4. ALGORITMI GREEDY. cambia-monete scheduling a minimo il ritardo. Il problema del cambia-monete. Proprietà di una soluzione ottima

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "4. ALGORITMI GREEDY. cambia-monete scheduling a minimo il ritardo. Il problema del cambia-monete. Proprietà di una soluzione ottima"

Transcript

1 Il problema del camba-monete. ALGORITMI GREEDY camba-monete schedulng a mnmo l rtardo Scopo. Dat tagl dsponbl: c, c, 5c, 0c, 0c, 50c,, progettare un algortmo che data una certa somma la camb usando l mnmo numero d monete. Ex. cent. Algortmo del cassere. Ad ogn terazone, aggung una moneta del valore pù alto che non supera la somma rmanente da pagare. Ex Algortmo del cassere Propretà d una soluzone ottma Ad ogn terazone, aggung una moneta del valore pù alto possble che non supera la somma rmanente da pagare. ALGORITMO-DEL-CASSIERE (x, c, c,, cn) Tagl dsponbl: c, c, 5c, 0c, 0c, 50c,, Prop. Il numero d monete da c è. Dm. Se c fossero monete da c potremmo sostturle con una da c. ORDINA gl n tagl d moneta c < c < < cn S φ WHILE x > 0 k n nseeme d monete selezonate WHILE k > 0 IF ck x x x ck ; S S { k } Prop. Numero d monete da c. Prop. Number d monete da 5c. Prop. Number d monete da 0c. Prop. 5 Number d monete da 0c. Prop. 6 Number d monete da 50c. Prop. 7 Number d monete da. BREAK WHILE IF k = 0 RETURN "nessuna soluzone" END WHILE RETURN S Prop. Numero d c + numero d c. Dm. due c e un c possono essere sosttut da un 5c; Domanda. L algortmo del cassere fornsce sempre la soluzone ottma? 8 Prop. 0 Numero d 0c + number d 0c.

2 Anals dell algortmo del cassere (greedy) L algortmo del cassere per altr tagl d moneta Teorema. L algortmo è ottmo per le monete:,, 5, 0, 0, 50,,. Dm. [per nduzone su x (la somma da cambare)] Consderamo la soluzone ottma Opt per cambare una somma x tale che c k x < c k+ : Greedy scegle prma la moneta d valore c k. Se nella soluzone ottma Opt non c fosse la moneta d taglo c k Opt dovrebbe contenere monete c,, c k che sommano ad x c k dalla tabella s vede che tale collezone d monete non può esstere Qund Opt={c k } soluzone per x c k cents, che, per nduzone, è quella ottenuta dall algortmo del cassere. Domanda. L algortmo del cassere è ottmo per ogn nseme d monete? Rsposta. No. S consder l caso de francoboll: 0c, 70c, 85c, 0c,,.,.5,,.0,.80,. Algortmo del cassere:.80 =.5 + 0c + 0c + 0c. Ottmo:.80 = 0c + 0c. k ck ogn soluzone ottma soddsfa # c # c max valore con monete c,, ck n Opt 5 #c + #c + = 0 #5c + 5 = 5 0 #0c + 0 = 6 50 #0c + #0c +0+0 = 0 Importante. Infatt potrebbe addrttura portare a non dare una soluzone, dove ne esste una. Esempo, con tagl de francoboll senza quello da 0c: Per la somma.70 Casher's algorthm:.70 =.0 +???. Ottmo:.70 = + 70c. Camba-monete n Bonformatca Mass Decomposton Problem. Abbamo un frammento d DNA d massa par a 650±Da e nessun altra nformazone. Come possamo provare ad dentfcarlo? Passo. Qual combnazon d bas esstono con tale massa?. ALGORITMI GREEDY camba-monete schedulng a mnmo rtardo Rsposta. Esstono solo due possbl combnazon: 8 guanne: 6.Da + 8.0Da (una molecola d acqua) 7 ctosne e tmne: 6. Da Da (acqua) DNA Mass Decomposzone Problem = Problema del Cambamonete Pes molecolar de nucleotd = tagl d monete dsponbl molecola da dentfcare = somma da cambare

3 Schedulng che mnmzza l rtardo Mnmzzare l rtardo: possbl scelte greedy Il problema del mnmo rtardo. Un computer esegue un programma per volta. Job rchede t() untà d tempo e deve essere completato entro d(). Se comnca l esecuzone al tempo s(), termnerà al tempo f() = s() + t(). Rtardo: = max { 0, f() d() }. Scopo: ordne d esecuzone de obs che mnmzza l massmo rtardo L = max. t d Lo schema Greedy. Ordna ob seguendo un crtero apparentemente [In ordne d lunghezza] Ordna obs n ordne d tempo d esecuzone crescente t. [In ordne d scadenza] Ordna ob n ordne crescente d scadenza d(). rtardo = rtardo = 0 max rtardo = 6 d = d = 8 d 6 = 5 d = 6 d 5 = d = [In ordne d tempo rmanente] Ordna ob n ordne crescente della dfferenza tra la deadlne e la lunghezza del ob d t. 5 Mnmzzare l rtardo: scelte greedy Mnmzzare l rtardo: scelte greedy Schema Greedy. Ordna ob seguendo un crtero (apparentemente) Schema Greedy. Ordna ob seguendo un crtero (apparentemente) [In ordne d lunghezza] Ordna obs n ordne d tempo d esecuzone crescente t. [In ordne d tempo rmanente] Ordna ob n ordne crescente della dfferenza tra la deadlne e la lunghezza del ob d t. t 0 controesempo t 0 controesempo d 00 0 max rtardo = d 0 max rtardo = d = 00 d = 0 d = 0 d = max rtardo = 0 max rtardo = d = 0 d = 00 d = d =

