0, si = e 1 ); F = frequenza del corso (scarsa =, assidua = ); T = tempo a disposizione (insufficiente =, sufficiente = ); I = interesse per la materia (scarso = i 0, sufficiente = i 1, molto = i 2 ); P = preparazione (insufficiente = p 0, sufficiente =, buona = );
3 V = voglia di studiare (scarsa = v 0, media = v 1, molta = v 2 ); C = fortuna (no = c 0, si = c 1 ). Gli indici assegnati ai vari stati servono a sostituire il nome dello stato della variabile aleatoria nelle tabelle che seguiranno Ordinamento delle variabili Per costruire la rete bayesiana corrispondente alla precedente situazione, occorre dare un ordinamento alle variabili: l ordinamento è cruciale, perché può indurre a ricercare condizioni di dipendenza non semplicemente esplicitabili. Tuttavia qualunque ordinamento garantisce la rappresentazione del dominio. La rete finale dipende comunque dall ordinamento delle variabili. L ordinamento scelto è il seguente: V, T, I, C, P, E. Come si può osservare, le variabili che non presentano dipendenze dirette con altre variabili vengono prima nell ordinamento, seguite poi dalle rimanenti. La precedente sequenza di variabili corrisponde ad un ordinamento topologico del grafo diretto aciclico. v t i c p f e In un ordinamento topologico tutti i discendenti sono alla destra del nodo padre; inoltre ogni nodo è collegato con tutti i suoi discendenti in modo opportuno. Tale ordinamento topologico deve essere semplificato con le condizioni rilevate dal dominio Condizioni rilevate dal dominio Esaminando il dominio da modellare, si possono rilevare le seguenti condizioni di dipendenza e di indipendenza: V {T, I, C} Ø ed E {V, T, I} {P, F} cioè le variabili V, T, I, C sono indipendenti, mentre E dipende solo da V, T, I date P, F Legami tra le variabili 2
4 Rispettando l ordine imposto alle variabili, si possono determinare quali variabili influenzano direttamente un altra variabile: variabili V T I C P F E dipendenza P(V); P(T V) = P(T); P(I T, V) = P(I); P(C I, T, V) = P(C); P(P C, I, T, V) = P(P T, V); P(F P, C, I, T, V) = P(F I, T); P(E P, C, I, T, V) = P(E P, C). Come si vede, non tutti i legami dell ordinamento topologico sono effettivamente presenti. 1.3 La Rete Bayesiana Dalla precedente analisi, eliminando gli archi superflui dall ordinamento topologico, si giunge alla seguente rete bayesiana dove le frecce indicano delle dipendenze dirette tra le variabili: v t i p f c e Le variabili V e T influenzano la variabile P, così come le variabili T ed I influenzano P. Inoltre la variabile E è influenzata direttamente da P, F e C Le tabelle di probabilità Si riportano di seguito le tabelle di probabilità associate alla rete di Bayes. Vediamo prima le tabelle di probabilità a priori delle variabili V, I, T e C. Voglia di studiare P(V) Scarsa 0.1 Media 0.2 Molta 0.7 Tempo a disposizione P(T) Insufficiente 0.3 Sufficiente 0.7 Interesse P(I) Scarso 0.1 Sufficiente 0.3 Molto 0.6 Fortuna P(C) No 0.5 Si 0.5 Ecco infine le probabilità condizionate delle variabili P, F ed E. 3
5 Preparazione P(P T, V) Tempo Voglia Insufficiente Sufficiente Buona Insufficiente Scarsa Insufficiente Media Insufficiente Molta Sufficiente Scarsa Sufficiente Media Sufficiente Molta Frequenza del corso P(F I, T) Interesse Tempo Scarsa Assidua Scarso Insufficiente Scarso Sufficiente Sufficiente Insufficiente Sufficiente Sufficiente Molto Insufficiente Molto Sufficiente Superamento dell esame P(E P, C) Frequenza Preparazione Fortuna No Si Scarsa Insufficiente No Scarsa Insufficiente Si Scarsa Sufficiente No Scarsa Sufficiente Si Scarsa Buona No Scarsa Buona Si Assidua Insufficiente No Assidua Insufficiente Si Assidua Sufficiente No Assidua Sufficiente Si Assidua Buona No Assidua Buona Si
6 Costruzione del Junction Tree Le reti bayesiane non sono adatte per fare inferenza sul dominio di interesse: le tabelle di probabilità crescono in modo esponenziale e diventano presto intrattabili. Bisogna quindi trovare un tipo di rappresentazione più conveniente: il junction tree risolve il problema. 2.1 Il Junction Tree Ci sono vari passi che portano alla costruzione del junction tree: esaminiamoli di seguito uno ad uno Costruzione del grafo moralizzato Il grafo moralizzato viene costruito a partire dalla rete di Bayes: per ogni variabile A si crea un collegamento tra tutte le variabili in pr(a) {A}. Si ottiene il seguente grafo non diretto: v t i p f c e Gli archi tratteggiati indicano i link di moralizzazione. Osservazione: la rete di Bayes originaria è un grafo a connessione multipla. Tuttavia non occorre triangolarizzare il grafo moralizzato in quanto i link di moralizzazione svolgono tale compito Individuazione delle cricche In questa fase si cerca di individuare tutte le cricche del grafo moralizzato che andranno a costituire i nodi del junction tree. Si identificano le seguenti cricche: 5
