Teoria e pratica della compressione dati senza perdita. L esempio dell algoritmo DEFLATE
|
|
- Cipriano Nobile
- 8 anni fa
- Visualizzazioni
Transcript
1 Unverstà degl Stud d Padova DIPARTIMENTO DI INGEGNERIA DELL INFORMAZIONE Corso d Laurea Trennale n Ingegnera dell Informazone Teora e pratca della compressone dat senza perdta. L esempo dell algortmo DEFLATE Canddato: Marco Boscolo Anzolett Matrcola Relatore: Dott. Lorenzo Fnesso Anno Accademco
2 a Mchele
3 Indce 1 Introduzone 3 2 Lmt teorc alla compressone dat Denzon d base Dsuguaglanza d Kraft Teorema d Shannon sulla codca d sorgente Codca d Human Codca a blocch Codca Unversale Algortmo LZ L'algortmo DEFLATE LZ Codca d Human per DEFLATE Descrzone Convenzon Dettagl del blocco Codca Decodca Conclusone Bblograa 24 2
4 Captolo 1 Introduzone Il problema della compressone nasce dal bsogno d rdurre lo spazo d memorzzazone delle nformazon, sa per quanto rguarda l'uso del calcolatore, dove è sempre pù crtca la gestone delle nformazon a causa della smsurata quanttà d cu ogg dsponamo, sa per quel che rguarda le trasmsson dgtal, dove l problema ha rpercusson sul tempo d nvo/rcezone e sulla qualtà de segnal. In partcolare, la compressone dat senza perdta (loseless) è la compressone tale da ottenere la stessa dentca nformazone dopo la compressone/decompressone de dat. Infatt le nformazon qual l codce d un programma, testo, document, database e le d sstema devono rmanere ntegr n ogn parte se l s vuole utlzzare. Questa modaltà d compressone comporta de vncol alla compressone stessa, come dmostrato da rsultat teorc che sono stat raggunt nell'ultmo secolo [NAT]. Se da un lato la teora c ndca la strada, da un punto d vsta pratco la scrttura e l'mplementazone d algortm capac d comprmere dat n modo ecente è una questone tutt'ora aperta e molte sono state le dee svluppate per ottenere un buon lvello d compressone. Per esempo, n questo lavoro mostreremo algortm che operano n manera concettualmente dversa: 1. l'algortmo d Human, che s basa sulla frequenza de smbol da comprmere 2. l'algortmo LZ77, che opera senza conoscere la frequenza 3. l'algortmo DEFLATE, un metodo che vene utlzzato anche ogg all'nterno de pù comun programm d compressone dat (Gzp, Wn- Zp, PKZIP... ), molto popolare graze alle sue ottme prestazon e alla lcenza gratuta. Esso s serve de due algortm sopractat per raggungere una codca ottmale. 3
5 CAPITOLO 1. INTRODUZIONE 4 La tes è una modesta (ma non banale) trattazone della codca delle nformazon e della loro compressone: nel prmo captolo espongo alcun lmt teorc alla codca delle nformazon, mentre nel secondo captolo descrvo brevemente l'algortmo DEFLATE, l suo funzonamento e la stratega vncente che esso adotta per esegure la compressone. Buona lettura.
6 Captolo 2 Lmt teorc alla compressone dat 2.1 Denzon d base Denzone 2.1 (Sorgente). Il luogo n cu vene generata l'osservazone o l messaggo che modellamo come un processo aleatoro X 1, X 2,..., X } {{ n. } sequenza d v. a. Qu faremo rfermento al usso d dat n ngresso come sorgente de messagg che vorremmo comprmere. Le potes che faccamo rguardo alle varabl aleatore sono: consderamo l caso ad alfabeto nto d M smbol X X = {x 1, x 2,... x M } le statstche del processo sono supposte note e assumamo che le v.a. X sano ndpendent e dentcamente dstrbute (..d.). Percò la denstà dscreta p := P [X = x ] = 1, 2..., M caratterzza completamente l processo (scrveremo n seguto p(x )). Denzone 2.2 (Codce). Per una varable sngola X : un codce è una mappa (Ω, F, P ) X C : X {0, 1} x C(x) dove x è un generco smbolo dell'alfabeto X e C(x) la sua codca (codeword). 5
7 CAPITOLO 2. LIMITI TEORICI ALLA COMPRESSIONE DATI 6 La lunghezza n bts della codca e la lunghezza meda del codce sono: l(x) := C(x) e l := E[l(X )] = x X l(x)p(x) Se la mappa C è nettva, allora è garantta la decodcabltà senza errore d smbol solat. Nel caso pratco, però, c nteressa codcare una sequenza d smbol X 1, X 2,..., X n d lunghezza n arbtrara. Una soluzone potrebbe essere quella d dvdere smbol con uno spazo o una vrgola, ma questa dea rsulta necente. Denzone 2.3 (Estensone d un codce). Dato un codce C denamo l codce esteso C C : X n {0, 1} x 1,x 2,..., x n C(x 1 x 2... x n ) := C(x 1 )C(x 2 )... C(x n ) } {{ } concatenazone Se per ogn n l'estensone C è nettva allora l codce è unvocamente dentcable. Denzone 2.4 (Codce a presso). Un codce s dce a presso (prex-code) se nessuna parola d codce è presso d un'altra. Un codce a presso può essere decodcato senza avere nformazon sulla codeword successva perchè la ne d ogn parola è mmedatamente rconoscble. Esempo 2.1. X = {a, b, c} e C = {0, 10, 110} x C (x) a 0 b 10 c 110 C è un codce a presso perchè nessuna parola d codce può essere l presso d un'altra. Data una sequenza bnara posso stantaneamente decodcare dat compress nel loro alfabeto d orgne, come nell'esempo sottostante: aabcaaba
8 CAPITOLO 2. LIMITI TEORICI ALLA COMPRESSIONE DATI Dsuguaglanza d Kraft Il nostro obettvo è quello d costrure un codce decodcable che abba lunghezza mnma. L'nseme d tutte le lunghezze de codc decodcabl è lmtata dalla seguente: Dat X, C e l(x) precedentemente dent Teorema 2.1 (Dsuguaglanza d Kraft). Dat l 1, l 2... l M con M 1, esse sono possbl lunghezze d un codce a presso C per X, l 1 = l(x 1 ), l 2 = l(x 2 ),..., l m = l(x M ) se se solo se: M 2 l 1 (2.1) Dmostrazone. =1 1. C a presso dsuguaglanza soddsfatta. Sano l 1 l 2 l max le lunghezze de codc a presso. Costruamo l'albero del codce no alla profondtà l max : ram uscent da l 1 è 2 l max l 1 ram uscent da l 2 è 2 l max l 2.. ram uscent da l max è 2 lmax lmax da cu ottenamo che ram uscent totale d ram coè l max 2 l max l 2 l max dsuguaglanza soddsfatta =1 2. dsuguaglanza soddsfatta C è a presso. Se per l 1, l 2... l M s ha che M =1 2 l 1 allora esste un codce a presso con quelle lunghezze. Basta costrure un albero d codca con quelle lunghezze. L'dea è che le lunghezza l non possono essere prese tutte corte come s vorrebbe fare, altrment la condzone 2.1 sarà volata e nessun codce a presso può essere costruto.
