Se 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
|
|
- Tommaso Ventura
- 8 anni fa
- Visualizzazioni
Transcript
1 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 (necessaria) di ottimo e' (se x* punto di minimo) esistono pesi μ i 0, λ j per cui i I μ i g i (x*) = 0 e vale μ 0 f o (x*) + i I μ i g i (x*) + j J λ j h j (x*) = 0 [Se μ 0 >0 equivale alla condizione f o (x*) + i I μ i g i (x*) + j J λ j h j (x*) = 0 mentre se μ 0 =0 alla condizione (senza usare f o (x) ) i I μ i g i (x*) + j J λ j h j (x*) = 0 ] Una delle dimostrazioni possibili e' la seguente. Benche il metodo sia "costruttivo" e' numericamente instabile e non puo' essere brutalmente applicato come algoritmo di minimizzaione Dim Si suppone x* punto di ottimo per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J Se 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 In questo modo F(x*) = f o (x*), f o (x*) = F (x*) F(x) f o (x), lim x + F(x)= + Siccome c >0 e arbitrario si puo scegliere c in modo che x* sia minimo isolato e globale per F(x) Nel punto x* le condizioni (locali) per F sono le stesse che per f o.
2 NLP -OPT 2 Si puo suppporre che x* sia minimo isolato e globale, lim x + f o (x) = + k >0 si puo definire la funzione (di penalizzazione) P k (x) = f o (x) + i I k (g i (x) + ) 2 + j J k (h j (x)) 2 f o (x) P k (x) x, vale la condizione lim x + P k (x)= + P k ha un punto di minimo(assoluto) x k e in tale punto si ha P k (x k ) = 0 cioe f o (x k ) + i I 2k (g i (x k ) + ) g i (x k ) + j J 2k (h j (x k )) h j (x k ) = 0 [ N.B. g i (x) + = max {0, g i (x)}, (g i (x) + ) 2 = 2(g i (x)) + g i (x) se g i (x) 0, (g i (x) + ) 2 = 0, (g i (x) + ) 2 = 0 se g i (x) > 0, (g i (x) + ) 2 = g i (x) 2, (g i (x) + ) 2 = 2(g i (x)) g i (x) e quindi (g i (x) + ) 2 e' una funzione C 1 se cosi e' g i ] Nel punto x* si ha f o (x*) = P k (x*) k e necessariamente P k (x k ) f o (x*) = P k (x*) Si genera una successione x k Le due condizioni P k (x k ) f o (x*), lim x + f o (x) = + garantiscono la limitatezza di x k Per un estratta x k y Allora f o (x k ) + i I k(g i (x k ) + ) 2 + j J k(h j (x k )) 2 f o (x*) 0 i I (g i (x k ) + ) 2 + j J (h j (x k )) 2 (k -1 ) ( f o (x*) - f o (x k ) ) e al limite con k + 0 i I (g i (y) + ) 2 + j J (h j (y)) 2 lim k -1 ( f o (x*) - f o (x k ) ) = 0 cioe y e ammissibile.