4 Mnmzzare l rtardo: n ordne d deadlne Mnmzzare l rtardo: nessun tempo morto EARLIEST-DEADLINE-FIRST (n, t, t,, tn, d, d,, dn) Osservazone. Esste un ordne d esecuzone ottmo senza temp mort. ORDINA n ob n modo che d d dn. d = d = d = t 0 FOR = TO n Assegna ob all ntervallo [t, t +t]. 5 6 d = d = 6 d = s t ; f t + t t t t + t RETURN ntervall [s, f], [s, f],, [sn, fn]. d Osservazone. La soluzone greedy n ordne d scadenza non ha temp mort. max lateness = d = 6 d = 8 d = d = d 5 = d 6 = Mnmzzare l rtardo: nverson Mnmzzare l rtardo: nverson Def. Dato un ordne d esecuzone S, un nversone è una coppa d ob e tal che: () greedy schedula prma e po (qund d() d() ) () ma precede n S. nversone f() Def. Dato un ordne d esecuzone S, un nversone è una coppa d ob e tal che: d() < d() ma precede n S. nversone f() prma dello scambo [ assumamo che ob sano numerat con d d d n ] dopo lo scambo f '() Osservazone. La soluzone greedy n ordne d scadenza non ha nverson. Osservazone. Se un ordne d esecuzone (senza temp mort) presenta un nversone, allora ha un nversone costtuta da una coppa d ob consecutv. 0 Lemma. Scambando due ob adacent che formavano un nversone, rduce l numero d nverson d uno e non aumenta l max rtardo. Dm. Sa l rtardo prma dello scambo, e sa ' l rtardo dopo lo scambo. ' k = k per ogn k,. '. se è n rtardo, ' = f '() d()! = f() d()! (per defnzone) ( ora fnsce al tempo f() ) f() d()! (perché e formano un nversone).!! (per defnzone)

5 Mnmzzare l rtardo: anals d greedy Stratege per l anals d algortm Greedy Teorema. L ordne S fornto dall algortmo greedy per ordne d scadenza è ottmo. Dm. [per assurdo] Prendamo una soluzone ottma S* che ha l mnmo numero d nverson, e vedamo che succede. Possamo assumere che S* non abba temp mort. Se S* non ha nverson allora S = S* Se S* ha un nversone, sa una coppa adacente d ob n nversone. Scambando e non ncrementamo l max rtardo rducamo d uno l numero delle nverson Questo contraddce la defnzone d S* l nuovo ordne ha lo stesso rtardo massmo: è una soluzone ottma ha un nversone n meno rspetto ad S*, che doveva essere una soluzone ottma con l mnmo numero d nverson Greedy è pù avant. mostramo che dopo ogn scelta dell algortmo greedy, la sua soluzone è almeno tanto buona quanto quella d un qualsas altro algortmo. Anals strutturale. defnamo un bound "strutturale" garantendo che ogn possble soluzone deve avere almeno un certo valore. Qund mostramo che greedy soddsfa sempre quel bound. Argomento basato sullo scambo. Gradualmente transformamo una qualsas soluzone n quella trovata da greedy, mostrando che ogn passo d tale trasformazone non peggora la qualtà della soluzone. Altr algortm greedy. Gale-Shapley (vsto), Dkstra (cammn mnm n un grafo), Huffman (codc e compressone dat),

Metodi di Ottimizzazione mod. Modelli per la pianificazione delle attività

Metodi di Ottimizzazione mod. Modelli per la pianificazione delle attività Metod d Ottmzzazone mod. Modell per la panfcazone delle attvtà Paolo Dett Dpartmento d Ingegnera dell Informazone e Scenze Matematche Unverstà d Sena Metod d Ottmzzazone mod. Modell per la panfcazone delle

Dettagli

Algoritmi euristici: III Ricerca Locale

Algoritmi euristici: III Ricerca Locale Algortm eurstc: III Rcerca Locale Danele Vgo D.E.I.S. - Unverstà d Bologna dvgo@des.unbo.t rev. 1.0 - dcembre 2003 Algortm d Rcerca Locale partono da una soluzone (ammssble) cercano teratvamente d mglorarla

Dettagli

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Struttura delle ret logstche Sstem produttv multstado Struttura logstca

Dettagli

4.6 Dualità in Programmazione Lineare

4.6 Dualità in Programmazione Lineare 4.6 Dualtà n Programmazone Lneare Ad ogn PL n forma d mn (max) s assoca un PL n forma d max (mn) Spaz e funzon obettvo dvers ma n genere stesso valore ottmo! Esempo: l valore massmo d un flusso ammssble

Dettagli

Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 10: 6-7 Maggio Meccanismi con Pagamenti: Applicazioni e Limiti

Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 10: 6-7 Maggio Meccanismi con Pagamenti: Applicazioni e Limiti trument della Teora de Goch per l Informatca A.A. 2009/0 Lecture 0: 6-7 Maggo 200 Meccansm con Pagament: Applcazon e Lmt ocente Paolo Penna Note redatte da: Paolo Penna Lezone precedente Funzon d scelta

Dettagli

RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2

RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2 RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A La rappresentazone n Complemento a Due d un numero ntero relatvo (.-3,-,-1,0,+1,+,.) una volta stablta la precsone che s vuole ottenere (coè l numero d

Dettagli

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE * * PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che

Dettagli

Algebra 2. 6 4. Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.

