Natural Language Processing. Parte 2: Part of Speech Tagging
|
|
- Cristiano Falco
- 8 anni fa
- Visualizzazioni
Transcript
1 Natural Language Processing Parte 2: Part of Speech Tagging
2 2 Classi di parole - 1 Le parole possono essere raggruppate in classi dette Part of Speech (PoS) o classi morfologiche La grammatica tradizionale prevede poche tipologie di PoS (sostantivo, verbo, aggettivo, preposizione, avverbio, congiunzione, ecc..) Modelli più recenti considerano un numero maggiore di classi 45 Penn Treebank 87 Brown corpus 146 C7 tagset La PoS di una parola fornisce informazione fondamentale per determinare il ruolo della parola stessa e di quelle vicine nella frase sapere se una parola è un pronome personale (io, tu, egli,.. ) o un pronome possessivo (mio, tuo, suo, ) permette di definire meglio quali parole è più probabile trovare nelle sue vicinanze (le regole sintattiche considerano di fatto le PoS delle parole) es. pronome possessivo - sostantivo vs. pronome personale - verbo
3 3 Classi di parole - 2 Le classi sono in genere definite in base alle proprietà morfologiche o alla funzione sintattica delle parole parole che hanno funzioni simili in base agli affissi (proprietà morfologiche) parole che condividono contesti simili (proprietà legata alla loro distribuzione/ funzione sintattica) Non si fa in genere riferimento alla definizione di classi basate su coerenza semantica un sostantivo è un referente di persone, luoghi o cose Le classi considerate possono essere chiuse o aperte Le classi chiuse sono quelle che hanno dei membri fissi (es. preposizioni) Tendono a contenere le parole funzionali (di, e, che, da, in, ) che sono brevi, frequenti e hanno un ruolo nella grammatica Le classi aperte invece sono soggette all aggiunta di nuovi termini (es. verbi e sostantivi)
4 4 Classi di parole sostantivi/nomi Le 4 maggiori classi aperte di parole, previste dalla maggior parte dei linguaggi, sono sostantivi verbi avverbi aggettivi I sostantivi sono termini concreti (es. nave, tavolo), astrazioni (es. relazione, funzione), dal punto di vista funzionale possono essere legati a termini determinativi (la nave, una nave,..) e assumere anche la forma plurale (le navi), ecc.. Sono tradizionalmente suddivisi in nomi propri (es. Marco, Italia, ecc. ) e nomi comuni (es. libro, lezione, ecc..) In molti linguaggi i nomi comuni sono ulteriormente suddivisi in contabili (count nouns prendono il plurale) e non contabili (mass nouns si usano al singolare, es. neve, comunismo)
5 5 Classi di parole verbi e aggettivi La classe dei verbi include la maggior parte delle parole che fanno riferimento ad azioni e processi scrivere, andare, mangiare possono avere più forme morfologiche In Inglese non-3 rd -person-sg (eat), 3 rd -person-sg (eats), progressive (eating), past-participle (eaten), past perfect (ate) Una classe particolare di verbi sono gli ausiliari (essere, avere) La classe degli aggettivi contiene termini che descrivono proprietà o qualità La maggior parte dei linguaggi ha aggettivi per i concetti di colore (bianco, rosso,..), di età (giovane, vecchio,..), di qualità (buono, cattivo,..), ecc.