3 NLP -OPT 3 Allora f o (x*) f(y) [x* minimo] ] lim ( i I k(g i (x k ) + ) 2 + j J k(h j (x k )) 2 ) lim (f o (x*) - f o (x k ) ) 0 e lim P k (x k ) = f(y), f(y) f o (x*) e y = x* ( x* unico minimo) Se tutte le quantita 2kg i (x k ) + i I, 2k h j (x k ) j J sono limitate allora 2k g i (x k ) + μ i 0, 2k h j (x k ) λ j Da P k (x k ) = 0 f o (x k ) + i I 2k g i (x k ) + g i (x k ) + j J 2k h j (x k ) h j (x k ) = 0 al limite f o (x*) + i I μ i g i (x*) + j J λ j h j (x*) = 0 Se le quantita 2k g i (x k ) + i I, 2k h j (x k ) j J non sono limitate si pone σ k = max { 2kg i (x k ) + i I, 2k h j (x k ) j J } μ (i,k) = (σ k ) -1 2k g i (x k ) + λ (j,k) = (σ k ) -1 2k h j (x k ) Mentre σ k + i valori μ (i,k) e λ (j,k) sono limitati quindi μ (i,k) μ i 0 λ (j,k) λ j La condizione P k (x k ) = 0 si puo scrivere come (σ k ) -1 f o (x k ) + i I μ (i,k) g i (x k ) + j J λ (j,k) h j (x k ) = 0 e al limite i I μ i g i (x*) + j J λ j h j (x*) = 0 Ovviamente j J λ j h j (x*) = 0 Se g i (x*) < 0 lim g i (x k ) + = 0 e μ i = 0 Se μ i > 0 necessariamente g i (x k ) > 0 (o 0) e per ammissibilita' g i (x*) = 0 e quindi i I μ i g i (x*) = 0 I valori μ i, λ j sono indicati come moltiplicatori (di Lagrange) In questo modo le condizioni di ottimo vincolato si ottengono come estensione/applicazione delle condizioni di ottimo (non vincolato).
4 NLP -OPT 4 CONDIZIONI DI OTTIMO (cenno altro modo) Le condizioni di ottimo si possono ricavare anche secondo la seguente traccia 1) Se x* minimizza e se x n x* x n ammissibile allora (x n -x*)/ x n x v, v = 1 e necessariamente (da x n ammissibile, x* ottimo) g i (x*) t (v) 0 h j (x*) t (v) = 0, f o (x*)t (v) 0 { g i (x*) t (v) 0 per i vincoli attivi per cui g i (x*)= 0 } 2) Lo stesso risultato vale per vettori v+ ottenuti come limite di vettori v calcolati al punto precedente, somma di vettori v calcolati al punto precedente, multipli di vettori v calcolati al punto precedente 3) Se ogni vettore v del tipo g i (x*) t (v) 0 h j (x*) t (v) = 0 puo essere ottenuto da limiti di punti ammissibili x n x* o da limite di vettori cosi generati + operazioni al punto 2 allora vale la proprieta v per cui g i (x*) t (v) 0 h j (x*) t (v) = 0 si ha f o (x*)t (v) 0 4) Si considerano le matrici H (di righe h j (x*) ) e la matrice G (di righe g i (x*) ). Da considerazioni di algebra lineare, teoremi dell alternativa per matrici (lemma di Farkas), considerazioni di convessita (Coni +Coni duali) si ottiene che la condizione al punto 3 e equivalente a i I μ i g i (x*) = 0 μ 0 f o (x*) + i I μ i g i (x*) + j J λ j h j (x*) = 0 con la condizione μ i 0
5 NLP -OPT 5 QUALIFICAZIONE DEI VINCOLI All ottimo risulta f o (x*) + i I μ i g i (x*) + j J λ j h j (x*) = 0 oppure i I μ i g i (x*) + j J λ j h j (x*) = 0 e quindi in generale μ 0 f o (x*) + i I μ i g i (x*) + j J λ j h j (x*) = 0 Le condizioni che assicurano μ 0 > 0 sono dette qualificazioni dei vincoli. Se i vincoli sono g i (x) 0 i I h j (x) = 0 j J si denotano x con I(x) = { i I / g i (x) = 0 }, J(x) = { j J / h(x) =0 } e relativamente a x* (ottimo) con IA(x*) = { i I(x*) / μ i >0 } JA(x*) = { j J(x*) / λ j 0 } e con A(x*) = IA(x*) JA(x*) [COTTLE INDIPENDENZA LINEARE] Una condizione possibile e l indipendenza lineare i vettori { g i (x*) i IA(x*), h j (x*) j JA(x*) } sono linearmente indipendenti [MANGASARIAN-FROMOWITZ ] Una condizione piu debole e la seguente i vettori { h j (x*) j JA(x*) } sono linearmente indipendenti ed esiste v 0 t.c h j (x*) t v = 0 j JA(x*) e e g i (x*) t v > 0 i IA(x*) Se i vincoli g i (x) 0 sono tutti convessi l esistenza di v e garantita da un punto u tale che g i (u) < 0 per i vincoli i IA(x*) Infatti 0 > g(u) g i (x*) + g i (x*) t (u-x*) = g i (x*) t (u-x*) e g i (x*) t (x*-u) >0
6 NLP -OPT 6 [SLATER ] Se i vincoli g i (x) 0 sono tutti convessi e mancano i vincoli h j (x) = 0 l esistenza di un punto u tale che g i (u) < 0 e una qualificazione dei vincoli. Infatti da μ i 0 0 > i I μ i g i (u) i I μ i g i (x*) + i I μ i g i (x*) t (u-x*) Vale i I μ i g i (x*) = 0, se μ i >0 allora g i (x*)=0 Quindi 0 > i I μ i g i (x*) e i I μ i g i (x*) = 0 e impossibile NOTA Vi sono altre condizioni possibili. μ 0 > 0 implica che i I μ i g i (x*) + j J λ j h j (x*) = -μ 0 f o (x*) Se u e un punto interno (g i (u) 0, h j (u) = 0 ) al primo ordine si dovrebbe avere g i (x*) t (u-x*) 0, h j (x*) t (u-x*) = 0 e f o (u) f o (x*) cioe f o (x*) t (u-x*) 0 Se vale per (u-x*) vale anche per h(u) = (u-x*)/ u-x* e per ogni direzione h limite di h(u). Se μ 0 = 0 significa che alcune direzioni (vettori h) sembrano interni g i (x*) t h 0, h j (x*) t h = 0 ma non lo sono ( & non obbligano f o (x*) t h 0)
7 NLP -OPT 7 ESEMPIO ( : Calcolo esplicito condizioni di ottimo attraverso penalizzazione) Si considera min F(x) = (1/2) x t Qx p t x Ax = b [ Q definita positiva & righe A l.i.] Funzione penalizzata P σ = (1/2) x t Qx p t x +σ/2 Ax-b 2 [ P σ = F + Α t σ (Ax-b) ] P σ = Qx-p + σ (Α t Α)x - σa t b Ottimo unico a σ fissato x σ = (Q+σ Α t Α) -1 ( p+σ A t b ) (Q+σ Α t Α) definita positiva Se σ + si deve avere x σ x* (soluzione del problema ) A x σ - b 0 (A x σ b) ( ammissibilita x* ) σ (A x σ - b) m* (vettore moltiplicatori ) Serve una formula per (Q+σ Α t Α) -1 :si usa la Formula ( Shermann Morrison (esatta)) (Q+σ Α t Α) -1 = Q -1 -σ Q -1 A t H -1 AQ -1 con H = (I + σ AQ -1 A t ) = σ (AQ -1 A t ) ( (σ) -1 (AQ -1 A t ) -1 + I ) da cui H -1 = (σ) -1 ( (σ) -1 (AQ -1 A t ) -1 + I ) -1 (AQ -1 A t ) -1 Si pone M = (AQ -1 A t ) se σ + ρ (M -1 /σ) < 1 (definitivamente ) e ( (σ) -1 M -1 + I ) -1 = I (σ) -1 M -1 + (σ) -2 M -2 - (σ) -3 M ) ( serie convergente)
8 NLP -OPT 8 (formula per (Q+σ Α t Α) -1 ) = Q -1 -σ Q -1 A t H -1 AQ -1 = Q -1 - Q -1 A t ( (σ) -1 M -1 + I ) -1 M -1 AQ -1 = Q -1 - Q -1 A t ( I (σ) -1 M -1 + (σ) -2 M -2 ) M -1 AQ -1 ( tralasciati termini (σ) -3 o superiori ) = Q -1 - Q -1 A t M -1 AQ -1 + (σ) -1 (Q -1 A t M -2 AQ -1 ) - (σ) -2 (Q -1 A t M -3 AQ -1 ) Moltiplicando per ( p+σa t b ) si ottiene x σ (= coefficienti delle potenze (σ) -j, j = -1, n di x σ ) Coeff. di σ (Q -1 - Q -1 A t M -1 AQ -1 ) (A t b) = 0 Termine noto (Q -1 - Q -1 A t M -1 AQ -1 )p + (Q -1 A t M -2 AQ -1 ) A t b = Q -1 p - Q -1 A t M -1 AQ -1 p + Q -1 A t M -1 b = lim x σ = x* [ A x* () = A(Q -1 p - Q -1 A t M -1 AQ -1 p + Q -1 A t M -1 b )= AQ -1 p - AQ -1 p + b =b ] Termine (σ) -1 [ lim σ (A x σ - b) lim = σ (Αx*+Αc1(σ) -1 +Ac2(σ) -1 - b ) = c1 ] (Q -1 A t M -2 AQ -1 ) p- (Q -1 A t M -3 AQ -1 ) (A t b) = (Q -1 A t M -2 (AQ -1 p b) e moltiplicando per A M -1 (AQ -1 p b) e m* = M -1 (AQ -1 p b) = (AQ -1 A t ) -1 (AQ -1 p b) m* sono i veri moltiplicatori: Per x* = Q -1 p - Q -1 A t M -1 AQ -1 p + Q -1 A t M -1 b F = Qx*-p = p A t M -1 AQ -1 p + A t M -1 b) p = -A t (M -1 AQ -1 p - M -1 b) = -A t m*