Algebra 2. 6 4. Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i. Testo Fac-smle 2 Durata prova: 2 ore 8 1. Un gruppo G s dce semplce se suo unc sottogrupp normal sono 1 e G stesso. Sa G un gruppo d ordne pq con p e q numer prm tal che p < q. (a) Il gruppo G può essere

Dettagli

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Un algortmo per l flusso su ret a costo mnmo: l smplesso su ret Convergenza

Dettagli

Controllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Controllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Controllo e schedulng delle operazon Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Organzzazone della produzone PRODOTTO che cosa ch ORGANIZZAZIONE PROCESSO come FLUSSO DI PRODUZIONE

Dettagli

Metodi di Ottimizzazione mod. Modelli per la pianificazione delle attività

Metodi di Ottimizzazione mod. Modelli per la pianificazione delle attività Metod d Ottmzzazone mod. Modell er la anfcazone delle attvtà Paolo Dett Dartmento d Ingegnera dell Informazone e Scenze Matematche Unverstà d Sena Metod d Ottmzzazone mod. Modell er la anfcazone delle

Dettagli

Corso di. Dott.ssa Donatella Cocca

Corso di. Dott.ssa Donatella Cocca Corso d Statstca medca e applcata 3 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone I concett prncpal che sono stat presentat sono: Mede forme o analtche (Meda artmetca semplce, Meda artmetca

Dettagli

Intorduzione alla teoria delle Catene di Markov

Intorduzione alla teoria delle Catene di Markov Intorduzone alla teora delle Catene d Markov Mchele Ganfelce a.a. 2014/2015 Defnzone 1 Sa ( Ω, F, {F n } n 0, P uno spazo d probabltà fltrato. Una successone d v.a. {ξ n } n 0 defnta su ( Ω, F, {F n }

Dettagli

Algoritmo di Carlier- Pinson per problemi di Job Shop Scheduling: un esempio

Algoritmo di Carlier- Pinson per problemi di Job Shop Scheduling: un esempio Formulazone e Notazon Algortmo d Carler- Pnson er roblem d Job Sho Schedulng: un esemo Notazon o C M ( o r, q -esma oerazone del ob Temo d rocessamento d o Macchna che deve rocessare o Clque (nseme d oerazon

Dettagli

{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo

{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo Element d teora de goch Govann D Bartolomeo Unverstà degl Stud d Teramo 1. Descrzone d un goco Un generco goco, Γ, che s svolge n un unco perodo, può essere descrtto da una Γ= NSP,,. Ess sono: trpla d

Dettagli

Ottimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO

Ottimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO Ottmzzazone nella gtone de progett Captolo 6 Project Schedulng con vncol sulle rsorse CARLO MANNINO Unverstà d Roma La Sapenza Dpartmento d Informatca e Sstemstca 1 Rsorse Ogn attvtà rchede rsorse per

Dettagli

Analisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:

Analisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni: Anals ammortzzata Anals ammortzzata S consdera l tempo rchesto per esegure, nel caso pessmo, una ntera sequenza d operazon. Se le operazon costose sono relatvamente meno frequent allora l costo rchesto

Dettagli

Soluzioni 3.1. n(n 1) (n k + 1) z n k! k + 1 n k. lim k

Soluzioni 3.1. n(n 1) (n k + 1) z n k! k + 1 n k. lim k (1) La sere bnomale è B n (z) = k=0 Con l metodo del rapporto s ottene R = lm k Soluzon 3.1 n(n 1) (n k + 1) z n k! c k c k+1 = lm k k + 1 n k lm k c k z k. k=0 1 + 1 k 1 n k = 1 (2) La multfunzone f(z)

Dettagli

Modelli decisionali su grafi - Problemi di Localizzazione

Modelli decisionali su grafi - Problemi di Localizzazione Modell decsonal su graf - Problem d Localzzazone Massmo Paolucc (paolucc@dst.unge.t) DIST Unverstà d Genova Locaton Problems: modell ed applcazon Decson a medo e lungo termne (panfcazone) Caratterstche

Dettagli

Grafi ed equazioni topologiche

Grafi ed equazioni topologiche Graf ed equazon topologche www.de.ng.unbo.t/pers/mastr/ddattca.htm (ersone del --) Premessa Se s ndca con l l numero d corrent e l numero d tenson de component d un crcuto, la rsoluzone del crcuto rchede

Dettagli

CPM: Calcolo del Cammino Critico

CPM: Calcolo del Cammino Critico Supponamo d conoscere per ogn attvtà A = (,j) la sua durata t j t j j Calcolamo l tempo al pù presto n cu può nzare o fnre una attvtà. Supponamo d dover calcolare l tempo al pù presto n cu s possono nzare

Dettagli

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che

Dettagli

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE Matematca e statstca: da dat a modell alle scelte www.dma.unge/pls_statstca Responsabl scentfc M.P. Rogantn e E. Sasso (Dpartmento d Matematca Unverstà d Genova) STATISTICA DESCRITTIVA - SCHEDA N. REGRESSIONE

Dettagli

SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO. ECONOMIA INDUSTRIALE Università degli Studi di Milano-Bicocca. Christian Garavaglia

SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO. ECONOMIA INDUSTRIALE Università degli Studi di Milano-Bicocca. Christian Garavaglia SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO ECONOMIA INDUSTRIALE Unverstà degl Stud d Mlano-Bcocca Chrstan Garavagla Soluzone 7 a) L ndce d concentrazone C (o CR k ) è la somma delle uote d mercato (o share)

Dettagli

Variabili statistiche - Sommario

Variabili statistiche - Sommario Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su

Dettagli

LE FREQUENZE CUMULATE

LE FREQUENZE CUMULATE LE FREQUENZE CUMULATE Dott.ssa P. Vcard Introducamo questo argomento con l seguente Esempo: consderamo la seguente dstrbuzone d un campone d 70 sttut d credto numero flal present nel terrtoro del comune

Dettagli

6. Catene di Markov a tempo continuo (CMTC)

6. Catene di Markov a tempo continuo (CMTC) 6. Catene d Markov a tempo contnuo (CMTC) Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto numerable. L nseme de