6 6 Classi di parole - avverbi In genere gli avverbi sono accumunati di avere una funzione di modifica di altri termini (non solo verbi) Gli avverbi direzionali o locativi specificano la direzione o la locazione di una certa azione (qui, là, laggiù, su,..) Gli avverbi di grado specificano il livello di un azione, processo o proprietà (estremamente, molto, poco,..) Gli avverbi di modo descrivono il modo di qualche azione o processo (lentamente, delicatamente, attentamente,..) Gli avverbi temporali descrivono la collocazione temporale di azioni o eventi (ieri, oggi, prima, dopo, poi, Lunedì,..) La classe degli avverbi è comunque abbastanza eterogenea Alcuni avverbi possono anche assimilati a sostantivi (es. Lunedì ci vediamo Lunedì, ci vediamo il Lunedì )
7 7 Classi di parole classi chiuse 1 Sono classi più diversificate da a Preposizioni: da, a, su, di, con, per, (on, under, by, at, with,..) Articoli determinativi/indeterminativi: il, la, lo, le, i, gli, un,.. (the, a, an) Pronomi: lei, lui, io, chi, altri, (I, you, she, who, others, ) Congiunzioni: e, ma, o, se, poiché, quando (and, but, or, if, because, when, ) verbi ausiliari: essere, avere, potere, dovere (be, have, can, must, ) numerali: uno, due, tre,.. primo, secondo (one, two,.., first, second) Le preposizioni occorrono prima di parti nominali (noun phrases) Semanticamente esprimono una relazione (spaziale, temporale, ecc..) In Inglese alcune preposizioni in certi contesti assumono un ruolo diverso e si possono attribuire alla categoria delle particelle es. on nelle frasi verbali come go on in cui hanno una funzione analoga ad un avverbio
8 8 Classi di parole classi chiuse 2 Gli articoli sono spesso la parte iniziale di una parte nominale Sono fra i termini più comuni (es. the in Inglese) Le congiunzioni sono utilizzate per connettere frasi Le congiunzioni coordinative sono usate per unire proposizioni dello stesso livello copulative (e,anche, pure,..), disgiuntive (o, oppure,..), avversative (ma, però,..), dichiarative/esplicative (infatti, cioè), conclusive (quindi, dunque, ), correlative (e e, o o, non solo ma anche,..) Le congiunzioni subordinative esprimono un fatto dipendente dalla proposizione principale dichiarative (che, come,..), condizionali (se, purché, qualora,..), causali (perché, poiché,..), finali (affinché, perché,..), concessive (sebbene, benché,..), consecutive (a tal punto che, cosicché,..), temporali (quando, prima,..), comparative (più che, tanto quanto,..), modali (come, come se,..), avversative (mentre, quando, invece,..), esclusive (fuorché, tranne che,..)
9 9 Classi di parole classi chiuse 3 I pronomi sono elementi che permettono di riferirsi in modo abbreviato a frasi nominali, entità o eventi I pronomi personali si riferiscono a persone o entità (io, tu, me,..) I pronomi possessivi esprimono il possesso o, in generale, una relazione astratta fra una persona e un qualche oggetto (mio, suo, nostro,..) I pronomi relativi permettono di mettere in relazione due proposizioni subordinando la frase introdotta a quella che contiene la parola sostituita (che, il quale, ) I pronomi dimostrativi indicano una persona o oggetto in riferimento a una relazione allo spazio, al tempo o al discorso (questo, quello, codesto,..) I pronomi indefiniti permettono di riferirsi a un generico oggetto, persona, evento (nessuno, ciascuno, ognuno, tutto,.)