9 NLP -OPT 9 Il punto x* e ottimo : se y altro punto ammissibile A(x*-y)=0 e da Qx*-p+A t m* = 0 (x*-y) t (Qx*-p+A t m*) = (x*-y) t (Qx*-p ) = 0, [ x* t Qx*-y t Qx* = -p t y +p t x* ] F(y)-F(x*) = (1/2) y t Q y p t y - (1/2) x* t Q x* +p t x* = (1/2) y t Q y - (1/2) x* t Q x* + x* t Qx*-y t Qx* = (1/2) y t Q y + (1/2) x* t Q x* -y t Qx* = (1/2) (x*-y) t Q(x*-y) > 0 Possibile ricavare le condizioni di ottimo Calcolo esplicito ( fissare σ e calcolare numericamente x σ ) problematico (Q + σ Α t Α) mal condizionata Fissato σ formula per l inversa inesatta (richiede la serie) x σ risulta ammissibile solo al limite ( come avere una soluzione? ) m* e limite di forma (+ )(0) (come approssimare m*? )
2 + (σ2 - ρσ 1 ) 2 > 0 [da -1 ρ 1] b = (σ 2. 2 - ρσ1 σ 2 ) = (σ 1
1 PORTAFOGLIO Portafoglio Markowitz (2 titoli) (rischiosi) due titoli rendimento/varianza ( μ 1, σ 1 ), ( μ 2, σ 2 ) Si suppone μ 1 > μ 2, σ 1 > σ 2 portafoglio con pesi w 1, w 2 w 1 = w, w 2 = 1- w 1
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
DettagliParte 2. Determinante e matrice inversa
Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice
Dettagli2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione
Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza
DettagliApplicazioni lineari
Applicazioni lineari Esempi di applicazioni lineari Definizione. Se V e W sono spazi vettoriali, una applicazione lineare è una funzione f: V W tale che, per ogni v, w V e per ogni a, b R si abbia f(av
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
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
DettagliSulle funzioni di W 1,p (Ω) a traccia nulla
Sulle funzioni di W 1,p () a traccia nulla Sia u W 1,p (R n ) e supponiamo che il supp u, essendo un aperto di R n. Possiamo approssimare u con una successione di funzioni C il cui supporto è contenuto
Dettagli4. Operazioni elementari per righe e colonne
4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:
DettagliLezioni di Ricerca Operativa. Corso di Laurea in Informatica Università di Salerno. Lezione n 4
Lezioni di Ricerca Operativa Lezione n 4 - Problemi di Programmazione Matematica - Problemi Lineari e Problemi Lineari Interi - Forma Canonica. Forma Standard Corso di Laurea in Informatica Università
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
DettagliRICHIAMI SULLE MATRICI. Una matrice di m righe e n colonne è rappresentata come
RICHIAMI SULLE MATRICI Una matrice di m righe e n colonne è rappresentata come A = a 11 a 12... a 1n a 21 a 22... a 2n............ a m1 a m2... a mn dove m ed n sono le dimensioni di A. La matrice A può
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
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
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
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
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
DettagliEsempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica.