Dettagli

Premessa essa sulle soluzioni

Premessa essa sulle soluzioni Appunt d Chmca La composzone delle soluzon Premessa sulle soluzon...1 Concentrazone...2 Frazone molare...2 Molartà...3 Normaltà...4 Molaltà...4 Percentuale n peso...4 Percentuale n volume...5 Massa per

Dettagli

* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1

* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1 APAT Agenza per la Protezone dell Ambente e per Servz Tecnc Dpartmento Dfesa del Suolo / Servzo Geologco D Itala Servzo Tecnologe del sto e St Contamnat * * * Nota nerente l calcolo della concentrazone

Dettagli

Teoria dei Giochi. Dr. Giuseppe Rose Università degli Studi della Calabria Corso di Laurea Magistrale in Economia Applicata a.a 2011/2012 Handout 4

Teoria dei Giochi. Dr. Giuseppe Rose Università degli Studi della Calabria Corso di Laurea Magistrale in Economia Applicata a.a 2011/2012 Handout 4 Teora de Goch Dr. Guseppe Rose Unverstà degl Stud della Calabra Corso d Laurea Magstrale n Economa Applcata a.a 011/01 Handout 4 1 L equlbro d Bertrand Nel modello d Bertrand, abbamo un duopolo esattamente

Dettagli

Allenamenti di matematica: Teoria dei numeri e algebra modulare Soluzioni esercizi

Allenamenti di matematica: Teoria dei numeri e algebra modulare Soluzioni esercizi Allenament d matematca: Teora de numer e algebra modulare Soluzon esercz 29 novembre 2013 1. Canguro salterno. Un canguro salterno s trova a ped d una scala nfnta che ntende salre nel seguente modo: Salta

Dettagli

Le operazioni che vogliamo realizzare sono. Supporremo che una tabella T abbia i seguenti attributi: 1. Table(T): costruisce una tabella vuota T.

Le operazioni che vogliamo realizzare sono. Supporremo che una tabella T abbia i seguenti attributi: 1. Table(T): costruisce una tabella vuota T. tabelle dnamche Tabelle dnamche Spesso non s conosce a pror quanta memora serve per memorzzare una struttura dat (tabella d dat ~ array, tabella hash, heap, stack, ecc.. Può captare qund d allocare una

Dettagli

Esercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media

Esercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media Alcun esercz su algortm e programmazone Fondament d Informatca A Ingegnera Gestonale Unverstà degl Stud d Bresca Docente: Prof. Alfonso Gerevn Scrvere l algortmo e l dagramma d flusso per l seguente problema:

Dettagli

Lezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo

Lezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo UNIVERSITA DEGLI STUDI DI BASILICATA FACOLTA DI ECONOMIA Corso d laurea n Economa Azendale Lezon d Statstca (25 marzo 2013) Docente: Massmo Crstallo QUARTILI Dvdono la dstrbuzone n quattro part d uguale

Dettagli

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII Prof. Guseppe F. Ross E-mal: guseppe.ross@unpv.t Homepage: http://www.unpv.t/retcal/home.html UNIVERSITA' DEGLI STUDI DI PAVIA Facoltà d Ingegnera A.A. 2011/12 - I Semestre - Sede PV RETI TELEMATICHE Lucd

Dettagli

CAPITOLO 3 CIRCUITI DI RESISTORI

CAPITOLO 3 CIRCUITI DI RESISTORI CAPITOLO 3 CIRCUITI DI RESISTORI Pagna 3. Introduzone 70 3. Connessone n sere e connessone n parallelo 70 3.. Bpol resstv n sere 7 3.. Bpol resstv n parallel 77 3.3 Crcut resstv lnear e sovrapposzone degl

Dettagli

La soluzione delle equazioni differenziali con il metodo di Galerkin

La soluzione delle equazioni differenziali con il metodo di Galerkin Il metodo de resdu pesat per gl element fnt a soluzone delle equazon dfferenzal con l metodo d Galerkn Tra le procedure generalmente adottate per formulare e rsolvere le equazon dfferenzal con un metodo

Dettagli

1 La domanda di moneta

1 La domanda di moneta La domanda d moneta Eserczo.4 (a) Keynes elenca tre motv per detenere moneta: Scopo transattvo Scopo precauzonale Scopo speculatvo Il modello d domanda d moneta a scopo speculatvo d Keynes consdera la

Dettagli

Ottimizzazione dei Progetti

Ottimizzazione dei Progetti Sapenza Unverstà d Roma - Dpartmento d Ingegnera Informatca, Automatca e Gestonale Ottmzzazone de Progett Renato Brun brun@ds.unroma.t Il materale presentato è dervato da quello de proff. A. Sassano e

Dettagli

CORRETTA RAPPRESENTAZIONE DI UN RISULTATO: LE CIFRE SIGNIFICATIVE

CORRETTA RAPPRESENTAZIONE DI UN RISULTATO: LE CIFRE SIGNIFICATIVE CORRETT RPPREETZIOE DI U RIULTTO: LE CIFRE IGIFICTIVE Defnamo cfre sgnfcatve quelle cfre che esprmono realmente l rsultato d una msura, o del suo errore, coè che non sono completamente ncluse nell ntervallo

Dettagli

Dai circuiti ai grafi

Dai circuiti ai grafi Da crcut a graf Il grafo è una schematzzazone grafca semplfcata che rappresenta le propretà d nterconnessone del crcuto ad esso assocato Il grafo è costtuto da un nseme d nod e d lat Se lat sono orentat

Dettagli

Individuazione di linee e curve. Minimi quadrati. Visione e Percezione. Model fitting: algoritmi per trovare le linee. a = vettore dei parametri

Individuazione di linee e curve. Minimi quadrati. Visione e Percezione. Model fitting: algoritmi per trovare le linee. a = vettore dei parametri Segmentazone tramte modell ad hoc Indvduazone d lnee e curve Obbettvo: Data l mmagne d output d un algortmo d rlevamento d bord, trova tutte le stanze d una certa curva (lnea o ellss) o una sua parte.