10 10 Classi di parole classi chiuse 4 I verbi ausiliari vengono utilizzati in combinazione con altri verbi per dare un significato particolare alla forma verbale definire i tempi composti dei verbi (passato prossimo, trapassato remoto,..) si usa avere per i verbi transitivi, per i verbi intransitivi non c è una regola chiara. Alcuni verbi hanno entrambe le forme e usano ausiliari diversi (es. scendere Sono sceso dalle scale (intr.) vs. Ho sceso le scale (tr.)) esprimere la forma interrogativa o negativa di un verbo do in Inglese I do not (don t) walk, Do you like it? definire la forma passiva di verbi transitivi (essere, venire) definire una specifica modalità all azione (ausiliari modali o verbi servili) necessità/obbligo (dovere, avere da must, have to, need to) possibilità (potere may) volontà (volere will, wish) capacità (sapere, potere can)
11 11 Tagsets Sono stati definiti alcuni insiemi di tag da utilizzare per il PoS tagging In riferimento alla lingua Inglese i tagset disponibili hanno un dettaglio variabile Penn Treebank tagset: 45 tags (Marcus et al. 1993) C5 tagset: 61 tags (CLAWS project by Lacaster UCREL, 1997) C7 tagset: 146 tags (Leech et al. 1994) I tag sono in genere aggiunti alla fine della parola dopo / Il Penn Treebank tagset non descrive alcune proprietà che possono essere comunque ricavate dall analisi dell entità lessicale o dalla sintassi es. le preposizioni e le congiunzioni subordinate sono combinate in un unico tag IN perché sono comunque disambiguate nell albero di analisi
12 12 Penn Treebank tagset Tag Description Example Tag Description Example CC Coordin. Conjunction and, but, or SYM Symbol +, %, CD Cardinal number one, two TO to to DT Determiner a, the UH Interjection ah, uh, oops EX Existential there there VB Verb, base form eat FW Foreign word mea culpa VBD Verb, past tense ate IN Preposition/sub-conj of, in, by VBG Verb, gerund eating JJ Adjective yellow VBN Verb, past particip. eaten JJR Adj. comparative bigger VBP Verb, non-3sg pres eat JJS Adj. superlative biggest VBZ Verb, 3sg pres eats LS List item marker 1,2,3 WDT Wh-determiner which, that MD Modal can, should WP Wh-pronoun what, who NN Noun, singular/mass dog, snow WP$ Possessive wh- whose NNS Noun, plural dogs WRB Wh-adverb how, where NNP Proper noun, singul. Marco $ Dollar sign $ NNPS Proper noun, plural Alps # Pound sign # PDT Predeterminer all, both Left quote POS Possessive ending s Right quote PP Personal pronoun I, you, he ( Left parenthesis ( [ { < PP$ Possessive pronoun my, your ) Right parenthesis ) ] } > RB Adverb never, often, Comma, RBR Adverb, comparative faster. Sentence-final pun.!? RBS Adverb, superlative fastest : Mid-sentence punt. : ; - RP Particle up, on,off
13 13 PoS tagging & tags Il PoS tagging consiste nell assegnare un tag a ciascuna parola di un documento/corpus La scelta del tagset da usare dipende dalla lingua/applicazione L ingresso è una stringa di parole e un tagset da utilizzare e l uscita è l associazione ad ogni parole del migliore tag Ci possono essere più tag compatibili con una parola (ambiguità) Il compito del PoS tagger è di risolvere queste ambiguità scegliendo il tag più appropriato in base al contesto in cui si trova la parola La percentuale di parole ambigue non è elevata, ma fra queste ci sono parole molto frequenti (es. can Auxiliary verb [potere], Noun [lattina], Verb [inscatolare], still che può avere 7 tag adj, adv, verb, noun)
14 14 Algoritmi per PoS tagging Tagger basati su regole Prevedono la creazione manuale di un ampio database di regole che specificano per i casi ambigui le condizioni da verificare per l assegnazione di ogni tag possibile es. una parola è un sostantivo se è preceduta da un articolo Tagger probabilistici In genere risolvono le ambibuità stimando la probabilità che una data parola abbia un dato tag in un dato contesto usando un corpus di riferimento Altri approcci tagging come classificazione (ogni tag corrisponde ad una classe e si utilizza un classificatore che elabora delle feature che descrivono le parole del contesto) Tagger basati su regole apprese da esempi
15 15 Rule-based PoS tagging Processo in due fasi (es. ENGTWOL Voutilainen, 1995) Assegnazione dei tag alle parole in base a un dizionario (eventualmente più tag per parola) usando le regole morfologiche/ortografiche text stem PoS PoS features Pavlov PAVLOV N NOM SG PROPER had HAVE V PAST VFIN SVO HAVE PCP2 SVO shown SHOW PCP2 SVOO SVO SV that THAT THAT THAT THAT ADV PRON DEM SG DET CENTRAL DEM SG CS salivation SALIVATION N NOM SG Applicazione di regole per assegnare un solo tag fra quelli possibili
16 16 Rules Le regole hanno lo scopo di eliminare le ipotesi incompatibili col contesto In ENGTWOL sono definite circa 1100 regole ENGTWOL prevede anche vincoli probabilistici e l uso di informazione di tipo sintattico.