7 che serviranno per il passo successivo. VTP TIF TPF PFCE Costruzione del Junction Graph I nodi del junction graph sono le cricche precedentemente individuate: tra ogni coppia di nodi che hanno almeno una variabile in comune, si mette un link con un separatore che contiene l intersezione delle variabili. Ecco cosa si ottiene: vtp t tif tp tf p tpf f pf pfce I nodi sono indicati con delle ellissi, mentre i separatori con dei rettangoli Costruzione del Junction Tree Dato il junction graph, si devono eliminare i link che costituiscono dei cicli in modo da ottenere un albero. Nell eliminazione, vengono mantenuti i link a massima intersezione. Si ottiene il seguente albero: vtp tif tp tf radice tpf pf pfce 6
8 Come si può vedere, per ogni coppia di nodi V, W tutti i nodi del cammino che li congiunge contengono l intersezione di V W. 2.2 Assegnazione delle tabelle al Junction Tree Il passo successivo assegna le tabelle di probabilità ad ogni nodo ed ad o- gni separatore del junction tree. È suddiviso in due fasi: una prima in cui si inizializzano le tabelle ed una seconda in cui modificano in modo iterativo i valori contenuti in esse Inizializzazione delle tabelle Per prima cosa si inizializzano tutte le e dei separatori ad uno: t VTP = 1 t TP = 1 t TIF = 1 t TF = 1 t TPF = 1 t PF = 1 t PFCE = 1 Gli indici indicano il nodo o il separatore a cui si riferisce la tabella Assegnazione delle tabelle Per ciascuna variabile A, si sceglie un nodo V del junction tree contenente pr(a) {A} (un tale nodo esiste per come è stato costruito l albero) e si moltiplica P(A pr(a)) per la tavola di V: questa tabella aggiornata diventa la nuova tabella di V (pr è l abbreviazione di parent e sta ad indicare i genitori di un nodo). Le variabili vengono scelte nel seguente ordine: V, T, I, C, P, E. Esaminiamo cosa succede passo per passo. Variabile V parent: nessuno nodo: VTP t VTP = P(V) * 1 Variabile T parent: nessuno nodo: TPF t TPF = P(T) * 1 t VTP = P(V) t TP = 1 t TIF = 1 t TF = 1 t TPF = 1 t PF = 1 t PFCE = 1 7
9 t VTP = P(V) t TP = 1 t TIF = 1 t TF = 1 t TPF = P(T) t PF = 1 t PFCE = 1 Variabile I parent: nessuno nodo: TIF t TIF = P(I) * 1 Variabile C parent: nessuno nodo: PFCE t PFCE = P(C) * 1 t VTP = P(V) t TP = 1 t TIF = P(I) t TF = 1 t TPF = P(T) t PF = 1 t PFCE = 1 t VTP = P(V) t TP = 1 t TIF = P(I) t TF = 1 t TPF = P(T) t PF = 1 t PFCE = P(C) Variabile P parent: VT nodo: VTP t VTP = P(P V, T) P(V) = P(P, V T) t VTP = P(P, V T) t TP = 1 t TIF = P(I) t TF = 1 t TPF = P(T) t PF = 1 t PFCE = P(C) P(P, V T) T p 0 v 0 p 0 v 1 p 0 v 2 v 0 v 1 v 2 v 0 v 1 v La somma delle due righe della tabella fa uno. Variabile F parent: TI 8
10 nodo: TIF t TIF = P(F T, I) P(I) = P( I T) t VTP = P(P, V T) t TP = 1 t TIF = P( I T) t TF = 1 t TPF = P(T) t PF = 1 t PFCE = P(C) P( I T) T i 0 i 1 i 2 i 0 i 1 i La somma delle due righe della tabella fa uno. Variabile E parent: PFC nodo: PFCE t PFCE = P(E P, C) P(C) = P(E, C P, F) t VTP = P(P, V T) t TP = 1 t TIF = P( I T) t TF = 1 t TPF = P(T) t PF = 1 t PFCE = P(E, C P, F) P(E, C P, F) P F e 0 c 0 e 0 c 1 e 1 c 0 e 1 c 1 p p La somma delle sei righe della tabella fa uno. Come si vede, tutte le sono rimaste inizializzate ad uno: questo perché, quando iniziamo a muovere informazione sul junction tree, il prodotto di tutte le diviso il prodotto di tutte le è invariante. Infatti: P(U) = P(V, T, I, C, P, E) = (t VTP t TIF t TPF t PFCE ) / (t TP t TF t PF ) = P(V) P(T) P(I) P(C) P(P V, T) P(F T, I) P(E P, C) = P(P, V T) P(T) P( I T) P(E, C P, F). 9
11 2.3 Consistenza nel Junction Tree Dato il precedente junction tree con tutte le tabelle di probabilità dei nodi e dei separatori, il passo successivo consiste nel renderlo globalmente consistente. In un junction tree la consistenza locale implica la consistenza globale. Un junction tree si dice localmente consistente se per ogni coppia di nodi contigui V, W si verifica che: tv = t S = V \ S t W W \ S dove S rappresenta il nodo separatore contenente l intersezione V W; ciò significa che V e W contengono la stessa informazione su S e il link tra i due nodi è detto consistente. Per rendere consistente un link, occorre far transitare un messaggio in entrambe le direzioni. Si usa il seguente schema di trasmissione di messaggi: vtp 1 2 tp tf 1 2 tif radice tpf pf 2 1 pfce con le seguenti tabelle di probabilità dei nodi e dei separatori: t VTP = P(P, V T) t TP = 1 t TIF = P( I T) t TF = 1 t TPF = P(T) t PF = 1 t PFCE = P(E, C P, F) Come si vede, ogni link è percorso in entrambe le direzioni e questo ne garantisce la consistenza Trasmissione del messaggio da VTP a TPF 1) t TP * = P ( P, V T ) = P(P T) V 2) t TPF * = P(T) P(P T) = P(T, P) 10