9 CAPITOLO 2. LIMITI TEORICI ALLA COMPRESSIONE DATI Teorema d Shannon sulla codca d sorgente D'ora n po vale che log = log 2 Denzone 2.5 (Entropa). Data una msura d probabltà P su X, s dce entropa: H p := E[log p(x)] = p(x) log p(x) (2.2) x X Nota. H p = x X Lemma p(x) log 1 p(x) è una funzone concava n {p 1, p 2..., p n } 0 H p log X (2.3) Dmostrazone. 0 p log 1 ( 1 ) log p = log X (2.4) p p Denzone 2.6 (Dvergenza tra msure d probabltà). Sano {p } e {q } due msure d probabltà tal che p, q 0 p = 1, q 1. S dce Dvergenza d p, q: D(p q) = n p log p q (2.5) Lemma D(p q) 0, D(p q) = 0 per p = q Dmostrazone. per la concavtà del logartmo abbamo che D(p q) = p log q ( q ) ( ) log p = log q 0 p p
10 CAPITOLO 2. LIMITI TEORICI ALLA COMPRESSIONE DATI 9 Teorema 2.2. () Sa P = {p 1, p 2,..., p n } una sorgente data. La lunghezza meda d ogn codce a presso (stantaneo) per P soddsfa: () Esste un codce a presso per cu Dmostrazone. () l HP (2.6) l HP + 1 (2.7) l HP = p l p log 1 p = p l + p log p = p log 2 l + p log p = per la dsuguaglanza d Kraft per l lemma sulla dvergenza p log p 2 l 2 l 1 p log p q 0 l H P 0 l H P Dmostrazone. () prendamo come lunghezza del codce a presso: l = log 1p allora 2 l = 2 log 1 p 2 log 1 p = 1 qund, per la dsuguaglanza d Kraft è un codce a presso valdo. log 1 p l log 1 p + 1 p log 1 p l p log 1 + p p p p log 1 p l p log 1 + p p H P l H P + 1 p
11 CAPITOLO 2. LIMITI TEORICI ALLA COMPRESSIONE DATI Codca d Human Dal punto d vsta applcatvo, m nteressa la lunghezza meda del codce: l := E[l(X )] = l(x)p(x) x X n partcolare, voglo avere un codce decodcable che abba lunghezza meda mnma e che rspett la dsuguaglanza d Kraft. Il problema è così descrtto: M mn l p l 1,l 2...,l M =1 M 2 l 1 =1 Un esempo d codce a presso che rsolve questo problema data una dstrbuzone d probabltà, s può rcavare attraverso un algortmo scoperto da Human. L'dea vncente d questo algortmo consste nel dare codc pù cort a smbol dell'alfabeto che compaono con pù frequenza. Charamo l suo funzonamento con un esempo Esempo 2.2. Consderamo una varable aleatora X che prende valor nell'nseme X = {1, 2, 3, 4, 5} con probabltà 0.25, 0.25, 0.2, 0.15, Voglamo ottenere che la codca bnara assegn codc pù lungh agl ultm due smbol, che sono quell con mnore probabltà, mentre voglamo assegnare codc pù cort a prm. Per ottenere cò mettamo n colonna smbol dell'alfabeto, ordnat n ordne decrescente per probabltà. Sommamo le probabltà degl ultm due smbol e ottenamo un nuovo smbolo d probabltà 0.30 e rfaccamo la colonna ordnata, che avrà un smbolo n meno. Quando arrvamo ad avere solo due smbol damo al smbolo pù probable la codca 0 e all'altro 1. Rpetamo l procedmento dvdendo smbol precedentemente sommat nchè non ottengo le codche d tutt smbol. La tabella seguente elenca quanto detto: Lunghezza del codce Codce X Probablty
12 CAPITOLO 2. LIMITI TEORICI ALLA COMPRESSIONE DATI 11 Ottenamo una mappa che va da smbol dell'alfabeto alla loro codca X C(x) Questo codce ha lunghezza meda d 2.4 bts. S può provare con una lunga dmostrazone (reperble n [CT91, paragrafo 5.8]) che la codca d Human è ottmale, coè se C è la codca d Human e C è un'altra codca, allora L(C ) L(C ) 2.4 Codca a blocch Il teorema d Shannon determna un lmte alla lunghezza mnma del codce a presso. S può mglorare l'upper bound costruendo codc per 'blocch' d smbol d dmensone k (X 1, X 2,..., X k ) C(X 1, X 2,..., X k ) d lunghezza l(x 1, X 2,..., X k ) Allora è, ndcando con l k la lunghezza meda lk = l(x1 k )p(x1 k ) X1 k X k (Qu non è l k = k l. Il codce è costruto speccamente per blocch d lunghezza k e non come gustapposzone de codc d lunghezza 1). Applcando la prma parte del teorema d Shannon abbamo: H p(k) l k e, costruendo l codce d Shannon drettamente per l blocco prendamo lk(x s 1 k 1 ) = log rsulta qund p(x1 k ) 1 log p(x1 k ) ls k(x1 k 1 ) log p(x1 k ) + 1 Calcolando la meda ottenamo qund: kh p l s k kh p + 1 Normalzzando rspetto a k ottenamo, per la lunghezza meda n bts/smbolo H p l s k k H p + 1 k Asntotcamente, n k, l codce d Shannon raggunge lunghezza meda, n bts/smbolo, par all'entropa.