17 17 Tagging probabilistico con HMM Data una sequenza di parole un tagger basato su HMM sceglie la sequenza di tag che massimizza al probabilità La probabilità è assegnata all intera sequenza di tag ovvero si trova la sequenza di tag a massima verosimiglianza (Viterbi) data la sequenza di parole osservate W Applicando la regola di Bayes l espressione precedente può essere riscritta come
18 18 HMM tagging ipotesi del modello Utilizzando la regola a catena per la fattorizzazione delle probabilità Per semplificare il modello si fanno delle approssimazioni, come La probabilità di una parola è dipendente solo dal tag La dipendenza di un tag dalla storia dei tag precedenti è limitata nel tempo, ad esempio ai due tag precedenti
19 19 HMM tagging modello e stima dei parametri Con le ipotesi fatte la sequenza di tag ottimale è quella che massimizza Le probabilità richieste possono essere stimate con i conteggi su una dataset etichettato applicando opportune tecniche di smoothing/backoff Il modello proposto è un HMM di ordine 2 i cui stati corrispondono ai tag e le osservazioni alle parole La sequenza ottimale di stati (tag) può essere calcolata con l algoritmo di Viterbi Questo algoritmo permette di ottenere un accuratezza di circa il 96% (Weischedel et al. 1993; DeRose 1988)
20 20 Parole sconosciute Gli algoritmi di PoS tagging sono basati su un dizionario che permette di elencare i possibili tag da assegnare ad ogni parola Se si presenta una parola sconosciuta (nome, acronimo, neologismo) Il tagger utilizzerà i tag del contesto per determinare il tag più probabile Si può poi supporre che sia ambigua rispetto a tutti i tag con uguale probabilità In alternativa si può utilizzare la distribuzione dei tag per le parole rare nel corpus di addestramento (ad esempio quelle che si presentano una sola volta) Il caso più probabile è che siano nomi, poi verbi Si possono usare anche informazioni morfologiche parole in Inglese che terminano con s è probabile che siano sostantivi plurali termini che inziano con una maiuscola è probabile che siano nomi propri parole che hanno suffissi standard di certe classi (-ion al ive ly)
21 21 Hidden Markov Models Un HMM è un modello statistico di un sistema caratterizzato da un insieme finito di stati non osservabili La parte osservabile è l uscita che dipende dallo stato Ciascuno stato è caratterizzato da una specifica distribuzione per i possibili valori di uscita La sequenza visibile delle uscite fornisce quindi informazione sulla sequenza di stati attraversati dal sistema per generarla ma questa è di fatto nascosta L evoluzione dello stato è modellato come un processo Markoviano x(t-1) x(t) x(t+1) y(t-1) y(t) y(t+1) Hidden state sequence (random variables) Observed output sequence (random variables)
22 22 HMM - definizione Un Hidden Markov Model (di ordine 1) è definito da Un insieme finito di N stati Q={q 1,q 2,,q N } Un insieme di probabilità di transizione organizzate in una matrice di transizione A={a ij } i,j=1,..,n con Una distribuzione iniziale di probabilità π su Q, tale che Un insieme di distribuzioni di uscita B = {b i (o k )} i=1,..,n k=1,,m che definiscono le probabilità di emettere un dato simbolo o k quando il sistema è nello stato q i