12 t VTP = P(P, V T) t TP = P(P T) t TIF = P( I T) t TF = 1 t TPF = P(T, P) t PF = 1 t PFCE = P(E, C P, F) P(P T) T p P(T, P) T p Trasmissione del messaggio da TIF a TPF 1) t TF * = P ( I T) = P(F T) I 2) t TPF * = P(T, P) P(F T) = P(P T) P(T) P(F T) = P(T, P, F) t VTP = P(P, V T) t TP = P(P T) t TIF = P( I T) t TF = P(F T) t TPF = P(T, P, F) t PF = 1 t PFCE = P(E, C P, F) P(F T) T P(T, P, F) T F p Trasmissione del messaggio da PFCE a TPF 1) t PF * = P ( E, C P, F) = 1 EC 2) t TPF * = P(T, P, F) non cambia nessuna tabella
13 t VTP = P(P, V T) t TP = P(P T) t TIF = P( I T) t TF = P(F T) t TPF = P(T, P, F) t PF = 1 t PFCE = P(E, C P, F) Trasmissione del messaggio da TPF a VTP 1) t TP * = P ( T, P, F) = P(T, P) F 2) t VTP * = P(P, V T) P(T, P) / P(P T) = P(P, V T) P(P T) P(T) / P(P T) = = P(P, V T) P(T) = P(V, T, P) t VTP = P(V, T, P) t TP = P(T, P) t TIF = P( I T) t TF = P(F T) t TPF = P(T, P, F) t PF = 1 t PFCE = P(E, C P, F) P(T, P) T p P(V, T, P) T V p 0 v v v v v v Trasmissione del messaggio da TPF a TIF 1) t TF * = P( T, P, F) = P( T, F) P 2) t TIF * = P( I T) P(T, F) P(F T) = P( I T) P(F T) P(T) / P(F T) = = P( I T) P(T) = P(T, I, F) t VTP = P(V, T, P) t TP = P(T, P) t TIF = P(T, I, F) t TF = P(T, F) t TPF = P(T, P, F) t PF = 1 t PFCE = P(E, C P, F) 12
14 P(T, F) T P(T, I, F) T F i 0 i 1 i Trasmissione del messaggio da TPF a PFCE 1) t PF * = P( T, P, F) = P( P, F) T 2) t PFCE * = P(E, C P, F) P(P, F) = P(P, C, E) t VTP = P(V, T, P) t TP = P(T, P) t TIF = P(T, I, F) t TF = P(T, F) t TPF = P(T, P, F) t PF = P(P, F) t PFCE = P(P, C, E) P(P, F) P p P(P, C, E) P F e 0 c 0 e 0 c 1 e 1 c 0 e 1 c 1 p p Osservazione: ogni tabella di ogni nodo e di ogni separatore contiene la probabilità congiunta delle variabili che si trovano nel nodo e nel separatore. 13
15 Inferenza Fare inferenza su una rete bayesiana significa dare evidenza ad alcune variabili ed osservare come si modificano le rimanenti. Si possono fare tre tipi di inferenza: il ragionamento causale in cui, data la causa, si cerca la probabilità dell effetto, il ragionamento diagnostico in cui, dato un effetto e sapendo che può essere provocato da una certa causa, si cerca di determinare la probabilità di tale causa e l explaining away in cui, dato un certo effetto e sapendo che può essere provocato da due cause, il manifestarsi di una rende meno probabile l altra. In generale la procedura di inferenza è esponenziale: se m è il numero di stati e k il k Ο m. numero di variabili, la complessità è ( ) 3.1 Inferenza senza evidenza Dato il precedente junction tree consistente senza alcuna evidenza, si calcolano le seguenti probabilità non presenti tra le probabilità assegnate alla rete bayesiana. P(P) = T P(F) = T P(E) = PFC P ( T, P) = (p 0 = = = ) P ( T, F) = ( = = 0.653) P ( P, C, E) = (e 0 = e 1 = ) Dopo aver calcolato queste tre probabilità, si hanno tutte le probabilità delle sette variabili: è interessante vedere come variano tali valori quando viene inserita l evidenza su alcune variabili. 3.2 Inserimento dell evidenza Dato il precedente junction tree consistente, si dà evidenza ad alcune variabili e si vuole vedere come variano le probabilità delle altre. Innanzitutto premettiamo la seguente definizione: Definizione: Un finding su una variabile aleatoria A con n stati è un vettore n- dimensionale di zero e di uno: indica quali stati di una variabile sono impossibili. 14
16 C è un teorema che gestisce l inserimento dell evidenza: Teorema: Sia BN una rete bayesiana rappresentante P(U) e sia T il junction tree corrispondente a BN. Sia e = {,,f m } il finding sulle variabili {A 1,,A m }. Per ogni i trovare un nodo contenente A i e si moltiplichi la sua tabella per f i. Dopo un trasferimento completo di messaggi si ha: t V = P(V, t S = P(S, P( = t V P(W = P(W, / P( V per ogni nodo V e per ogni separatore S (W indica V oppure S) Assegnazione dell evidenza Si assegna evidenza alla variabile aleatoria E che indica superamento o meno dell esame: tale variabile contiene i due stati no = e 0 e si = e 1. Il finding su tale variabile è e = (0, 1) con P( = L unico nodo del junction tree che contiene la variabile E è