13 CAPITOLO 2. LIMITI TEORICI ALLA COMPRESSIONE DATI Codca Unversale In tutt rsultat rcavat n precedenza abbamo sempre potzzato process..d. e s assumeva nota la statstca del processo, coè la probabltà con cu la sorgente produceva l messaggo. Tuttava, l modello..d. non è sempre l mglore. In molt cas v sono correlazon tra smbol, come nella lngua talana (dclmente dopo aver trovato una q n un testo segurà una r) o n generale ne lnguagg uman, oppure n una fotograa, n cu pxel aancat hanno buona probabltà d essere sml. Per esempo, un modello d correlazone a corto raggo è dato dalle 'catene d Markov', n cu la probabltà d transzone a uno stato del sstema dpende uncamente dallo stato precedente: P (X n+1 = x n+1 X n, X n 1,..., X 0 ) = P (X n+1 = x n+1 X n ) Un modello utle per descrvere process con correlazon anche a dstanza è fornta dalla classe de process stazonar, per cu vale: P (X k 1 = x k 1) = P (X t+k k = x k 1) La denzone d entropa per questo gruppo d process è [ ] 1 1 H = lm E log = lm P (X n P (X1 n 1 n = x n 1 ) n n 1) log P (X1 n = x n 1) x n 1 Xn 1 per raggungere la codca ottmale dobbamo raggungere questo lmte d entropa. Tuttava spesso non è nota la statstca del processo. Percò s tratta d trovare un metodo d codca che sa ottmo anche senza l'nformazone P (X n 1 = x n 1), utlzzando solo messagg che c arrvano dalla sorgente. Una codca con questa propretà prende s dce codca unversale. Un esempo d algortmo che opera n questo modo è l Lempel-Zv (LZ). La compressone che s ottene da esso è ndpendente dalla probabltà con cu smbol arrvano n ngresso, ha rsultat eccellent e raggunge l'entropa nella classe de process che sono stazonar Algortmo LZ Questo algortmo, dovuto a due scenzat Abraham Lempel e Jacob Zv, s basa su un'dea molto semplce e faclmente mplementable, cosa che, graze anche alla sua ecenza e veloctà, lo ha reso molto popolare come algortmo standard per la compressone dat ne computer.
14 CAPITOLO 2. LIMITI TEORICI ALLA COMPRESSIONE DATI 13 Consderamo una sorgente bnara da cu arrva una sequenza d bt e dvdamo questa sequenza n strnghe tal che non c sano rpetzon, come 1,0,11,01,010,00,10,.... Dopo ogn vrgola prendamo come strnga la sequenza d bt pù corta che non è ancora stata vsta. Essendo la pù corta, essa è formata da un presso che è gà apparso come strnga e da un ulterore bt. Allora codchamo questa strnga con l'ndce del suo presso e l suo ultmo bt. Sa c(n) l numero d dvson dell'nput n strnghe. Allora abbamo bsogno d log c(n) bts per descrvere l'ndce della locazone del presso e d un bt per descrvere l'ultmo bt. La codca della sequenza d'esempo è (000,1)(000,0)(001,1)(010,1)(100,0)(010,0)(001,0), dove l prmo termne è l'ndce del presso e l secondo è l'ultmo bt. La decodca è lneare e s può rcavare la sequenza nzale senza errore. In questo esempo banale può sembrare che non s sa ottenuto un grande rsultato (l numero d bt sembra addrttura ncrementato rspetto alla sequenza d base) ma per sequenze molto pù lunghe questo tpo d descrzone dventa molto ecente. S può dmostrare [CT91, paragrafo 13.8] che questo algortmo raggunge asntotcamente l'ottmaltà
15 Captolo 3 L'algortmo DEFLATE Il DEFLATE è un algortmo d compressone dat senza perdta che utlzza una combnazone d due metod d compressone: l'algortmo LZ77 e la cod- ca d Human ([R1951] e [SAL]). Esso è ampamente utlzzato ne software d compressone, merto della sua ecenza e dell'assenza d brevetto. Prma d avventurarc nella spegazone del DEFLATE è fondamentale capre l funzonamento delle mplementazon d LZ77 e Human che s utlzzano n questo algortmo LZ77 La compressone LZ77 s basa su un approcco adattvo, coè s rcava un modello della statstca de dat n ngresso drettamente dal processo d codca. Esso opera sulle sequenze d dat d massmo 32kB (32*1024 bt) che contengono al loro nterno strnghe rpetute. Quando nella sequenza comnca una strnga che è gà comparsa prma, questa vene sosttuta con un puntatore formato da due numer: la dstanza, che rappresenta pass che devo fare all'ndetro per arrvare al punto della sequenza n cu la strnga gà vsta comnca, e la lunghezza, che descrve l numero d caratter che devono essere rpetut a partre da quel punto. Un esempo renderà tutto pù charo [FELD]: Esempo 3.1. Supponamo d avere un usso d dat d questo tpo: Blah blah blah blah blah! l'algortmo comnca a rcevere dat e legge seguent caratter: 'B', 'l', 'a', 'h', ' ' e 'b'. I cnque caratter che seguono sono: 14
16 CAPITOLO 3. L'ALGORITMO DEFLATE 15 vvvvv Blah blah blah blah blah! ^^^^^ C'è una perfetta corrspondenza tra quest caratter e quell che abbamo gà rcevuto. Percò possamo mandare n output l puntatore con le due nformazon d dstanza e lunghezza. I dat che abbamo n qu sono: n output ottenamo: Blah blah b Blah b[d=5, L=5] La compressone può essere ulterormente ncrementata perchè ne successv confront s trovano gl stess caratter rpetut. In questo partcolare esempo rsulta che 18 caratter che comncano dal secondo carattere sono dentc a 18 caratter successv che comncano al settmo. Sfruttando al massmo la compressone rsulta: Blah b[d=5, L=18]! L'mplementazone d questo algortmo rchede due spaz d memora al ne d gestre l search buer e l look-ahead buer. Il prmo memorzza dat gà codcat, mentre l secondo contene la parte d strnga successva che deve essere codcata [GMD06]. Mostramo queste due sequenze nella gura sottostante, supponendo d trovare la strnga dell'esempo precedente n un certo stante del usso d ngresso: Blah } {{ } b lah } blah {{ blah blah! } search buer look-ahead buer } {{ }} {{ } sequenza gà codcata sequenza da codcare l codcatore cercherà l presso pù lungo del search buer contenuto nel look-ahead buer Codca d Human per DEFLATE La codca d Human è gà stata descrtta n precedenza. Rportamo rsultat ottenut dall'esempo 2.2 per ntrodurre l concetto d 'albero d Human'. X C(x)