Dettagli

DATA MINING E CLUSTERING

DATA MINING E CLUSTERING Captolo 4 DATA MINING E CLUSTERING 4. Che cos'è l Data Mnng Per Data Mnng s'ntende quel processo d estrazone d conoscenza da banche dat, tramte l'applcazone d algortm che ndvduano le assocazon non mmedatamente

Dettagli

Esercitazione sulle Basi di di Definizione

Esercitazione sulle Basi di di Definizione Eserctazone sulle as d d Defnzone ESERIZIO Un bpolo ressto (dodo) ha la seguente equazone: = k [ 0 + 00] con k 0 nella quale ed sono descrtt dalla conenzone degl utlzzator come n fgura. Stablre se l bpolo

Dettagli

Corso di laurea in Economia marittima e dei trasporti

Corso di laurea in Economia marittima e dei trasporti Unverstà degl stud d Genova Corso d laurea n Economa marttma e de trasport Il problema del cammno mnmo n ret multobettvo Relatrce: Anna Scomachen Canddato: Slvo Vlla Dedcato a: Coloro che n me Hanno sempre

Dettagli

IL GRUPPO SIMMETRICO S n

IL GRUPPO SIMMETRICO S n EMILIO ZAPPA MATRICOLA UNIVERSITA DEGLI STUDI DI TORINO DIPARTIMENTO DI MATEMATICA ANNO ACCADEMICO 00/00 TESINA PER IL LABORATORIO DI COMBINATORICA IL GRUPPO SIMMETRICO S n IL GIOCO DEL Sa A un nseme fnto

Dettagli

CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI

CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI Cenn sulle macchne seuenzal CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI 4.) La macchna seuenzale. Una macchna seuenzale o macchna a stat fnt M e' un automatsmo deale a n ngress e m uscte defnto da: )

Dettagli

3 (solo esame 6 cfu) Elementi di Analisi Numerica, Probabilità e Statistica, modulo 2: Elementi di Probabilità e Statistica (3 cfu)

3 (solo esame 6 cfu) Elementi di Analisi Numerica, Probabilità e Statistica, modulo 2: Elementi di Probabilità e Statistica (3 cfu) lement d Anals Numerca, Probabltà e Statstca, modulo 2: lement d Probabltà e Statstca ( cfu) Probabltà e Statstca (6 cfu) Scrtto del 06 febbrao 205. Secondo Appello Id: A Nome e Cognome: same da 6 cfu

Dettagli

VERIFICHE DI S.L.U. SECONDO LE NTC 2008 TRAVE IN C.A. PROGETTO E VERIFICA ARMATURA A TAGLIO

VERIFICHE DI S.L.U. SECONDO LE NTC 2008 TRAVE IN C.A. PROGETTO E VERIFICA ARMATURA A TAGLIO VERIFICHE DI S.L.U. SECONDO LE NTC 2008 TRAVE IN C.A. PROGETTO E VERIFICA ARMATURA A TAGLIO In questo esempo eseguremo l progetto e la verfca delle armature trasversal d una trave contnua necessare per

Dettagli

Lezione 7. Numeri primi. Teorema Fondamentale dell'aritmetica.

Lezione 7. Numeri primi. Teorema Fondamentale dell'aritmetica. Lezone 7 Prereqst: L'nseme de nmer nter Lezone 6 Nmer prm Teorema Fondamentale dell'artmetca Defnzone 7 Un nmero ntero p dverso da 0 e s dce prmo se per ogn a b Z Altrment p s dce composto p ab p a oppre

Dettagli

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione 1 La Regressone Lneare (Semplce) Relazone funzonale e statstca tra due varabl Modello d regressone lneare semplce Stma puntuale de coeffcent d regressone Decomposzone della varanza Coeffcente d determnazone

Dettagli

Lezione 2 a - Statistica descrittiva per variabili quantitative

Lezione 2 a - Statistica descrittiva per variabili quantitative Lezone 2 a - Statstca descrttva per varabl quanttatve Esempo 5. Nella tabella seguente sono rportat valor del tasso glcemco rlevat su 10 pazent: Pazente Glcema (mg/100cc) 1 x 1 =103 2 x 2 =97 3 x 3 =90

Dettagli

Il traffico è un gioco?

Il traffico è un gioco? Il traffco è un goco? Gacomo Tomme Dpartmento d Matematca, Unverstà d Psa e-mal: tomme@dm.unp.t Introduzone Il ttolo potrebbe apparre provocatoro, ma n realtà è solo lo spunto per ntrodurre tem che voglamo

Dettagli

V n. =, e se esiste, il lim An

V n. =, e se esiste, il lim An Parttore resstvo con nfnte squadre n cascata. ITIS Archmede CT La Fg. rappresenta un parttore resstvo, formato da squadre d restor tutt ugual ad, conness n cascata, e l cu numero n s fa tendere ad nfnto.