PFCE, quindi si moltiplica la tabella di PFCE per e, ottenendo la seguente tabella: P(P, C, E, P F e 0 c 0 e 0 c 1 e 1 c 0 e 1 c 1 p p Se i valori della tabella vengono divisi per P(, la somma fa di nuovo uno. 3.3 Propagazione dell evidenza Dopo aver dato evidenza ai nodi del junction tree, tale evidenza deve essere propagata agli altri nodi. Per fare questo si usa lo schema di propagazione di Hugin che consiste nei seguenti passi: 1) Si inserisce l evidenza all interno di un nodo a seconda della variabile scelta 2) Si seleziona un nodo radice R 3) Si esegue Collect Evidence a partire dalla radice R 4) Si esegue Distribute Evidence a partire dalla radice R 5) Si effettua una normalizzazione delle tabelle dividendo per P( Trasmissione del messaggio da VTP a TPF 1) t TP * = P ( V, T, P) = P(T, P) V 2) t TPF * = P(T, P, F) 15
17 non cambia nessuna tabella t VTP = P(V, T, P) t TP = P(T, P) t TIF = P(T, I, F) t TF = P(T, F) t TPF = P(T, P, F) t PF = P(P, F) t PFCE = P(P, C, E, Trasmissione del messaggio da TIF a TPF 1) t TF * = P ( T, I, F) = P(T, F) I 2) t TPF * = P(T, P, F) non cambia nessuna tabella t VTP = P(V, T, P) t TP = P(T, P) t TIF = P(T, I, F) t TF = P(T, F) t TPF = P(T, P, F) t PF = P(P, F) t PFCE = P(P, C, E, Trasmissione del messaggio da PFCE a TPF 1) t PF * = P ( P, C, E, = P(P, EC 2) t TPF * = P(T, P, F) P(P, / P(P, F) = P(T P, F) P(P, F) P(P, / P(P, F) = P(T P, F) P(P, = P(T, P, t VTP = P(V, T, P) t TP = P(T, P) t TIF = P(T, I, F) t TF = P(T, F) t TPF = P(T, P, t PF = P(P, t PFCE = P(P, C, E, P(P, P p P(T, P, T F p
18 3.3.4 Trasmissione del messaggio da TPF a VTP 1) t TP * = P ( T, P, = P(T, P, F 2) t VTP * = P(V, T, P) P(T, P, / P(T, P) = P(V T, P) P(T, P) P(T, P, / P(T, P) = P(V T, P) P(T, P, = P(V, T, P, t VTP = P(V, T, P, t TP = P(T, P, t TIF = P(T, I, F) t TF = P(T, F) t TPF = P(T, P, t PF = P(P, t PFCE = P(P, C, E, P(T, P, T p P(V, T, P, T V p 0 v v v v v v Trasmissione del messaggio da TPF a TIF 1) t TF * = P( T, P, = P( T, P 2) t TIF * = P(T, I, F) P(T, / P(T, F) = P(I T, F) P(T, F) P(T, / P(T, F) = = P(I T, F) P(T, = P(T, I, t VTP = P(V, T, P, t TP = P(T, P, t TIF = P(T, I, t TF = P(T, t TPF = P(T, P, t PF = P(P, t PFCE = P(P, C, E, P(T, T
19 P(T, I, T F i 0 i 1 i Trasmissione del messaggio da TPF a PFCE 1) t PF * = P( T, P, = P( P, T 2) t PFCE * = P(P, C, E, non cambia nessuna tabella t VTP = P(V, T, P, t TP = P(T, P, t TIF = P(T, I, t TF = P(T, t TPF = P(T, P, t PF = P(P, t PFCE = P(P, C, E, 3.4 Inferenza con evidenza Si calcolano adesso le probabilità calcolate precedentemente per vedere quali variazioni hanno subito in seguito all inserimento dell evidenza. P(P, = P ( T, P, = (p 0 = = = ) T P(P = P(P, / P( = (p 0 = = = ) P( = P ( T, = ( = = ) T P(F = P( / P( = ( = = ) P(E, = P ( P, C, E, = (e 0 = 0 e 1 = ) PFC P(E = P(E, / P( = (e 0 = 0 e 1 = 1). Come si può vedere, le probabilità di essere preparato e di aver frequentato il corso, supposto di aver superato l esame, sono aumentate. Infatti le probabilità senza evidenza erano le seguenti: P(P) = (p 0 = = = ) P(F) = ( = = 0.653) P(E) = (e 0 = e 1 = ). Vediamo anche come si sono modificate le probabilità a priori delle variabili V, T, I e C: 18
20 P(V, = P ( V, T, P, = (v 0 = v 1 = v 2 = ) TP P(V = P(V, / P( = (v 0 = v 1 = v 2 = ) P(T, = P ( T, = ( = = ) F P(T = P(T, / P( = ( = = ) P(I, = P ( T, I, = (i 0 = i 1 = i 2 = ) TF P(I = P(I, / P( = (i 0 = i 1 = i 2 = ) P(C, = P ( P, C, E, = (c 0 = c 1 = ) PFE P(C = P(C, / P( = (c 0 = c 1 = ) Si nota che i valori si sono modificati nel senso che si poteva facilmente prevedere. Le probabilità a priori erano infatti le seguenti: P(V) = (v 0 = 0.1 v 1 = 0.2 v 2 = 0.7) P(T) = ( = 0.3 = 0.7) P(I) = (i 0 = 0.1 i 1 = 0.3 i 2 = 0.6) P(C) = (c 0 = 0.5 c 1 = 0.5). 19
Modelli Probabilistici per la Computazione Affettiva: Reti Bayesiane
Modelli Probabilistici per la Computazione Affettiva: Reti Bayesiane Corso di Modelli di Computazione Affettiva Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it
Richiami di probabilità. Decision Theory e Utilità. Richiami di probabilità. assumere certi valori in un insieme x 1, x 2, x n (dominio)
9 lezione Scaletta argomenti: Probabilità Richiami di probabilità Reti Bayesiane Decision Theory e Utilità 1 Richiami di probabilità - La formalizzazione deriva da Boole - Concetto di VARIABILE CASUALE
Introduzione alle Reti Bayesiane
Introduzione alle Reti Bayesiane Giovedì, 18 Novembre 2004 Francesco Folino Riferimenti: Chapter 6, Mitchell A Tutorial on Learning with Bayesian Networks, Heckerman Bayesian Network Perchè ci interessano?