17 CAPITOLO 3. L'ALGORITMO DEFLATE 16 Le codche de smbol possono essere descrtte medante un albero bnaro cu ram rappresentano 0 e 1 a seconda se sono l ramo destro o snstro. Il percorso che porta dalla radce alle fogle letto nella sua sequenza d 0 e 1 è la codca del smbolo presente nella fogla. Per la tabella precedente abbamo che l suo albero d Human è: /\ / \ 0 1 Smbolo Codfca / \ /\ \ 1 01 / \ \ \ 3 11 / \ \ /\ (1) \ / \ /\ / \ / \ (4) (5) (2) (3) Questa codca, descrtta precedentemente, s derenza da quella base per due regole agguntve: 1. gl element che hanno la codca pù corta sono dspost alla snstra d quell con codca pù lunga. 2. tra gl element con la codca della stessa lunghezza, quell che compaono per prm nell'nseme sono mess a snstra. Con l'aggunta d queste due propretà è possble costrure un solo tpo d albero d Human (qund una sola codca) per ogn nseme d element e le loro rspettve frequenze. Nel nostro caso potremmo rcodcare l'esempo sopra per segure questa regola come segue, partendo dal presupposto che l'ordne dell'alfabeto è : 01, 10 e 11 precedono 000 e 010, e due grupp d codc d lunghezza due e tre sono lesscogracamente ordnat:
18 CAPITOLO 3. L'ALGORITMO DEFLATE 17 /\ / \ / \ 0 1 Smbolo Codfca / \ / \ 1 01 /\ /\ / \ / \ (1) (2) (3) \ /\ 0 1 / \ (4) (5) Queste specche consentono al parser, durante la decompressone, d codcare sempre senza ambgutà smbol. Ogn volta che s trova davant a un nuovo codce, esso deve 'cammnare' attraverso l'albero seguendo l percorso d 0 e 1 no a raggungere l smbolo corretto. 3.1 Descrzone DEFLATE comprme dat del usso d ngresso n blocch d byte d lunghezza arbtrara (tranne nel caso d blocch non compress, la cu lunghezza massma è d 64kB bytes-). Ogn blocco è compresso separatamente medante una combnazone d LZ77 e Human. Gl alber d Human usat per un blocco sono ndpendent da quell utlzzat per blocch precedent o successv, mentre LZ77 può utlzzare un rfermento a una strnga duplcata vsta n precedenza sulla sequenza d nput, no a un massmo d 32kB. La decsone su come dvdere blocch e su quale stratega d compressone utlzzare non è presa da DEFLATE, bensì l programmatore che mplementerà l'algortmo dovrà occupars d scrvere ulteror algortm che faccano n modo ntellgente questa scelta. Un sngolo blocco è dvso n due part: un codce d Human che descrve la compressone e dat compress. Quest'ultm consstono d una sere d element d due tp: semplc strnghe d byte d cu non s è trovato un duplcato dentro 32kB precedent, chamat lterals, e puntator alle strnghe duplcate format da coppe <dstanza, lunghezza>. La rappresentazone usata da DEFLATE lmta la 'dstanza' a 32 kb e la 'lunghezza' a 258 bytes,
19 CAPITOLO 3. L'ALGORITMO DEFLATE 18 ma non è un vncolo alla grandezza del blocco (eccetto dat non compress, come detto n precedenza). Ogn tpo d dato (lterals, dstanze, lunghezze) è rappresentato ne dat compress con codc d Human: un albero per lterals e le lunghezze e un albero separato per le dstanze. Quest alber sono memorzzat nel blocco appena prma de dat compress Convenzon Usamo questo smbolo: <-- le barre vertcal non sono per forza necessare per ndcare un byte; mentre +==========+ +==========+ rappresenta un numero varable d bytes. Inoltre utlzzeremo spesso le parole 'dstanza' e 'lunghezza': esse vanno ntese come msure costrute dall'algortmo LZ77. Con l termne 'blocco' ndcheremo sempre le part n cu l'algortmo dvde dat. Il numero bnaro all'nterno d un byte ha la cfra pù sgncatva a snstra Dettagl del blocco Ogn blocco è preceduto da 3 bt che danno le seguent nformazon: 1 bt: marcatore della sequenza 1: questo blocco è l'ultmo della sequenza 0: c sono altr blocch oltre a questo 2 bt denscono l tpo d codca per l blocco 00: l blocco non vene codcato 01: comprm l blocco con la codca d Human utlzzando un albero precostruto 10: comprm l blocco con la codca d Human utlzzando un albero creato apposta per questo blocco (Human dnamco)
20 CAPITOLO 3. L'ALGORITMO DEFLATE 19 11: rservato (comando non utlzzato) Molt blocch saranno codcat con l metodo 01, che produce una codca d Human ottmzzata ndvdualmente per ogn blocco. Le struzon per generare l'albero d Human sono memorzzate subto dopo 3 bt nzal Codca (00) - nessuna compressone La forma del blocco è: 1. Tre bt nzal 000 o S salta l resto del byte corrente. I quattro bytes successv contengono l LEN e l suo complemento NLEN, dove l LEN è l numero d bytes nel blocco. Questo è l motvo per cu la grandezza è lmtata a bytes. 3. LEN bytes ================================+ LEN NLEN... LEN bytes d dat ================================+ Questo modo d comprmere ha senso per que le, o part d le, che sono ncomprmbl o gà compress, o per cas n cu l software è chamato a segmentare dat. Un caso tpco è un utente che vuole spostare un le d 8 Gb da un computer ad un altro ma ha solo un DVD rscrvble. L'utente vorrebbe dvdere l le n due part da 4 Gb cascuna senza comprmere. Un semplce software d compressone basato su DEFLATE può svolgere questo compto usando l modo (00). (01) - compressone con albero d Human sso La forma del blocco è: 1. Tre bt nzal 001 o Seguono subto codc a presso de dat compress nella forma d lterals o d coppe dstanza/lunghezza 3. Il codce 256 (o meglo, l suo codce a presso) che desgna la ne del blocco
21 CAPITOLO 3. L'ALGORITMO DEFLATE 20 Bts Bts Bts Edoc extra Lunghezza Codce extra Lunghezza Codce extra Lunghezza , , , , Tabella 3.1: Edoc per strnghe/lunghezze del modo (01) Bts Bts Bts Edoc extra Dstanza Codce extra Dstanza Codce extra Dstanza , , Tabella 3.2: Edoc delle dstanze nel modo (01) Codce edoc Bts a presso Tabella 3.3: Codc d Human per gl Edoc del modo (01)