23 23 HMM - problemi a 13 a22 a 44 a 12 a 23 a 34 q 1 q 2 q 3 q 4 a 24 o 1. o 8 o 1. o 8 o 1. o 8 o 1. o 8 Data una sequenza osservata O=o 1 o 2.o T stimare la probabilità che sia stata generata dal modello Data una sequenza osservata O=o 1 o 2.o T stimare la sequenza di stati x 1 x 2.x T che l ha generata dato il modello Dato un insieme di sequenze generate dal modello, O k =o 1k o 2k.o T kk, stimare i parametri del modello A, B, π in modo da massimizzare la verosimiglianza di tutte le sequenze O k
24 24 HMM p(o M) Si tratta di calcolare la probabilità di una data sequenza osservata dato il modello Si può formulare in modo efficiente (algoritmo forward) Si definiscono i coefficienti α come la probabilità di avere osservato la sequenza parziale o 1 t = o 1 o 2 o t e di essere nello stato q i al tempo t I coefficienti α possono essere calcolati iterativamente nel tempo a partire dalla distribuzione iniziale π per t=1 probabilità di essere nello stato x(0)=q i probabilità di generare o 1 nello stato x(0)=q i
25 25 HMM algoritmo forward 1 Il passo iterativo è q 1 a 1i probabilità di generare o t+1 nello stato x(0)=q i q i a 1N q N La terminazione è
26 26 HMM- algoritmo forward 2 L algoritmo può essere visualizzato con un grafo forward La complessità è dell ordine O(TN 2 ) o 1 o 2 o 3 o 4 o 5 o 6 q 4 π 4 q 3 q 2 π 3 π 2 p(o M) q 1 π 1 α 1 α 2 α 3 α 4 α 5 α 6
27 27 HMM - allineamento Qual è la sequenza di stati che meglio spiega una data osservazione? Permette di allineare la sequenza di osservazioni O con una sequenza di stati X della stessa lunghezza Una soluzione è l algoritmo di Viterbi che massimizza P(X O,M) Si definiscono le variabili in cui x(1) x(t-1) è la sequenza di stati più probabile date le osservazioni o 1 o t e lo stato finale q i La sequenza ottimale di stati viene memorizzata nelle variabili
28 28 HMM algoritmo di Viterbi La procedura complessiva prevede i seguenti passi inizializzazione ricorsione terminazione δ t (o t 1,q i ) = max 1 j N δt 1 (o t 1 1,q j )a ji bi (o t ) ψ t (o 1 1,q i ) = argmax 1 j N δt 1 (o t 1 1,q j )a ji Backtracking per il calcolo della sequenza di stati
29 29 HMM- algoritmo di Viterbi 2 L algoritmo individua il percorso ottimale per le transizioni di stato sul trellis delle transizioni o 1 o 2 o 3 o 4 o 5 o 6 q1q2q2q2q4q4 q 4 π 4 q 3 π 3 q 2 π 2 q 1 π 1 δ 1 δ 2 δ 3 δ 4 δ 5 δ 6
30 30 HMM - addestramento I parametri del modello M=(A,B,π) possono essere stimati a partire da un insieme di sequenze Supponendo che tutte le sequenze assegnate siano indipendenti fra loro si può massimizzare la probabilità di tutte le sequenze dato il modello Non esiste una soluzione analitica a questo problema ma gli algoritmi noti sono approssimano iterativamente la soluzione (senza garanzie di trovare l ottimo assoluto) L Algoritmo di Baum-Welch utilizza un meccanismo di tipo EM (Expectation Maximization) La difficoltà del problema è che la sequenza di stati non è nota ma va stimata e quindi non si possono usare direttamente i meccanismi classici della stima a Maximum Likelihood che utilizzano le frequenze per stimare le probabilità per stimare a ij come si fa a sapere la frequenza delle transizioni da i a j?