Ragionamento Probabilistico
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A9_2 V1.8 Ragionamento Probabilistico Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio
Corso di Intelligenza Artificiale A.A. 2016/2017
Università degli Studi di Cagliari Corsi di Laurea Magistrale in Ing. Elettronica Corso di Intelligenza rtificiale.. 26/27 Esercizi sui metodi di apprendimento automatico. Si consideri la funzione ooleana
Fondamenti teorici e programmazione
Fondamenti teorici e programmazione FTP(A) - modb Lezione 9 di ricerca binaria F.Bonchi Dip.to Informatica Fondamenti teorici e programmazione (A) - modb a.a. 2018/19 pag. 1 liberi Un albero libero è un
Corso 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
La teoria dei grafi permette di esprimere in modo sistematico le LKT e LKC con i metodi della
Grafi La teoria dei grafi permette di esprimere in modo sistematico le LKT e LKC con i metodi della topologia combinatoria. Definizione intuitiva di grafo: Un Grafo è un insieme di nodi (rappresentabili
1 TEORIA DELLE RETI 1. 1 Teoria delle reti. 1.1 Grafi
1 TEORIA DELLE RETI 1 1 Teoria delle reti 1.1 Grafi Intuitivamente un grafo è un insieme finito di punti (nodi o vertici) ed un insieme di frecce (archi) che uniscono coppie di punti Il verso della freccia
Statistica e informatica
Statistica e informatica Probabilità condizionate Francesco Pauli e Nicola Torelli A.A. 2017/2018 Indice Probabilità condizionate Probabilità totali Teorema di Bayes Francesco Pauli e Nicola Torelli Probabilità
INSTRADAMENTO: ALGORITMO DI BELLMAN-FORD
UNIVERSITA' DEGLI STUDI DI BERGAMO Dipartimento di Ingegneria INSTRADAMENTO: ALGORITMO DI BELLMAN-FORD FONDAMENTI DI RETI E TELECOMUNICAZIONE A.A. 2012/13 - II Semestre Esercizio 1 Sia dato il grafo G=
MODELLISTICA E SIMULAZIONE cred.: 5 7,5 Recupero 2 prova: 25 luglio 2005
Politecnico di Milano I a Facoltà di Ingegneria C.S. in Ing. per l Ambiente e il Territorio MODELLISTICA E SIMULAZIONE cred.: 5 7,5 Recupero prova: 5 luglio 005 COGNOME NOME FIRMA: : : : [7,5 crediti]
Fondamenti di Informatica
Fondamenti di Informatica AlgoBuild: Strutture iterative e selettive Prof. Christian Esposito Corso di Laurea in Ingegneria Meccanica e Gestionale (Classe I) A.A. 2016/17 AlgoBuild: Strutture iterative
Routing IP. IP routing
Routing IP IP routing IP routing (inoltro IP): meccanismo per la scelta del percorso in Internet attraverso il quale inviare i datagram IP routing effettuato dai router (scelgono il percorso) Routing diretto
Calcolo delle Probabilità
Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosiddette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello
Università Roma Tre - PAS Classe A048 "Matematica Applicata" - Corso di Informatica a.a. 2013/2014
Università Roma Tre Dipartimento di Matematica e Fisica Percorso Abilitante Speciale Classe A08 Matematica Applicata Corso di Informatica Algoritmi su Grafi Marco Liverani (liverani@mat.uniroma.it) Sommario
Dr. Marco Vicentini Anno Accademico Rev 02/04/2011
Università degli Studi di Padova Facoltà di Psicologia, L4, Psicometria, Modulo B Dr. Marco Vicentini marco.vicentini@unipd.it Anno Accademico 2010 2011 Rev 02/04/2011 Tabelle di contingenza Percentuali
Fondamenti di Informatica Laurea in Ingegneria Civile e Ingegneria per l ambiente e il territorio
Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma Il problema di fondo Fondamenti di Informatica Laurea in Ingegneria Civile e Ingegneria per l ambiente e il territorio Algoritmi
Interfacce Intelligenti
Laurea Specialistica in Informatica a.a. 2005-2006 Interazione Uomo-Macchina II: Interfacce Intelligenti V. Carofiglio e F. de Rosis Introduzione Prima parte: Formalizzazione e Ragionamento 1.1. Ragionamento
Reti Logiche 1. Prof. B. Buttarazzi A.A. 2009/2010. Reti Sequenziali
Reti Logiche Prof. B. Buttarazzi A.A. 29/2 Reti Sequenziali Sommario Analisi di Reti Sequenziali Sintesi di Reti Sequenziali Esercizi 3/6/2 Corso di Reti Logiche 29/ 2 Analisi di Reti Sequenziali Passare
INTRODUZIONE. TaleproceduravasottoilnomediteoremadiBayes.
INTRODUZIONE QUANDO CALCOLIAMO UNA PROBABILITA CONDIZIONATA USIAMO L INFORMAZIONE SUL VERIFICARSI DI UN EVENTO PER DETERMINARE LA PROBABILITA CHE UN ALTRO EVENTO SI VERIFICHI. Una estensione di questo
2 OTTIMIZZAZIONE SU GRAFI. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
2 OTTIMIZZAZIONE SU GRAFI E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Molti problemi decisionali possono essere formulati utilizzando il linguaggio della teoria dei grafi. Esempi: - problemi di
Algoritmi, Strutture Dati e Programmi. UD 3.d: Strutture Dati Dinamiche Alberi
Algoritmi, Strutture Dati e Programmi : Strutture Dati Dinamiche Alberi Prof. Alberto Postiglione AA 2007-2008 ALBERO BINARIO DI RICERCA Dispense, cap. 3.3.3 1 Albero Binario di Ricerca Struttura bidimensionale.