Esempio Risultati sperimentali Approssimazione con il criterio dei minimi quadrati Esempio Interpolazione con spline cubica. Esempio 1 Come procedere? La natura del fenomeno suggerisce che una buona approssimazione
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
DettagliCapitolo 1 ANALISI COMPLESSA
Capitolo 1 ANALISI COMPLESSA 1 1.4 Serie in campo complesso 1.4.1 Serie di potenze Una serie di potenze è una serie del tipo a k (z z 0 ) k. Per le serie di potenze in campo complesso valgono teoremi analoghi
DettagliEQUAZIONI non LINEARI
EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI
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
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)
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 Alcuni criteri di convergenza per serie a termini non negativi
Alcuni criteri di convergenza per serie a termini non negativi (Criterio del rapporto.) Consideriamo la serie a (.) a termini positivi (ossia a > 0, =, 2,...). Supponiamo che esista il seguente ite a +
DettagliRichiami di algebra lineare e geometria di R n
Richiami di algebra lineare e geometria di R n combinazione lineare, conica e convessa spazi lineari insiemi convessi, funzioni convesse rif. BT.5 Combinazione lineare, conica, affine, convessa Un vettore
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
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
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
DettagliLuigi Piroddi piroddi@elet.polimi.it
Automazione industriale dispense del corso 10. Reti di Petri: analisi strutturale Luigi Piroddi piroddi@elet.polimi.it Analisi strutturale Un alternativa all analisi esaustiva basata sul grafo di raggiungibilità,
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
Dettagli2 Argomenti introduttivi e generali
1 Note Oltre agli esercizi di questa lista si consiglia di svolgere quelli segnalati o assegnati sul registro e genericamente quelli presentati dal libro come esercizio o come esempio sugli argomenti svolti
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
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,
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
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
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
DettagliLEZIONE 16. Proposizione 16.1.2. Siano V e W spazi vettoriali su k = R, C. Se f: V W
LEZIONE 16 16.1. Applicazioni lineari iniettive e suriettive. Ricordo le seguenti due definizioni valide per applicazioni di qualsiasi tipo ϕ: X Y fra due insiemi. L applicazione ϕ si dice iniettiva se
DettagliDocente: Anna Valeria Germinario. Università di Bari. A.V.Germinario (Università di Bari) Analisi Matematica ITPS 1 / 22
Laurea in Informatica e Tecnologie per la Produzione del Software Corso di Analisi Matematica Calcolo differenziale e approssimazioni, formula di Taylor Docente: Anna Valeria Germinario Università di Bari
DettagliModelli per la gestione delle scorte
Modelli per la gestione delle scorte Claudio Arbib Università di L Aquila Seconda Parte Sommario Sui problemi di gestione aperiodica equazioni di stato Funzioni di costo Un modello convesso formulazione
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
DettagliMATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni.
MATEMATICA. Sistemi lineari in due equazioni due incognite. Date due equazioni lineari nelle due incognite x, y come ad esempio { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un
DettagliRICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007
RICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007 Rispondere alle seguenti domande marcando a penna la lettera corrispondente alla risposta ritenuta corretta (una sola tra quelle riportate). Se
Dettaglix 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0.