Dettagli

DBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2

DBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2 DBMS multmedal A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2 DBMS multmedal Def: Sono DBMS che consentono d memorzzare e recuperare dat d natura multmedale:

Dettagli

F E risultante t delle forze esterne agenti su P i. F forza esercitata t sul generico punto P ij del sistema da P : forza interna al sistema

F E risultante t delle forze esterne agenti su P i. F forza esercitata t sul generico punto P ij del sistema da P : forza interna al sistema DINAMICA DEI SISTEMI Sstema costtuto da N punt materal P 1, P 2,, P N F E rsultante t delle forze esterne agent su P F E F forza eserctata t sul generco punto P j del sstema da P : forza nterna al sstema

Dettagli

Analisi dei flussi 182

Analisi dei flussi 182 Programmazone e Controllo Anals de fluss Clent SERVIZIO Uscta Quanto al massmo produce l mo sstema produttvo? Quanto al massmo produce la ma macchna? Anals de fluss 82 Programmazone e Controllo Teora delle

Dettagli

$%&'$%()($ * +,* -. )) )/

$%&'$%()($ * +,* -. )) )/ !"# $%&'$%()($ * +,* -. )) )/ 1 0 *",13.4 5. '. 1.'$$$ 0 0 *,6 7. 4! 5.! 8 1.)&&9 0 ) ' " / : ; %! 6 " > @ # 5 &' ;" >. ;" >. >.. ; >. # 6 C "! #!#! )!*#!!#!+@

Dettagli

Introduzione al Machine Learning

Introduzione al Machine Learning Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone

Dettagli

Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model

Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model Rcerca Operatva e Logstca Dott. F.Carrabs e Dott.ssa M.Gentl Modell per la Logstca: Sngle Flow One Level Model Mult Flow Two Level Model Modell d localzzazone nel dscreto Modell a Prodotto Sngolo e a Un

Dettagli

Sommatori: Full Adder. Adder. Architetture aritmetiche. Ripple Carry. Sommatori: Ripple Carry [2] Ripple Carry. Ripple Carry

Sommatori: Full Adder. Adder. Architetture aritmetiche. Ripple Carry. Sommatori: Ripple Carry [2] Ripple Carry. Ripple Carry CEFRIEL Consorzo per la Formazone e la Rcerca n Ingegnera dell Informazone Poltecnco d Mlano s Sommator: x y c x y c x y c x y c x y c Archtetture artmetche s x y Sommator:, Rpple Carry Sommator: Carry

Dettagli

Sviluppo in serie di Fourier. Introduzione e richiami sulle basi di spazi vettoriali. Serie di Fourier di segnali a supporto illimitato

Sviluppo in serie di Fourier. Introduzione e richiami sulle basi di spazi vettoriali. Serie di Fourier di segnali a supporto illimitato eora de segnal Introduzone a segnal determnat tolo untà Introduzone e rcham sulle bas d spaz vettoral Sere d Fourer d segnal a supporto lmtato Spettro d un segnale Sere d Fourer d segnal a supporto llmtato

Dettagli

5: Strato fisico: limitazione di banda, formula di Nyquist; caratterizzazione del canale in frequenza

5: Strato fisico: limitazione di banda, formula di Nyquist; caratterizzazione del canale in frequenza 5: Strato fsco: lmtazone d banda, formula d Nyqust; caratterzzazone del canale n frequenza Larghezza d banda d un segnale La larghezza d banda d un segnale è data dall ntervallo delle frequenze d cu è

Dettagli

Corso di Statistica (canale P-Z) A.A. 2009/10 Prof.ssa P. Vicard

Corso di Statistica (canale P-Z) A.A. 2009/10 Prof.ssa P. Vicard Corso d Statstca (canale P-Z) A.A. 2009/0 Prof.ssa P. Vcard VALORI MEDI Introduzone Con le dstrbuzon e le rappresentazon grafche abbamo effettuato le prme sntes de dat. E propro osservando degl stogramm

Dettagli

Geometria molecolare con distanze Euclidee

Geometria molecolare con distanze Euclidee Laboratoro Complement d Rcerca Operatva Prof. E. Amald Geometra molecolare con dstanze Eucldee Un mportante problema legato alla conformazone molecolare è quello del Molecular Dstance Geometry Problem

Dettagli

Programmazione e Controllo della Produzione. Analisi dei flussi

Programmazione e Controllo della Produzione. Analisi dei flussi Programmazone e Controllo della Produzone Anals de fluss Clent SERVIZIO Uscta Quanto al massmo produce l mo sstema produttvo? Quanto al massmo produce la ma macchna? Lo rsolvo con la smulazone? Sarebbe

Dettagli

PROGRAMMAZIONE LINEARE. Una piccola introduzione. Ricerca Operativa. Prof. R. Tadei. Politecnico di Torino P. L. / 1.

PROGRAMMAZIONE LINEARE. Una piccola introduzione. Ricerca Operativa. Prof. R. Tadei. Politecnico di Torino P. L. / 1. PROGRAMMAZIONE LINEARE Una pccola ntroduzone R. Tade R. Tade 2 LA PROGRAMMAZIONE LINEARE L obettvo del captolo consste nel fornre lo scheletro d un problema d programmazone lneare e gl strument concettual

Dettagli

Il logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico.

Il logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico. Il logartmo dscreto n Z p Il gruppo moltplcatvo Z p delle class resto modulo un prmo p è un gruppo cclco. Defnzone (Logartmo dscreto). Sa p un numero prmo e sa ā una radce prmtva n Z p. Sa ȳ Z p. Il logartmo

Dettagli

Università degli Studi di Urbino Facoltà di Economia

Università degli Studi di Urbino Facoltà di Economia Unverstà degl Stud d Urbno Facoltà d Economa Lezon d Statstca Descrttva svolte durante la prma parte del corso d corso d Statstca / Statstca I A.A. 004/05 a cura d: F. Bartolucc Lez. 8/0/04 Statstca descrttva

Dettagli

Condensatori e resistenze

Condensatori e resistenze Condensator e resstenze Lucano attaa Versone del 22 febbrao 2007 Indce In questa nota presento uno schema replogatvo relatvo a condensator e alle resstenze, con partcolare rguardo a collegament n sere

Dettagli

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA Mnstero della Salute D.G. della programmazone santara --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA La valutazone del coeffcente d varabltà dell mpatto economco consente d ndvduare gl ACC e DRG

Dettagli

Sommario. Obiettivo. Quando studiarla? La concentrazione. X: carattere quantitativo tra le unità statistiche. Quando studiarla?