Gruppo di lavoro per i B.E.S. D.D. 3 Circolo Sanremo. Autore: Pulvirenti Antonella P roposta di lavoro per le attività nei laboratori di recupero
GRAMMATICA AL CONTRARIO Competenza/e da Saper mettere in relazione ed associare; Sapersi concentrare, saper usare sviluppare l attenzione selettiva; Saper procedere in modo logico e coerente; Saper comunicare
DettagliITI ENRICO MEDI PIANO DELLA DISCIPLINA: INGLESE
UDA UDA N. 1 About me Ore: 25 ore UDA N. 2 Meeting up Ore: 25 ore ITI ENRICO MEDI PIANO DELLA DISCIPLINA: INGLESE PIANO DELLE UDA ANNO 2013-2014 PRIMA Bi Frof. Filomena De Rosa COMPETENZE DELLA UDA Utilizzare
DettagliProgramma Corso Standard Italiano per stranieri A2
Programma Corso Standard Italiano per stranieri A2 1) Conoscenze e abilità da conseguire L obiettivo di questo corso è di portare gli studenti al livello A2 o soglia, così definito dal Quadro comune Europeo
DettagliPROGRAMMA SVOLTO NELLA SESSIONE N.
Università C. Cattaneo Liuc, Corso di Statistica, Sessione n. 1, 2014 Laboratorio Excel Sessione n. 1 Venerdì 031014 Gruppo PZ Lunedì 061014 Gruppo AD Martedì 071014 Gruppo EO PROGRAMMA SVOLTO NELLA SESSIONE
DettagliLICEO STATALE Carlo Montanari
Classe 1 Simple del verbo to be in tutte le sue forme Il Present Simple del verbo to have (got) in tutte le sue forme Gli aggettivi e pronomi possessivi Gli articoli a/an, the Il caso possessivo dei sostantivi
DettagliOrganizzazione degli archivi
COSA E UN DATA-BASE (DB)? è l insieme di dati relativo ad un sistema informativo COSA CARATTERIZZA UN DB? la struttura dei dati le relazioni fra i dati I REQUISITI DI UN DB SONO: la ridondanza minima i
DettagliUn modello matematico di investimento ottimale
Un modello matematico di investimento ottimale Tiziano Vargiolu 1 1 Università degli Studi di Padova Liceo Scientifico Benedetti Venezia, giovedì 30 marzo 2011 Outline 1 Investimento per un singolo agente
DettagliSommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi.
Algoritmi 1 Sommario Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. 2 Informatica Nome Informatica=informazione+automatica. Definizione Scienza che si occupa dell
DettagliOttimizzazione Multi Obiettivo
Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali
DettagliLA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di
STATISTICA LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di oggetti; cerca, attraverso l uso della matematica
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
Dettagli(anno accademico 2008-09)
Calcolo relazionale Prof Alberto Belussi Prof. Alberto Belussi (anno accademico 2008-09) Calcolo relazionale E un linguaggio di interrogazione o e dichiarativo: at specifica le proprietà del risultato
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
DettagliMODULO 5 ACCESS Basi di dati. Lezione 4
MODULO 5 ACCESS Basi di dati Lezione 4 ARGOMENTI Lezione 4 Filtrare i dati Esempio 1 Query Cos è Creare Query in visualizza struttura Criteri di ricerca Esempio 2 Esempio 3 Esempio 4 Creare Query in creazione
DettagliI.I.S. G.B.BENEDETTI-N.TOMMASEO CLASSE 1^
STANDARD MINIMI DI RIFERIMENTO PER ESAMI INTEGRATIVI, DI IDONEITA E PER LA VALUTAZIONE DELL ANNO FREQUENTATO ALL ESTERO DISCIPLINA: LINGUA STRANIERA - INGLESE I.I.S. G.B.BENEDETTI-N.TOMMASEO LICEO SCIENTIFICO
DettagliComputazione per l interazione naturale: Modelli dinamici
Computazione per l interazione naturale: Modelli dinamici Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html
DettagliStrutturazione logica dei dati: i file
Strutturazione logica dei dati: i file Informazioni più complesse possono essere composte a partire da informazioni elementari Esempio di una banca: supponiamo di voler mantenere all'interno di un computer