Problema. Sia W il sottospazio dello spazio vettoriale R 4 dato da tutte le soluzioni dell equazione x + x 2 + x = 0. (a. Sia U R 4 il sottospazio dato da tutte le soluzioni dell equazione Si determini
DettagliEquazioni differenziali ordinarie
Equazioni differenziali ordinarie Denis Nardin January 2, 2010 1 Equazioni differenziali In questa sezione considereremo le proprietà delle soluzioni del problema di Cauchy. Da adesso in poi (PC) indicherà
Dettagli4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale
4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale Spazi Metrici Ricordiamo che uno spazio metrico è una coppia (X, d) dove X è un insieme e d : X X [0, + [ è una funzione, detta metrica,
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
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
DettagliChiusura lineare. N.B. A può essere indifferentemente un insieme, finito o no, o un sistema. Es.1. Es.2
Chiusura lineare Def. Sia A V (K) con A. Si dice copertura lineare (o chiusura lineare) di A, e si indica con L(A), l insieme dei vettori di V che risultano combinazioni lineari di un numero finito di
DettagliEsercizi svolti su serie di Fourier
Esercizi svolti su serie di Fourier Esercizio. (Onda quadra. Determinare i coefficienti di Fourier della funzione x [, f(x = x [, prolungata a una funzione -periodica su R (d ora in poi denoteremo con
DettagliIntroduzione al MATLAB c Parte 2
Introduzione al MATLAB c Parte 2 Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 18 gennaio 2008 Outline 1 M-file di tipo Script e Function Script Function 2 Costrutti di programmazione
DettagliIl modello media-varianza con N titoli rischiosi. Una derivazione formale. Enrico Saltari
Il modello media-varianza con N titoli rischiosi. Una derivazione formale Enrico Saltari La frontiera efficiente con N titoli rischiosi Nel caso esistano N titoli rischiosi, con N 2, il problema della
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
DettagliNel seguito, senza ulteriormente specificarlo, A indicherà un anello commutativo con identità.
1 ANELLI Definizione 1.1. Sia A un insieme su cui sono definite due operazioni +,. (A, +, ) si dice Anello se (A, +) è un gruppo abeliano è associativa valgono le leggi distributive, cioè se a, b, c A
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.
DettagliCONCETTO DI LIMITE DI UNA FUNZIONE REALE
CONCETTO DI LIMITE DI UNA FUNZIONE REALE Il limite di una funzione è uno dei concetti fondamentali dell'analisi matematica. Tramite questo concetto viene formalizzata la nozione di funzione continua e
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
DettagliMATEMATICA 2001. p = 4/6 = 2/3; q = 1-2/3 = 1/3. La risposta corretta è quindi la E).
MATEMATICA 2001 66. Quale fra le seguenti affermazioni è sbagliata? A) Tutte le funzioni ammettono la funzione inversa B) Una funzione dispari è simmetrica rispetto all origine C) Una funzione pari è simmetrica
DettagliIndice. 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo... 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità...
Indice 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo............................. 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità.............. 5 i Capitolo 1 Introduzione
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)
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
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
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 )
Dettagli9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A = LU
9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A LU 9.1 Il metodo di Gauss Come si è visto nella sezione 3.3, per la risoluzione di un sistema lineare si può considerare al posto
DettagliIniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:
Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione
DettagliAlcuni complementi sulle successioni
Alcuni complementi sulle successioni 1 (Teorema del confronto) Siano {a n } e {b n } due successioni regolari tali che si abbia a n b n n N. (1) Allora: a n b n. (2) Dim. Sia L = a n ed L = b n. Se L =
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
DettagliMatematica generale CTF
Equazioni differenziali 9 dicembre 2015 Si chiamano equazioni differenziali quelle equazioni le cui incognite non sono variabili reali ma funzioni di una o più variabili. Le equazioni differenziali possono
DettagliLEZIONE 31. B i : R n R. R m,n, x = (x 1,..., x n ). Allora sappiamo che è definita. j=1. a i,j x j.