22 CAPITOLO 3. L'ALGORITMO DEFLATE 21 La modaltà (01) utlzza due tabelle d codc: uno per le lunghezze e un'altra per le dstanze. I codc delle tabelle e non sono n realtà quell che verranno scrtt ne dat compress ma sono un traguardo ntermedo, percò, al ne d toglere eventual ambgutà, usamo l termne edoc per rferrc ad ess. Ogn edoc è po convertto n un codce a presso (tabella ) che sarà l rsultato della compressone. Gl edoc da 0 a 255 sono rservat a lterals e sono 256 come le possbl congurazon d un byte, nfatt nel caso peggore avrò n ngresso 256 byte dvers (tutte le 2 8 possbl rappresentazon d un byte) prma d un puntatore. Un esempo d caso lmte è questo: n ngresso abbamo n sequenza tutt gl nter da 0 a ================= ================= qu non è possble operare sosttuzon con puntator, e l codcatore assegna tutt gl edoc da 0 a 255 a byte. Gl edoc sono usat per le lunghezze e quest'ultm non sono sucent a rappresentare tutte le 256 possbl lunghezze, per cu ad alcun vengono aggunt de bt extra. Per le dstanze s rutlzzano gl edoc da 0 a 29 con l'aggunta d bt extra. Dopo una lunghezza c'è sempre una dstanza per cu l parser nterpreterà sempre l codce successvo correttamente senza ambgutà. Inne l'edoc 256 è l codce 'ne-del-blocco'. Il rsultato nale della compressone è l codce a presso degl edoc (tabella ). Notamo che gl edoc d 286 e 287 non sono creat, percò loro codc a presso non sono usat. Faccamo un esempo d codca: Esempo 3.2. Abbamo n ngresso un blocco d dat e ad un certo stante l'algortmo ndvdua una rpetzone d 20 lterals byte a dstanza d 2051 byte. Il prmo passo è creare l puntatore con gl edoc: <(269)01,(22) >. Po s usa la codca d Human trasformando tutto n bnaro: < } {{ } 01 } {{ } > Human code Human code (10) - compressone con albero d Human dnamco Questa modaltà d compressone è senza dubbo la pù complessa. Le due tabelle d edoc che abbamo vsto n precedenza, qu devono essere rscrtte, e per farlo c s basa sulle nformazon raccolte da smbol che abbamo sul nostro blocco d dat da comprmere, così come l codce d Human. Successvamente tutte le tabelle devono essere memorzzate all'nterno del blocco e
23 CAPITOLO 3. L'ALGORITMO DEFLATE 22 'spedte' con esso per garantre la successva decodca (addrttura esse sono ulterormente codcate con Human per dmnure ancora lo spazo d memorzzazone!). L'dea è che un buon codcatore DEFLATE possa raccoglere nformazon su dat n ngresso e su blocch compress, per po utlzzare queste per costrure l codce a presso mglore per blocch successv. Ma un' mplementazone poco ecente d questa modaltà del DEFLATE potrebbe portare ad avere codc a presso sml a quell della modaltà (01) o, ancor peggo, ad ottenere blocch d dat non compress. Come detto n precedenza, sta al programmatore che mplementerà l'algortmo la capactà d prendere la decsone sull'uso o meno d questa tecnca d compressone. Per una descrzone approfondta d questa modaltà s rmanda alla [R1951] Decodca L'unca derenza tra due cas d compressone è l modo n cu sono dent codc d Human per le strnghe/lunghezze e le dstanze. In ogn caso, l'algortmo d decodca non è complesso e possamo darne una semplce rappresentazone n pseudocodce: do { legg l'nzo del blocco dal flusso d ngresso; f(modaltà senza compressone) { gnora gl altr bt d questo byte; legg l LEN e l NLEN; copa LEN bytes d dat n uscta; } else f(modaltà con Huffman dnamco) { legg la rappresentazone degl alber d codce; } loop { decodfca la strnga/lunghezza dal flusso d ngresso; f(l suo valore < 256) /* un lteral */ { copa l dato n uscta; } f(valore = 256) /* smbolo d fne-del-blocco */ { break; } else /* valor da 257 a 285, coè una lunghezza */ { decodfca dstanza e successva lunghezza; torna al byte segnato dal puntatore dstanza nel flusso n uscta e copa byte da questa poszone al flusso d uscta fn quanto segnalato dal puntatore della lunghezza; } } whle(non è l'ultmo blocco)
24 CAPITOLO 3. L'ALGORITMO DEFLATE 23 Notamo che le strnghe duplcate possono rferrs a strnghe d blocch precedent, coè un puntatore d dstanza può attraversare uno o pù blocch sngol (ma non può ma puntare ad una poszone che vada oltre l'nzo del usso d dat n uscta). Inoltre, è possble che un puntatore produca una strnga rpetendo pù volte la strnga a cu s rfersce; per esempo, se gl ultm due byte decodcat sono X e Y, un puntatore <lunghezza = 5, dstanza = 2> aggunge X,Y,X,Y,X all'uscta. Esempo 3.3. Usando l rsultato dell'esempo 3.2, quando l parser esegurà la decodca non avrà ma l dubbo su cosa stà leggendo n quell'stante perché lterals e le lunghezze provengono da un codce d Human (percò a presso) e sa che dopo una lunghezza troverà sempre una dstanza. Ad esempo: l parser rconosce codc: } {{ } } {{ } lterals puntatore <lung./dst.> l traduce ottenendo: <(269)01, (22) > <20, 2051> Conclusone DEFLATE è un algortmo d compressone dat senza perdta che negl ann s è rvelato un componente mportante d molt programm d compressone. Esso rchede memora per l look-ahead e l search buer e per le due tabelle d codc a presso. Tuttava, la quanttà d memora d cu necesstà l codcatore/decodcatore è ndpendente dalla grandezza de dat o da blocch. Inoltre la sua mplementazone, certamente non banale, è pù semplce d mplementazon pù recent present ne format JPEG 2000 o MPEG. Gl algortm d compressone nat per appost format, come audo e vdeo, sono n genere pù performant del DEFLATE, ma esso ha un fattore d compressone tra 2.5 e 3 per l testo, leggermente nferore per le esegubl e ancor meglo per le mmagn. Inne, è mportante sottolneare che, nel caso peggore, l'algortmo espande dat d sol 5 byte ogn 32 kb d blocco.