Sommario. Obiettivo. Quando studiarla? La concentrazione. X: carattere quantitativo tra le unità statistiche. Quando studiarla? Corso d Statstca a.a. 9- uando studarla? Obettvo Dagramma d Lorenz Rapporto d concentrazone rea d concentrazone Esemp Sommaro La concentrazone uando studarla? Obettvo X: carattere quanttatvo tra le untà

Dettagli

Hansard OnLine. Unit Fund Centre Guida

Hansard OnLine. Unit Fund Centre Guida Hansard OnLne Unt Fund Centre Guda Sommaro Pagna Introduzone al Unt Fund Centre (UFC) 3 Uso de fltr per la selezone de fond 4-5 Lavorare con rsultat del fltro 6 Lavorare con rsultat del fltro - Prezz 7

Dettagli

B - ESERCIZI: IP e TCP:

B - ESERCIZI: IP e TCP: Unverstà d Bergamo Dpartmento d Ingegnera dell Informazone e Metod Matematc B - ESERCIZI: IP e TCP: F. Martgnon Archtetture e Protocoll per Internet Eserczo b. S consder l collegamento n fgura A C =8 kbt/s

Dettagli

Bipoli resistivi. (versione del ) Bipoli resistivi

Bipoli resistivi.  (versione del ) Bipoli resistivi Bpol resst www.de.ng.unbo.t/pers/mastr/ddattca.htm (ersone del 6--0) Bpol resst Bpolo ressto: componente a due termnal aente equazone caratterstca del tpo f (t), (t), t0 (f funzone generca) L equazone

Dettagli

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA IL PROBLEMA Supponamo d voler studare l effetto d 4 dverse dete su un campone casuale d 4

Dettagli

ELETTROTECNICA Ingegneria Industriale

ELETTROTECNICA Ingegneria Industriale ELETTROTECNICA Ingegnera Industrale INTRODUZIONE a CIRCUITI LEGGI d KIRCHHOFF Stefano Pastore Dpartmento d Ingegnera e Archtettura Corso d Elettrotecnca (043IN) a.a. 2013-14 Bblografa V. Danele, A. Lberatore,

Dettagli

9.6 Struttura quaternaria

9.6 Struttura quaternaria 9.6 Struttura quaternara L'ultmo lvello strutturale é la struttura quaternara. Non per tutte le protene è defnble una struttura quaternara. Infatt l esstenza d una struttura quaternara é condzonata alla

Dettagli

Generalità. Problema: soluzione di una equazione differenziale alle derivate ordinarie di ordine n: ( )

Generalità. Problema: soluzione di una equazione differenziale alle derivate ordinarie di ordine n: ( ) Generaltà Problema: soluzone d una equazone derenzale alle dervate ordnare d ordne n: n n K soggetta alle n condzon nzal: K n Ovvero rcercare la soluzone d un sstema d n equazon derenzal ordnare del prmo

Dettagli

Precisione e Cifre Significative

Precisione e Cifre Significative Precsone e Cfre Sgnfcatve Un numero (una msura) è una nformazone! E necessaro conoscere la precsone e l accuratezza dell nformazone. La precsone d una msura è contenuta nel numero d cfre sgnfcatve fornte

Dettagli

LA CALIBRAZIONE NELL ANALISI STRUMENTALE

LA CALIBRAZIONE NELL ANALISI STRUMENTALE LA CALIBRAZIONE NELL ANALISI STRUMENTALE La maggor parte delle anals chmche sono ogg condotte medante metod strumental (spettrometra d assorbmento ed emssone a dverse λ, metod elettrochmc, spettrometra

Dettagli

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure

Dettagli

Metodi variazionali. ed agiscono sulla FORMA DEBOLE DEL PROBLEMA

Metodi variazionali. ed agiscono sulla FORMA DEBOLE DEL PROBLEMA Metod varazonal OBIETTIVO: determnare funzon ncognte, chamate varabl dpendent, che soddsfano un certo nseme d equazon dfferenzal n un determnato domno e condzon al contorno STRUMETO: Metod varazonal: servono

Dettagli

Analisi della Varianza

Analisi della Varianza Anals della Varanza Esempo: Una ndustra d carta usata per buste per salumere vuole mglorare la resstenza alla trazone del propro prodotto. S rtene che resstenza alla trazone = f(concentrazone d legno nella

Dettagli

Potenzialità degli impianti

Potenzialità degli impianti Unverstà degl Stud d Treste a.a. 2009-2010 Impant ndustral Potenzaltà degl mpant Impant ndustral Potenzaltà degl mpant 1 Unverstà degl Stud d Treste a.a. 2009-2010 Impant ndustral Defnzone della potenzaltà

Dettagli

Analisi Matenatica Lezione 5 1 ottobre 2013

Analisi Matenatica Lezione 5 1 ottobre 2013 Dpartmento d Scenze Statstche Anals Matenatca Lezone 5 1 ottobre 2013 prof. Danele Rtell danele.rtell@unbo.t 1/13? Fattorale d un numero naturale Sa n N {0}. Il fattorale d n, n! s defnsce nduttvamente

Dettagli

Modelli descrittivi, statistica e simulazione

Modelli descrittivi, statistica e simulazione Modell descrttv, statstca e smulazone Master per Smart Logstcs specalst Roberto Cordone (roberto.cordone@unm.t) Statstca descrttva Cernusco S.N., govedì 28 gennao 2016 (9.00/13.00) 1 / 15 Indc d poszone