LEZIONE 31 31.1. Domini di funzioni di più variabili. Sia ora U R n e consideriamo una funzione f: U R m. Una tale funzione associa a x = (x 1,..., x n ) U un elemento f(x 1,..., x n ) R m : tale elemento
DettagliLezione 6 Nucleo, Immagine e Teorema della Dimensione. 1 Definizione di Nucleo e Immagine
Lezione 6 Nucleo, Immagine e Teorema della Dimensione In questa lezione entriamo nel vivo della teoria delle applicazioni lineari. Per una applicazione lineare L : V W definiamo e impariamo a calcolare
DettagliSIMULAZIONE TEST ESAME - 1
SIMULAZIONE TEST ESAME - 1 1. Il dominio della funzione f(x) = log (x2 + 1)(4 x 2 ) (x 2 2x + 1) è: (a) ( 2, 2) (b) ( 2, 1) (1, 2) (c) (, 2) (2, + ) (d) [ 2, 1) (1, 2] (e) R \{1} 2. La funzione f : R R
Dettaglia) Osserviamo innanzi tutto che dev essere x > 0. Pertanto il dominio è ]0, + [. b) Poniamo t = log x. Innanzi tutto si ha:
ESERCIZIO - Data la funzione f (x) = (log x) 6 7(log x) 5 + 2(log x) 4, si chiede di: a) calcolare il dominio di f ; ( punto) b) studiare la positività e le intersezioni con gli assi; (3 punti) c) stabilire
DettagliSuccessioni di funzioni reali
E-school di Arrigo Amadori Analisi I Successioni di funzioni reali 01 Introduzione. In questo capitolo applicheremo i concetti di successione e di serie alle funzioni numeriche reali. Una successione di
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano
DettagliCorso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti
Corso di Analisi Numerica - AN1 Parte 2: metodi diretti per sistemi lineari Roberto Ferretti Richiami sulle norme e sui sistemi lineari Il Metodo di Eliminazione di Gauss Il Metodo di Eliminazione con
DettagliLimiti e continuità di funzioni reali di una variabile
di funzioni reali di una variabile Corso di Analisi Matematica - capitolo VI Facoltà di Economia, UER Maria Caterina Bramati Université Libre de Bruxelles ECARES 22 Novembre 2006 Intuizione di ite di funzione
Dettagli+ P a n n=1 + X. a n = a m 3. n=1. m=4. Per poter dare un significato alla somma (formale) di infiniti termini, ricorriamo al seguente procedimento:
Capitolo 3 Serie 3. Definizione Sia { } una successione di numeri reali. Ci proponiamo di dare significato, quando possibile, alla somma a + a 2 +... + +... di tutti i termini della successione. Questa
DettagliUniversità degli Studi di Milano / Bicocca Facoltà di Economia. Prova scritta del 12 luglio 2011 SOLUZIONI
Università degli Studi di Milano / Bicocca Facoltà di Economia MATEMATICA FINANZIARIA EcoCom A-Le / Li-Z Prova scritta del luglio SOLUZIONI Per gli studenti immatricolati entro il 7/8 (45cfu): L operazione
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI Esercizi Esercizio 1. Sia f: R 3 R 2 (x, y, z) (x + 2y + z, y + z). (1) Verificare che f è lineare. (2) Determinare una base di ker(f) e stabilire se f è iniettiva. (3) Calcolare w
Dettaglix (x i ) (x 1, x 2, x 3 ) dx 1 + f x 2 dx 2 + f x 3 dx i x i
NA. Operatore nabla Consideriamo una funzione scalare: f : A R, A R 3 differenziabile, di classe C (2) almeno. Il valore di questa funzione dipende dalle tre variabili: Il suo differenziale si scrive allora:
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
DettagliNLP KKT 1. Le condizioni necessarie di ottimo per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J
NLP KKT 1 Le condizioni necessarie di ottimo per il problema min f o (x) g i (x) 0 i I h j (x) = 0 j J sono, riferite ad un punto ammissibile x*, μ 0 f o (x*) + i I μ i g i (x*) + j J λ j h j (x*) = 0
DettagliL anello dei polinomi
L anello dei polinomi Sia R un anello commutativo con identità. È possibile costruire un anello commutativo unitario, che si denota con R[x], che contiene R (come sottoanello) e un elemento x non appartenente
DettagliRicerca Operativa 2. Introduzione al metodo del Simplesso