25 Bblograa [CT91] T.M. Cover, J.A. Thomas (1991), Elements of Informaton Theory 2 th Ed., Wley, New York, pagne [FELD] A. Feldspar (1997), An Explanaton of the Deate Algorthm, Sto web [FIN] L. Fnesso (2006), Noseless Source Codng, Introduzone al problema della compressone dat, Corso: Probabltà e statstca, LL Informatca 05/06, UnPd. [GMD06] F. Lana, D. Masato, L. Poln (2006), Tecnche d compressone con dzonaro, Corso: Gestone ed elaborazone grand mol d dat, LS Ing. Informatca 05/06, UnPd. [NAT] S. Natarajan (2001), Entropy, Codng and Data Compresson, Resonance, Vol. 6, No. 8, pagne [R1951] P. Deutsch (1996), Request For Comments 1951, Sto web [SAL] D. Salomon (2007), Data Compresson. The Complete Reference 4 th Ed., Sprnger, pagne [WELC] T.A. Welch (1984), A Technque for Hgh-Performance Data Compresson, Computer, Vol. 17, No. 6, pagne
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:
Dettagli3. Esercitazioni di Teoria delle code
3. Eserctazon d Teora delle code Poltecnco d Torno Pagna d 33 Prevsone degl effett d una decsone S ndvduano due tpologe d problem: statc: l problema non vara nel breve perodo dnamc: l problema vara Come
DettagliAritmetica e architetture
Unverstà degl stud d Parma Dpartmento d Ingegnera dell Informazone Poltecnco d Mlano Artmetca e archtetture Sommator Rpple Carry e CLA Bozza da completare del 7 nov 03 La rappresentazone de numer Rappresentazone
DettagliPROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata
DettagliMetodi 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
DettagliIl modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti
Il modello marovano per la rappresentazone del Sstema Bonus Malus rof. Cercara Rocco Roberto Materale e Rferment. Lucd dstrbut n aula. Lemare 995 (pag.6- e pag. 74-78 3. Galatoto G. 4 (tt del VI Congresso
DettagliSorgenti Numeriche - Soluzioni
Sorgent umerche - Soluzon *) L anals delle frequenze con cu compaono le vare lettere n un documento n talano, comprendente 5975 caratter, ha fornto seguent dat: Lettera umero Frequenza relatva A 666. B
DettagliRETI 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* 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
DettagliMacchine. 5 Esercitazione 5
ESERCITAZIONE 5 Lavoro nterno d una turbomacchna. Il lavoro nterno massco d una turbomacchna può essere determnato not trangol d veloctà che s realzzano all'ngresso e all'uscta della macchna stessa. Infatt
DettagliMinistero 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
DettagliStatistica e calcolo delle Probabilità. Allievi INF
Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:
DettagliAnalisi 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
DettagliDipartimento di Statistica Università di Bologna. Matematica finanziaria aa 2012-2013 lezione 13: 24 aprile 2013
Dpartmento d Statstca Unverstà d Bologna Matematca fnanzara aa 2012-2013 lezone 13: 24 aprle 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/23? reammortamento uò accadere che, dopo l erogazone
DettagliIntroduzione 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
DettagliDipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2012-2013 Esercitazione: 4 aprile 2013
Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2012-2013 Eserctazone: 4 aprle 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/41? Aula "Ranzan B" 255 post 1 2 3 4 5 6 7 8 9
DettagliQuesto è il secondo di una serie di articoli, di
DENTRO LA SCATOLA Rubrca a cura d Fabo A. Schreber Il Consglo Scentfco della rvsta ha pensato d attuare un nzatva culturalmente utle presentando n ogn numero d Mondo Dgtale un argomento fondante per l
DettagliCorso di laurea in Ingegneria Meccatronica. DINAMICI CA - 04 ModiStabilita
Automaton Robotcs and System CONTROL Unverstà degl Stud d Modena e Reggo Emla Corso d laurea n Ingegnera Meccatronca MODI E STABILITA DEI SISTEMI DINAMICI CA - 04 ModStablta Cesare Fantuzz (cesare.fantuzz@unmore.t)
DettagliOttimizzazione 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
DettagliLA 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
DettagliRicerca 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
DettagliStudio grafico-analitico di una funzioni reale in una variabile reale
Studo grafco-analtco d una funzon reale n una varable reale f : R R a = f ( ) n Sequenza de pass In pratca 1 Stablre l tpo d funzone da studare es. f ( ) Determnare l domno D (o campo d esstenza) della
DettagliCAPITOLO 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: )
DettagliRappresentazione dei numeri PH. 3.1, 3.2, 3.3
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
DettagliRappresentazione 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{ 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
DettagliLeggere i dati da file
Esempo %soluzon d una equazone d secondo grado dsp('soluzon d a^+b+c') anput('damm l coeffcente a '); bnput('damm l coeffcente b '); cnput('damm l coeffcente c '); deltab^-4*a*c; f delta0 dsp('soluzon
DettagliTITOLO: L INCERTEZZA DI TARATURA DELLE MACCHINE PROVA MATERIALI (MPM)
Identfcazone: SIT/Tec-012/05 Revsone: 0 Data 2005-06-06 Pagna 1 d 7 Annotazon: Il presente documento fornsce comment e lnee guda sull applcazone della ISO 7500-1 COPIA CONTROLLATA N CONSEGNATA A: COPIA
DettagliMACROECONOMIA A.A. 2014/2015
MACROECONOMIA A.A. 2014/2015 ESERCITAZIONE 2 MERCATO MONETARIO E MODELLO /LM ESERCIZIO 1 A) Un economa sta attraversando un perodo d profonda crs economca. Le banche decdono d aumentare la quota d depost
Dettagli* * * 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
DettagliRelazione 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
Dettagli3) Entropie condizionate, entropie congiunte ed informazione mutua
Argoment della Lezone ) Coppe d varabl aleatore 2) Canale dscreto senza memora 3) Entrope condzonate, entrope congunte ed nformazone mutua 4) Esemp d canal Coppe d varabl aleatore Fno ad ora è stata consderata
DettagliSoluzione esercizio Mountbatten
Soluzone eserczo Mountbatten I dat fornt nel testo fanno desumere che la Mountbatten utlzz un sstema d Actvty Based Costng. 1. Calcolo del costo peno ndustrale de tre prodott Per calcolare l costo peno
DettagliSTATISTICA SOCIALE Corso di laurea in Scienze Turistiche, a.a. 2007/2008 Esercizi 16 novembre2007
STATISTICA SOCIALE Corso d laurea n Scenze Turstche, a.a. 07/08 Esercz 6 novembre07 Eserczo La Tabella contene alcun dat relatv a 6 lavorator delle azende Alfa e Beta. Tabella Lavorator delle azende Alfa
DettagliCorso 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
DettagliRealizzazione di FSM sincrone. Sommario. Introduzione. Sommario. M. Favalli