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prova del
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (69AA) A.A. 06/7 - Prova del 07-07-07 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate. Problema
Lezione 5 Corso di Statistica. Domenico Cucina
Lezione 5 Corso di Statistica Domenico Cucina Università Roma Tre D.Cucina (domenico.cucina@uniroma3.it) 1 / 24 obiettivi della lezione familiarizzare con le distribuzioni bivariate, le distribuzioni condizionate
c) Ancora in corrispondenza allo stesso valore di p e ponendo Y = minorazione, fornita dalla diseguaglianza di Chebichev, per la probabilita
Laurea Triennale in Matematica Corso di Calcolo delle Probabilita I A.A. 00/00 (Docenti: M. Piccioni, F. Spizzichino) a prova di esonero 6 giugno 00 Risolvere almeno tre dei seguenti esercizi.. Indichiamo
Introduzione. Il routing permette la comunicazione tra due nodi differenti anche se non sono collegati direttamente
Routing Introduzione Il livello 3 della pila ethernet ha il compito di muovere i pacchetti dalla sorgente attraversando più sistemi Il livello di network deve quindi: Scegliere di volta in volta il cammino
Note 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
2 OTTIMIZZAZIONE SU GRAFI. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
2 OTTIMIZZAZIONE SU GRAFI E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Molti problemi decisionali possono essere formulati utilizzando il linguaggio della teoria dei grafi. Esempi: - problemi di
Statistica Elementare
Statistica Elementare 1. Frequenza assoluta Per popolazione si intende l insieme degli elementi che sono oggetto di una indagine statistica, ovvero l insieme delle unità, dette unità statistiche o individui
Un esempio di applicazione della programmazione lineare intera al progetto di una rete stradale con vincoli di network survivability
Un esempio di applicazione della programmazione lineare intera al progetto di una rete stradale con vincoli di network survivability Corso di Ricerca Operativa per il Corso di Laurea Magistrale in Ingegneria
Alberi binari: definizione e alcune proprietà
Alberi binari: definizione e alcune proprietà Alberi binari Un albero binario è un albero con radice in cui ogni nodo ha al più due figli. In maniera più formale: Definizione. (Alberi binari) Un albero
CALCOLO DELLE PROBABILITA' risultato non può essere previsto con certezza ogni risultato possibile di un esperimento
CALCOLO DELLE PROBABILITA' Esperimento o prova Evento Spazio Campionario (Ω) una qualsiasi operazione il cui risultato non può essere previsto con certezza ogni risultato possibile di un esperimento insieme
Constraint Satisfaction Problems
Constraint Satisfaction Problems Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 19/03/2018 Constraint Satisfaction problem Fino ad ora ogni stato è stato modellizzato come una
Introduzione ai grafi. Introduzione ai grafi p. 1/2
Introduzione ai grafi Introduzione ai grafi p. 1/2 Grafi Un grafo G è costituito da una coppia di insiemi (V,A) dove V è detto insieme dei nodi e A è detto insieme di archi ed è un sottinsieme di tutte
Il Problema dell Albero Ricoprente Minimo (Shortest Spanning Tree - SST)
Il Problema dell Albero Ricoprente Minimo (Shortest Spanning Tree - SST) È dato un grafo non orientato G=(V,E). Ad ogni arco e i E, i=1,,m, è associato un costo c i 0 7 14 4 10 9 11 8 12 6 13 5 17 3 2
A proposito di valutazione scolastica
A proposito di valutazione scolastica Livello scolare: 2 biennio Abilità interessate Identificare situazioni che richiedono di rilevare lo stesso carattere su una unità statistica formata da 2 elementi,
Complessità Computazionale
Complessità Computazionale La teoria della Computabilità cattura la nozione di algoritmo nel senso che per ogni problema sia esso decisionale o di calcolo di funzione stabilisce dei criteri per determinare
Ottimizzazione Combinatoria e Reti (a.a. 2007/08)
o Appello 6/07/008 Ottimizzazione Combinatoria e Reti (a.a. 007/08) Nome Cognome: Matricola: ) Dopo avere finalmente superato l esame di Ricerca Operativa, Tommaso è pronto per partire in vacanza. Tommaso
3. MODELLI DI OFFERTA
. MODELLI DI OFFERTA I modelli matematici dei sistemi di offerta di trasporto utilizzano da un lato la teoria dei grafi e delle reti per rappresentare la struttura topologica e funzionale del sistema e
Dispense Associazione PRELIMINARY DRAFT
Dispense Associazione PRELIMINARY DRAFT Cristina Mollica & Jan Martin Rossi January 3, 2019 1 Esercizio 3 - Prova scritta 12-01-2018 Esercizio 3. Si consideri la distribuzione doppia di un campione di
Certificati dei problemi in NP
Certificati dei problemi in NP La stringa y viene in genere denominata un certificato Un Certificato è una informazione ausiliaria che può essere utilizzata per verificare in tempo polinomiale nella dimensione
CENNI DI CALCOLO DELLE PROBABILITÀ (Vittorio Colagrande)
CENNI DI CALCOLO DELLE PROBABILITÀ (Vittorio Colagrande) Il Calcolo delle Probabilità trova molte applicazioni in Medicina, Biologia e nelle Scienze sociali. Si possono formulare in modo più appropriato
Introduzione 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
STATISTICA 1 ESERCITAZIONE 8
STATISTICA 1 ESERCITAZIONE 8 Dott. Giuseppe Pandolfo 18 Novembre 2013 CALCOLO DELLE PROBABILITA Elementi del calcolo delle probabilità: 1) Esperimento: fenomeno caratterizzato da incertezza 2) Evento:
Corso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (455AA) A.A. 2018/19 - Esercitazione