Ricerca Operativa 2. Introduzione al metodo del Simplesso Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema di ottimizzazione vincolata è definito dalla massimizzazione
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
Dettaglix u v(p(x, fx) q(u, v)), e poi
0.1. Skolemizzazione. Ogni enunciato F (o insieme di enunciati Γ) è equisoddisfacibile ad un enunciato universale (o insieme di enunciati universali) in un linguaggio estensione del linguaggio di F (di
DettagliComplementi di Analisi per Informatica *** Capitolo 2. Numeri Complessi. e Circuiti Elettrici. a Corrente Alternata. Sergio Benenti 7 settembre 2013
Complementi di Analisi per nformatica *** Capitolo 2 Numeri Complessi e Circuiti Elettrici a Corrente Alternata Sergio Benenti 7 settembre 2013? ndice 2 Circuiti elettrici a corrente alternata 1 21 Circuito
DettagliMATRICI E DETERMINANTI
MATRICI E DETERMINANTI 1. MATRICI Si ha la seguente Definizione 1: Un insieme di numeri, reali o complessi, ordinati secondo righe e colonne è detto matrice di ordine m x n, ove m è il numero delle righe
DettagliIndice. Nota degli autori. 1 Capitolo 1 Introduzione alla ricerca operativa
XI Nota degli autori 1 Capitolo 1 Introduzione alla ricerca operativa 1 1.1 Premessa 1 1.2 Problemi di ottimizzazione 6 1.3 Primi approcci ai modelli di ottimizzazione 13 1.4 Uso del risolutore della Microsoft
DettagliAnalisi Complessa. Prova intermedia del 7 novembre 2002 - Soluzioni. (z 11 1) 11 1 = 0.
Analisi Complessa Prova intermedia del 7 novembre 2002 - Soluzioni Esercizio. Si consideri l equazione z 0. Quante soluzioni distinte esistono in C? Quante di esse sono contenute all interno del disco
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
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
DettagliFacoltà di Dipartimento di Ingegneria Elettrica e dell'informazione anno accademico 2014/15 Registro lezioni del docente SPORTELLI LUIGI
Facoltà di Dipartimento di Ingegneria Elettrica e dell'informazione anno accademico 2014/15 Registro lezioni del docente SPORTELLI LUIGI Attività didattica ANALISI MATEMATICA [2000] Periodo di svolgimento:
DettagliPolitecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).
Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................
DettagliCalcolatori: Algebra Booleana e Reti Logiche
Calcolatori: Algebra Booleana e Reti Logiche 1 Algebra Booleana e Variabili Logiche I fondamenti dell Algebra Booleana (o Algebra di Boole) furono delineati dal matematico George Boole, in un lavoro pubblicato
DettagliFederico Lastaria. Analisi e Geometria 2. Matrici simmetriche. Il teorema spettrale. 1/24
Contenuto Endomorfismi auto-aggiunti. Matrici simmetriche. Il teorema spettrale Gli autovalori di una matrice simmetrica sono tutti reali. (Dimostrazione fatta usando i numeri complessi). Dimostrazione
DettagliApprossimazione polinomiale di funzioni e dati
Approssimazione polinomiale di funzioni e dati Approssimare una funzione f significa trovare una funzione f di forma più semplice che possa essere usata al posto di f. Questa strategia è utilizzata nell
DettagliRicerca Operativa Dualità e programmazione lineare
Ricerca Operativa Dualità e programmazione lineare L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi alle spiegazioni del
Dettagli- Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo)
Se si ha un problema lineare e' possibile risolverlo in piu' modi (equivalenti ) - Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo) - Trovare soluzione ottima duale (con il simplesso
DettagliRichiami sulle derivate parziali e definizione di gradiente di una funzione, sulle derivate direzionali. Regola della catena per funzioni composte.
PROGRAMMA di Fondamenti di Analisi Matematica 2 (che sarà svolto fino al 7 gennaio 2013) A.A. 2012-2013, Paola Mannucci e Claudio Marchi, Canali 1 e 2 Ingegneria Gestionale, Meccanica-Meccatronica, Vicenza
Dettagli