Realzzazone d FSM sncrone M. Favall Engneerng Department n Ferrara Realzzazone d FSM Anals e sntes de sstem dgtal / Introduzone Realzzazone d FSM Anals e sntes de sstem dgtal 2 / Una volta ottenuto l automa
DettagliAppunti di Teoria dell Informazione
Corso d Telecomuncazon (Classe Qunta della specalzzazone Elettronca e Telecomuncazon) Pagna - - . La teora dell nformazone La teora dell nformazone descrve l funzonamento de sstem d comuncazone sa analogc
DettagliLa verifica delle ipotesi
La verfca delle potes In molte crcostanze l rcercatore s trova a dover decdere quale, tra le dverse stuazon possbl rferbl alla popolazone, è quella meglo sostenuta dalle evdenze emprche. Ipotes statstca:
DettagliCapitolo 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
DettagliSTATISTICA DESCRITTIVA CON EXCEL
STATISTICA DESCRITTIVA CON EXCEL Corso d CPS - II parte: Statstca Laurea n Informatca Sstem e Ret 2004-2005 1 Obettv della lezone Introduzone all uso d EXCEL Statstca descrttva Utlzzo dello strumento:
DettagliCircuiti di ingresso differenziali
rcut d ngresso dfferenzal - rcut d ngresso dfferenzal - Il rfermento per potenzal Gl stad sngle-ended e dfferenzal I segnal elettrc prodott da trasduttor, oppure preleat da un crcuto o da un apparato elettrco,
DettagliModuli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013
Modul su un domno a deal prncpal Maurzo Cornalba versone 15/5/2013 Sa A un anello commutatvo con 1. Indchamo con A k l modulo somma dretta d k cope d A. Un A-modulo fntamente generato M s dce lbero se
DettagliLa retroazione negli amplificatori
La retroazone negl amplfcator P etroazonare un amplfcatore () sgnfca sottrarre (o sommare) al segnale d ngresso (S ) l segnale d retroazone (S r ) ottenuto dal segnale d uscta (S u ) medante un quadrpolo
DettagliProva di verifica n.0 Elettronica I (26/2/2015)
Proa d erfca n.0 lettronca I (26/2/2015) OUT he hfe + L OUT - Fgura 1 Con rfermento alla rete elettrca d Fg.1, determnare: OUT / OUT / la resstenza sta dal generatore ( V ) la resstenza sta dall uscta
DettagliEsame di Statistica Corso di Laurea in Economia
Esame d Statstca Corso d Laurea n Economa 9 Gennao 0 Cognome Nome atr. Teora S dmostr la propretà d lneartà della meda artmetca. Eserczo Una casa edtrce è nteressata a valutare se tra lettor d lbr esste
DettagliSTATISTICA 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
DettagliVariabili 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
DettagliUniversità di Napoli Parthenope Facoltà di Ingegneria
Unverstà d Napol Parthenope acoltà d Ingegnera Corso d Metod Probablstc Statstc e Process Stocastc docente: Pro. Vto Pascazo 20 a Lezone: /2/2003 Sommaro Dstrbuzon condzonate: CD, pd, pm Teorema della
DettagliLezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse
Lezone 1. L equlbro del mercato fnanzaro: la struttura de tass d nteresse Ttol con scadenza dversa hanno prezz (e tass d nteresse) dfferent. Due ttol d durata dversa emess dallo stesso soggetto (stesso
DettagliUniversità degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno
Unverstà degl Stud d Cassno, Anno accademco 004-005 Corso d Statstca, Pro. M. Furno Eserctazone del 5//005 dott. Claudo Conversano Eserczo Ad un certo tavolo d un casnò s goca lancando un dado. Il goco
DettagliStrutture deformabili torsionalmente: analisi in FaTA-E
Strutture deformabl torsonalmente: anals n FaTA-E Il comportamento dsspatvo deale è negatvamente nfluenzato nel caso d strutture deformabl torsonalmente. Nelle Norme Tecnche cò vene consderato rducendo
DettagliLE 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
DettagliDistribuzione di Boltzmann. Nota
Dstrbuzone d Boltzmann ota Tutto l soggetto trattato deve n realta essere nserto nel quadro concettuale della meccanca statstca, che non e trattato n questo corso. Quest cenn sono solo un breve rchamo
DettagliIntorduzione 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 }
DettagliRelazioni tra variabili: Correlazione e regressione lineare
Dott. Raffaele Casa - Dpartmento d Produzone Vegetale Modulo d Metodologa Spermentale Febbrao 003 Relazon tra varabl: Correlazone e regressone lneare Anals d relazon tra varabl 6 Produzone d granella (kg
DettagliStatistica di Bose-Einstein
Statstca d Bose-Ensten Esstono sstem compost d partcelle dentche e ndstngubl che non sono soggette al prncpo d esclusone. In quest sstem non esste un lmte al numero d partcelle che possono essere osptate
DettagliEsercitazioni del corso: STATISTICA
A. A. 0-0 Eserctazon del corso: STATISTICA Sommaro Eserctazone : Moda Medana Meda Artmetca Varabltà: Varanza, Devazone Standard, Coefcente d Varazone ESERCIZIO : UNIVERSITÀ DEGLI STUDI DI MILANO BICOCCA
DettagliTEST D INGRESSO MATEMATICA 24/05/2011
TEST D INGRESSO MATEMATICA // COGNOME NOME ISTITUTO COMPRENSIVO/SCUOLA MEDIA CITTA Legg attentamente. ISTRUZIONI PER LA COMPILAZIONE DEL QUESTIONARIO Inza a lavorare solo quando te lo drà l nsegnante e
DettagliValore attuale di una rendita. Valore attuale in Excel: funzione VA
Valore attuale d una rendta Nella scorsa lezone c samo concentrat sul problema del calcolo del alore attuale d una rendta S che è dato n generale da V ( S) { R ; t, 0,,,..., n,... } n 0 R ( t ), doe (t
DettagliLezione 2 Codifica della informazione
Lezone Codfca della nformazone Vttoro Scarano Archtettura Corso d Laurea n Informatca Unverstà degl Stud d Salerno Organzzazone della lezone La codfca della nformazone Notazone poszonale Rappresentazone
DettagliA. AUMENTO DELLA SPESA PUBBLICA FINANZIATO ESCLUSIVAMENTE TRAMITE INDEBITAMENTO
4. SCHMI ALTRNATIVI DI FINANZIAMNTO DLLA SPSA PUBBLICA. Se l Governo decde d aumentare la Spesa Pubblca G (o Trasferment TR), allora deve anche reperre fond necessar per fnanzare questa sua maggore spesa.
DettagliCalcolo della caduta di tensione con il metodo vettoriale
Calcolo della caduta d tensone con l metodo vettorale Esempo d rete squlbrata ed effett del neutro nel calcolo. In Ampère le cadute d tensone sono calcolate vettoralmente. Per ogn utenza s calcola la caduta
DettagliProgrammazione 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
DettagliFondamenti 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
Dettagli4. ALGORITMI GREEDY. cambia-monete scheduling a minimo il ritardo. Il problema del cambia-monete. Proprietà di una soluzione ottima
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
DettagliNewsletter "Lean Production" Autore: Dott. Silvio Marzo
Il concetto d "Produzone Snella" (Lean Producton) s sta rapdamente mponendo come uno degl strument pù modern ed effcac per garantre alle azende la flessbltà e la compettvtà che l moderno mercato rchede.