Corso di Laurea in Ingegneria Robotica e dell Automazione Probabilità e Processi Stocastici (55AA) A.A. 28/9 - Esercitazione 28--9 La durata della prova è di due ore e mezzo. Le risposte devono essere
Gli heap. Sommario. Algoritmi e Programmazione Avanzata. Fulvio CORNO - Matteo SONZA REORDA Dip. Automatica e Informatica Politecnico di Torino
Gli heap Fulvio CORNO - Matteo SONZA REORDA Dip. Automatica e Informatica Politecnico di Torino 1 a.a. 2001/2002 Sommario Gli heap L algoritmo Heapsort Le code con priorità. 2 a.a. 2001/2002 Politecnico
Apprendimento di Reti Bayesiane
Apprendimento di Reti Bayesiane Massera Gianluca Università degli studi di Roma La Sapienza facoltà di S.M.F.N. corso di laurea in Informatica Reti Bayesiane p.1/32 Reti Bayesiane: introduzione Le Rete
Algoritmo di Dijkstra
Reti di alcolatori I Prof. Roberto anonico ipartimento di Ingegneria Elettrica e delle Tecnologie dell Informazione orso di Laurea in Ingegneria delle Telecomunicazioni orso di Laurea in Ingegneria dell
Elementi di Teoria della Probabilità
Elementi di Teoria della Probabilità Alcune definizioni iniziali: Fenomeno casuale: fenomeno ripetibile (almeno in teoria) infinite volte che può manifestarsi in diverse modalità, imprevedibili singolarmente,
2.2 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
Analisi e implementazione dell algoritmo di Dijkstra (Parte 1)
Analisi e implementazione dell algoritmo di Dijkstra (Parte 1) Algoritmicamente August 1, 2009 http://algoritmicamente.wordpress.com/ 1 Concetti fondamentali Definizione 1 Un grafo è un insieme di vertici
Statistica e analisi dei dati Data: 07 marzo Lezione 5. Figura 1: Modello ad Urna
Statistica e analisi dei dati Data: 07 marzo 2016 Lezione 5 Docente: Prof. Giuseppe Boccignone Scriba: Alessandra Birlini 1 Il modello a urna Figura 1: Modello ad Urna Con questo tipo di modello posso
Il ranking di pagine web
Il ranking di pagine web Consideriamo l insieme delle pagine web con i relativi link. Questo può essere considerato come un grafo orientato (con miliardi di nodi). Concentriamoci su l esempio più piccolo
Gli heap. Sommario. Fulvio CORNO - Matteo SONZA REORDA Dip. Automatica e Informatica Politecnico di Torino
Gli heap Fulvio CORNO - Matteo SONZA REORDA Dip. Automatica e Informatica Politecnico di Torino 1 a.a. 2001/2002 Sommario Gli heap L algoritmo Heapsort Le code con priorità. 2 a.a. 2001/2002 Matteo SONZA
ASSEGNAZIONE STOCASTICA. SU RETI NON CONGESTIONATE SNL (Stochastic Network Loading)
ASSEGNAZIONE STOCASTICA SU RETI NON CONGESTIONATE SNL Stochastic Network Loading algoritmo di DIAL Ipotesi: 1. La scelta del percorso è basata sul modello LOGIT 2. Si considerano solamente percorsi efficienti
Introduzione al Calcolo delle Probabilità
Introduzione al Calcolo delle Probabilità In tutti quei casi in cui le manifestazioni di un fenomeno (EVENTI) non possono essere determinate a priori in modo univoco, e i risultati possono essere oggetto
Analisi Strategica per la Politica Economica
9 Analisi Strategica per la Politica Economica Parte Nona Prof. Bruno Chiarini GIOCHI BAYESIANI Beliefs (credenze ; congetture) Informazione completa ma imperfetta Informazione incompleta Teorema di Bayes
Modelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Teoria della probabilità Cernusco S.N., mercoledì 15 marzo 2017 1 / 13 Probabilità
Esercizi svolti su probabilità condizionata e teorema di Bayes
Esercizi svolti su probabilità condizionata e teorema di Bayes Esercizio 1 Si stima che il 30% degli adulti negli Stati Uniti siano obesi, che il 3% siano diabetici e che il 2% siano sia obesi che diabetici.
Ragionamento Automatico Richiami di tableaux proposizionali
Richiami di logica e deduzione proposizionale Ragionamento Automatico Richiami di tableaux proposizionali (L. Carlucci Aiello & F. Pirri: SLL, Cap. 5) La logica proposizionale I tableau proposizionali
Statistica. Capitolo 4. Probabilità. Cap. 4-1
Statistica Capitolo 4 Probabilità Cap. 4-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare concetti e definizioni fondamentali della probabilità Usare il diagramma
Lezione 5 Corso di Statistica. Francesco Lagona
Lezione 5 Corso di Statistica Francesco Lagona Università Roma Tre F. Lagona (francesco.lagona@uniroma3.it) 1 / 23 obiettivi della lezione familiarizzare con le distribuzioni bivariate, le distribuzioni
RAPPRESENTAZIONE GLI ALGORITMI NOTAZIONE PER LA RAPPRESENTAZIONE DI UN ALGORITMO
RAPPRESENTAZIONE GLI ALGORITMI NOTAZIONE PER LA RAPPRESENTAZIONE DI UN ALGORITMO Rappresentazione degli algoritmi Problema Algoritmo Algoritmo descritto con una qualche notazione Programma Defne del procedimento
Fondamenti di Informatica
Fondamenti di Informatica AlgoBuild: Strutture selettive, iterative ed array Prof. Arcangelo Castiglione A.A. 2016/17 AlgoBuild : Strutture iterative e selettive OUTLINE Struttura selettiva Esempi Struttura
SOLUZIONI DEL 2 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA
SOLUZIONI DEL 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA Esercizio 0.1 Una moneta non truccata viene lanciata 10 volte. Calcolare la probabilità che non esca mai testa. Quale risulta la probabilità
Introduzione alla programmazione Algoritmi e diagrammi di flusso. Sviluppo del software
Introduzione alla programmazione Algoritmi e diagrammi di flusso F. Corno, A. Lioy, M. Rebaudengo Sviluppo del software problema idea (soluzione) algoritmo (soluzione formale) programma (traduzione dell
GRAFI. 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
Dipendenza e indipendenza lineare
Dipendenza e indipendenza lineare Luciano Battaia Questi appunti () ad uso degli studenti del corso di Matematica (A-La) del corso di laurea in Commercio Estero dell Università Ca Foscari di Venezia campus