Dettagli

Fondamenti di Visione Artificiale (Seconda Parte) Corso di Robotica Prof.ssa Giuseppina Gini Anno Acc.. 2006/2007

Fondamenti di Visione Artificiale (Seconda Parte) Corso di Robotica Prof.ssa Giuseppina Gini Anno Acc.. 2006/2007 Fondament d Vsone Artfcale (Seconda Parte PhD. Ing. Mchele Folgherater Corso d Robotca Prof.ssa Guseppna Gn Anno Acc.. 006/007 Caso Bdmensonale el caso bdmensonale, per ndvduare punt d contorno degl oggett

Dettagli

Circuiti elettrici in regime stazionario

Circuiti elettrici in regime stazionario rcut elettrc n regme stazonaro Metod d anals www.de.ng.unbo.t/pers/mastr/ddattca.htm ersone del -0-00 Premessa Nel caso pù generale è possble ottenere la soluzone d un crcuto rsolendo un sstema formato

Dettagli

Variabili aleatorie discrete. Probabilità e Statistica I - a.a. 04/05-1

Variabili aleatorie discrete. Probabilità e Statistica I - a.a. 04/05-1 Varabl aleatore dscrete Probabltà e Statstca I - a.a. 04/05 - Defnzone Una varable aleatora è una funzone che assoca ad ogn esto dello spazo campone d un espermento casuale un numero. L nseme de possbl

Dettagli

Sistemi Real-Time per il Controllo Automatico: Problemi e Nuove Soluzioni

Sistemi Real-Time per il Controllo Automatico: Problemi e Nuove Soluzioni Automazone e Strumentazone, Anno XLVIII, N. 5, pp. 107-116, Maggo 2000. Sstem Real-Tme per l ontrollo Automatco: Problem e Nuove Soluzon Gorgo Buttazzo Unverstà d Pava Untà d rcerca INFM - Pava E-mal:

Dettagli

Capitolo 3. Cap. 3-1

Capitolo 3. Cap. 3-1 Statstca Captolo 3 Descrzone Numerca de Dat Cap. 3-1 Obettv del Captolo Dopo aver completato l captolo, sarete n grado d: Calcolare ed nterpretare la meda, la medana e la moda d un set tdd dat Trovare

Dettagli

Algoritmi greedy. Progettazione di Algoritmi a.a Matricole congrue a 1 Docente: Annalisa De Bonis

Algoritmi greedy. Progettazione di Algoritmi a.a Matricole congrue a 1 Docente: Annalisa De Bonis Algoritmi greedy Progettazione di Algoritmi a.a. 2016-17 Matricole congrue a 1 Docente: Annalisa De Bonis 1 Scelta greedy Un algoritmo greedy è un algoritmo che effettua ad ogni passo la scelta che in

Dettagli

LA COMPATIBILITA tra due misure:

LA COMPATIBILITA tra due misure: LA COMPATIBILITA tra due msure: 0.4 Due msure, supposte affette da error casual, s dcono tra loro compatbl quando la loro dfferenza può essere rcondotta ad una pura fluttuazone statstca attorno al valore

Dettagli

PARENTELA e CONSANGUINEITÀ di Dario Ravarro

PARENTELA e CONSANGUINEITÀ di Dario Ravarro Introduzone PARENTELA e CONSANGUINEITÀ d Daro Ravarro 1 gennao 2010 Lo studo della genealoga d un ndvduo è necessaro al fne d valutare la consangunetà dell ndvduo stesso e la sua parentela con altr ndvdu

Dettagli

Luciano Battaia. Versione del 22 febbraio L.Battaia. Condensatori e resistenze

Luciano Battaia. Versione del 22 febbraio L.Battaia. Condensatori e resistenze Lucano attaa Versone del 22 febbrao 2007 In questa nota presento uno schema replogatvo relatvo a condensator e alle, con partcolare rguardo a collegament n sere e parallelo. Il target prncpale è costtuto

Dettagli

Esercizi sulle reti elettriche in corrente continua (parte 2)

Esercizi sulle reti elettriche in corrente continua (parte 2) Esercz sulle ret elettrche n corrente contnua (parte ) Eserczo 3: etermnare gl equvalent d Thevenn e d Norton del bpolo complementare al resstore R 5 nel crcuto n fgura e calcolare la corrente che crcola

Dettagli

Università di Cassino. Esercitazioni di Statistica 1 del 19 Febbraio Dott. Mirko Bevilacqua

Università di Cassino. Esercitazioni di Statistica 1 del 19 Febbraio Dott. Mirko Bevilacqua Unverstà d Cassno Eserctazon d Statstca del 9 Febbrao 00 Dott. Mro Bevlacqua DATASET STUDENTI N SESSO ALTEZZA PESO CORSO NUMERO COLORE COLORE (cm) (g) LAUREA SCARPA OCCHI CAPELLI M 79 65 INFORMAICA 43

Dettagli

Architetture aritmetiche. Corso di Organizzazione dei Calcolatori Mariagiovanna Sami

Architetture aritmetiche. Corso di Organizzazione dei Calcolatori Mariagiovanna Sami Archtetture artmetche Corso d Organzzazone de Calcolator Maragovanna Sam 27-8 8 Sommator: : Full Adder s = x y c + x y c + x y c + x y c Full Adder x y c s x y c = x y + x c + + y c c + Full Adder c x

Dettagli

Rappresentazione dei numeri

Rappresentazione dei numeri Rappresentazone de numer PH. 3.1, 3.2, 3.3 1 Tp d numer Numer nter, senza segno calcolo degl ndrzz numer che possono essere solo non negatv Numer con segno postv negatv Numer n vrgola moble calcol numerc

Dettagli