DettagliSoluzioni per lo scarico dati da tachigrafo innovativi e facili da usare. http://dtco.it
Soluzon per lo scarco dat da tachgrafo nnovatv e facl da usare http://dtco.t Downloadkey II Moble Card Reader Card Reader Downloadtermnal DLD Short Range and DLD Wde Range Qual soluzon ho a dsposzone per
DettagliAlgebra 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
DettagliNOTE 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
DettagliCondensatori 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
DettagliApprendimento Automatico e IR: introduzione al Machine Learning
Apprendmento Automatco e IR: ntroduzone al Machne Learnng MGRI a.a. 2007/8 A. Moschtt, R. Basl Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: {moschtt,basl}@nfo.unroma2.t 1
DettagliControllo 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
DettagliDati di tipo video. Indicizzazione e ricerca video
Corso d Laurea n Informatca Applcata Unverstà d Urbno Dat d tpo vdeo I dat vdeo sono generalmente rcch dal punto d vsta nformatvo. Sottottol (testo) Colonna sonora (audo parlato e/o musca) Frame (mmagn
DettagliMODELLISTICA DI SISTEMI DINAMICI
CONTROLLI AUTOMATICI Ingegnera Gestonale http://www.automazone.ngre.unmore.t/pages/cors/controllautomatcgestonale.htm MODELLISTICA DI SISTEMI DINAMICI Ing. Federca Gross Tel. 059 2056333 e-mal: federca.gross@unmore.t
DettagliTrigger di Schmitt. e +V t
CORSO DI LABORATORIO DI OTTICA ED ELETTRONICA Scopo dell esperenza è valutare l ampezza dell steres d un trgger d Schmtt al varare della frequenza e dell ampezza del segnale d ngresso e confrontarla con
DettagliPrincipi di ingegneria elettrica. Lezione 6 a. Analisi delle reti resistive
Prncp d ngegnera elettrca Lezone 6 a Anals delle ret resste Anals delle ret resste L anals d una rete elettrca (rsoluzone della rete) consste nel determnare tutte le corrent ncognte ne ram e tutt potenzal
DettagliTeoria dell informazione e Meccanica Statistica
Teora dell nformazone e Meccanca Statstca L. P. Gugno 2007 Rporto qu una breve rassegna dell approcco alla Meccanca Statstca medante la teora dell nformazone. Partamo dalla consderazone che la probabltà
DettagliMatematica Computazionale(6cfu) Ottimizzazione(8cfu)
Docente: Marco Gavano (e-mal:gavano@unca.t) Corso d Laurea n Infomatca Corso d Laurea n Matematca Matematca Computazonale(6cfu) Ottmzzazone(8cfu) (a.a. 205-6, lez.8) Matematca Computazonale, Ottmzzazone,
DettagliLA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE
Lezone 6 - La statstca: obettv; raccolta dat; le frequenze (EXCEL) assolute e relatve 1 LA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE GRUPPO MAT06 Dp. Matematca, Unverstà
DettagliIl procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria.
SCELTA OTTIMALE DEL PROCEDIMENTO PER PESARE Il procedmento può essere pensato come una rcerca n un nseme ordnato, l peso ncognto può essere cercato con l metodo della rcerca bnara. PESI CAMPIONE IN BASE
DettagliCorsi di Laurea in Farmacia e CTF Prova di Matematica
Cors d Laurea n Farmaca e CTF Prova d Matematca S O L U Z I O N I Effettua uno studo qualtatvo della funzone 4 f + con partcolare rfermento a seguent aspett: a trova l domno della funzone b trova gl ntervall
DettagliEconomie di scala, concorrenza imperfetta e commercio internazionale
Sanna-Randacco Lezone n. 14 Econome d scala, concorrenza mperfetta e commerco nternazonale Non v è vantaggo comparato (e qund non v è commerco nter-ndustrale). S vuole dmostrare che la struttura d mercato
DettagliRisoluzione quesiti I esonero 2011
Rsoluzone quest I esonero 011 1) Compto 1 Q3 Un azenda a a dsposzone due progett d nvestmento tra d loro alternatv. Il prmo prevede l pagamento d un mporto par a 100 all epoca 0 e fluss par a 60 all epoca
DettagliPARENTELA 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
DettagliTest delle ipotesi Parte 2
Test delle potes arte Test delle potes sulla dstrbuzone: Introduzone Test χ sulla dstrbuzone b Test χ sulla dstrbuzone: Eserczo Test delle potes sulla dstrbuzone Molte concluson tratte nell nferenza parametrca
Dettagli4.6 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
DettagliEsercizio. 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:
DettagliAnalisi 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
DettagliRICHIAMI 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
DettagliCalcolo delle Probabilità
alcolo delle Probabltà Quanto è possble un esto? La verosmglanza d un esto è quantfcata da un numero compreso tra 0 e. n partcolare, 0 ndca che l esto non s verfca e ndca che l esto s verfca senza dubbo.
DettagliPOLITECNICO DI BARI - DICATECh Corso di Laurea in Ingegneria Ambientale e del Territorio IDRAULICA AMBIENTALE - A.A. 2015/2016 ESONERO 15/01/2016
POLITECNICO DI BARI - DICATECh Corso d Laurea n Ingegnera Ambentale e del Terrtoro IDRAULICA AMBIENTALE - A.A. 015/016 ESONERO 15/01/016 ESERCIZIO 1 S consder la rete aperta n fgura, nella quale le portate
DettagliElementi di teoria bayesiana della decisione Teoria bayesiana della decisione: caratteristiche
Element d teora bayesana della decsone Teora bayesana della decsone: caratterstche La teora bayesana della decsone è un approcco statstco fondamentale al problema del pattern recognton. Il suo obettvo
DettagliSOFTWARE NBSI (NEIGHBOURHOOD BASED STRUCTURAL INDICES)
SOFTWARE NBSI (NEIGHBOURHOOD BASED STRUCTURAL INDICES) DIPARTIMENTO DI SCIENZE DELL AMBIENTE FORESTALE E DELLE SUE RISORSE (DISAFRI) UNIVERSITÀ DEGLI STUDI DELLA TUSCIA - Va San Camllo de Lells, 000 Vterbo
DettagliFISICA. S = Q rev 373K
FISICA Sere 9: Soluzon II lceo Eserczo 1 ranszone d fase Poché l entropa è una funzone d stato possamo calcolare la sua varazone lungo un processo reversble. Questo lo s può realzzare sottraendo delle
DettagliDATA 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
DettagliDipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2011-2012 lezione 22: 30 maggio 2013
Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2011-2012 lezone 22: 30 maggo 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/27? Eserczo Dmostrare che l equazone della frontera
DettagliANALISI STATISTICA DELLE INCERTEZZE CASUALI
AALISI STATISTICA DELLE ICERTEZZE CASUALI Consderamo l caso della msura d una grandezza fsca che sa affetta da error casual. Per ottenere maggor nformazone sul valore vero della grandezza rpetamo pù volte
DettagliLa rappresentazione dei numeri. La rappresentazione dei numeri. Aritmetica dei calcolatori. La rappresentazione dei numeri
Artmetca de calcolator Rappresentazone de numer natural e relatv Addzone e sommator: : a propagazone d rporto, veloce, con segno Moltplcazone e moltplcator: senza segno, con segno e algortmo d Booth Rappresentazone
DettagliPrincipio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
DettagliPrincipio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
Dettagli