Esercitazioni di statistica
Esercitazioni di statistica Misure di associazione: Indipendenza assoluta e in media Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 22 ottobre 2014 Stefania Spina Esercitazioni
Risoluzione di problemi ingegneristici con Excel
Risoluzione di problemi ingegneristici con Excel Problemi Ingegneristici Calcolare per via numerica le radici di un equazione Trovare l equazione che lega un set di dati ottenuti empiricamente (fitting
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prova del
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 206/7 - Prova del 207-09-08 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
Calcolo delle Probabilità e Statistica Matematica Fisciano, 10/1/2012
Fisciano, 10/1/2012 Esercizio 1 Un esperimento consiste nel generare a caso un vettore di interi (x 1, x 2, x 3, x 4 ), dove x i {1, 2, 3, 4, 5, 6} i. (i) Si individui lo spazio campionario, determinandone
La Retta Ogni funzione di primo grado rappresenta, graficamente, una retta. L equazione della retta può essere scritta in due modi
La Retta Ogni funzione di primo grado rappresenta, graficamente, una retta. L equazione della retta può essere scritta in due modi Forma implicita Forma esplicita a x b y c 0 y m x q a c y x b b Esempio
Appunti 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)
Corso di Perfezionamento
Programmazione Dinamica 1 1 Dipartimento di Matematica e Informatica Università di Camerino 15 febbraio 2009 Tecniche di Programmazione Tecniche di progettazione di algoritmi: 1 Divide et Impera 2 Programmazione
Alberi Decisionali Per l analisi del mancato rinnovo all abbonamento di una rivista
Alberi Decisionali Per l analisi del mancato rinnovo all abbonamento di una rivista Il problema L anticipazione del fenomeno degli abbandoni da parte dei propri clienti, rappresenta un elemento fondamentale
Algoritmi & Laboratorio
Acknowledgement Lucidi da F. Damiani, a.a. 2004-2005 C. Demetrescu et al, Algoritmi e strutture dati, McGraw-Hill M. Zacchi, a.a. 2003-2004 I lucidi non sono un sostituto per il libro di testo non contengono
Università del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità.
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica Le distribuzioni teoriche di probabilità. La distribuzione di probabilità binomiale Corso di laurea
Esercitazione 6 Algorithmi e Strutture Dati (Informatica) A.A 2015/2016
Esercitazione 6 Algorithmi e Strutture Dati (Informatica) A.A 2015/2016 Tong Liu April 14, 2016 Elementi Fondamentali Rappresentazione n = V numero di vertici (nodi) m = E numero di archi Matrice di adiacenza:
RICERCA OPERATIVA (a.a. 2017/18) Nome: Cognome: Matricola:
Sesto appello 7/7/8 RICERCA OPERATIVA (a.a. 7/8) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL applicando l algoritmo del Simplesso Duale, per via algebrica, a partire dalla base B
Pumping lemma per i linguaggi Context-free
Pumping lemma per i linguaggi Context-free Sia L un linguaggio context-free. E possibile determinare una costante k, dipendente da L, tale che qualunque stringa z! L con z > k si può esprimere come z=
Esercitazione 2. Progettare un algoritmo che risolva tale problema in tempo O( E + V log V ).
Esercitazione 2 Problema 4: Dato un grafo G = (V, E) con pesi positivi sugli archi ed un insieme di k centri C = {c 1, c 2, c k } V, si richiede di partizionare l insieme V in k insiemi V 1, V 2, V k in
Vettori nel Piano e nello Spazio
Vettori nel Piano e nello Spazio Caratteristiche di un vettore Componenti di un vettore e Vettore applicato all origine Vettore definito da due punti Operazioni unarie sul vettore Lunghezza di un vettore
1 Fattorizzazione di polinomi
1 Fattorizzazione di polinomi Polinomio: un polinomio di grado n nella variabile x, è dato da p(x) = a n x n + a n 1 x n 1 + + a 1 x + a 0 con a n 0, a 0 è detto termine noto, a k è detto coefficiente
Problemi, 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
Casi di prova. Il problema dell ordinamento. Casi di prova. Casi di prova. Casi di prova
Casi di prova Casi di prova Quando si vuole testare un algoritmo si devono costruire vari casi di prova. Invece di eseguire il programma più volte si può costruire un file di dati contenente tutti i casi
Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
Statistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 5 Abbiamo visto: Modelli probabilistici nel continuo Distribuzione uniforme continua Distribuzione
Calcolo combinatorio
Calcolo combinatorio Fattoriale: n! = n( n 1)( n 2)...1 1 1 n n = 0 Fattoriale discendente: n( n 1)...( n k + 1) n! (n) k = = ( n k)! 1 1 k n k = 0 Coefficiente binomiale (k n) : n (n) = k n! = k k! k!(
Teoria dei Giochi. Anna Torre
Teoria dei Giochi Anna Torre Almo Collegio Borromeo 24 marzo 2015 email: anna.torre@unipv.it sito web del corso:www-dimat.unipv.it/atorre/borromeo2015.html ELIMINAZIONE DI STRATEGIE DOMINATE Conoscenza
«Sciente e Tecnologie dei Beni Culturali»
5 Informatica CdS in «Sciente e Tecnologie dei Beni Culturali» AA 2014-2015 Mini-sito dell insegnamento: http://www.unife.it/scienze/beni.culturali/insegnamenti/informatica Prof. Giorgio Poletti giorgio.poletti@unife.it
Problema 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
Lezione 2 Richiami di probabilità Introduzione agli alberi decisionali
Fondamenti di Business Analytics 20486 classi M2/M3 Michele Impedovo anno accademico 2016-2017 Lezione 2 Richiami di probabilità Introduzione agli alberi decisionali 1) Probabilità condizionata 2) Indipendenza