DettagliStrumenti e metodi per la redazione della carta del pericolo da fenomeni torrentizi
Versione 2.0 Strumenti e metodi per la redazione della carta del pericolo da fenomeni torrentizi Corso anno 2011 E. MANUALE UTILIZZO HAZARD MAPPER Il programma Hazard Mapper è stato realizzato per redarre,
DettagliAutomazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it
Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione
DettagliPrincipi di analisi causale Lezione 2
Anno accademico 2007/08 Principi di analisi causale Lezione 2 Docente: prof. Maurizio Pisati Logica della regressione Nella sua semplicità, l espressione precedente racchiude interamente la logica della
DettagliMetodi Computazionali
Metodi Computazionali Elisabetta Fersini fersini@disco.unimib.it A.A. 2009/2010 Catene di Markov Applicazioni: Fisica dinamica dei sistemi Web simulazione del comportamento utente Biologia evoluzione delle
DettagliSoluzione dell esercizio del 2 Febbraio 2004
Soluzione dell esercizio del 2 Febbraio 2004 1. Casi d uso I casi d uso sono riportati in Figura 1. Figura 1: Diagramma dei casi d uso. E evidenziato un sotto caso di uso. 2. Modello concettuale Osserviamo
DettagliCapitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano
Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
DettagliAppunti sulla Macchina di Turing. Macchina di Turing
Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso
DettagliFasi di creazione di un programma
Fasi di creazione di un programma 1. Studio Preliminare 2. Analisi del Sistema 6. Manutenzione e Test 3. Progettazione 5. Implementazione 4. Sviluppo 41 Sviluppo di programmi Per la costruzione di un programma
DettagliSistemi Informativi Territoriali. Map Algebra
Paolo Mogorovich Sistemi Informativi Territoriali Appunti dalle lezioni Map Algebra Cod.735 - Vers.E57 1 Definizione di Map Algebra 2 Operatori locali 3 Operatori zonali 4 Operatori focali 5 Operatori
DettagliDatabase. Si ringrazia Marco Bertini per le slides
Database Si ringrazia Marco Bertini per le slides Obiettivo Concetti base dati e informazioni cos è un database terminologia Modelli organizzativi flat file database relazionali Principi e linee guida
DettagliLE COMPETENZE ESSENZIALI DI INGLESE
classe prima LE ESSENZIALI DI INGLESE comprendere e decodificare semplici testi e/o messaggi orali e scritti comprendere informazioni dirette e concrete su argomenti di vita quotidiana (famiglia, acquisti,
DettagliAbilità Informatiche A.A. 2010/2011 Lezione 9: Query Maschere Report. Facoltà di Lingue e Letterature Straniere
Abilità Informatiche A.A. 2010/2011 Lezione 9: Query Maschere Report Facoltà di Lingue e Letterature Straniere Le QUERY 2 Che cos è una Query? Una Query rappresenta uno strumento per interrogare un database.
DettagliPIL : produzione e reddito
PIL : produzione e reddito La misura della produzione aggregata nella contabilità nazionale è il prodotto interno lordo o PIL. Dal lato della produzione : oppure 1) Il PIL è il valore dei beni e dei servizi
DettagliIstituto Comprensivo di Cologna Veneta Curricolo Scuola Primaria a.s. 2015/2016
Traguardi per lo sviluppo delle competenze al termine della scuola primaria L allievo partecipa a scambi comunicativi (conversazioni, discussioni, di classe o di gruppi) con compagni e insegnanti rispettando
DettagliCurricolo di lingua inglese
Curricolo di lingua inglese Classe 1 media PREREQUISITI: Riconoscere parole inglesi usate quotidianamente nella lingua italiana. Numeri fino a 20. Colori. Saluti. Giorni, settimane e mesi. OBIETTIVO COMUNICATIVO
Dettagliu 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k
Capitolo 4 Serie numeriche 4. Serie convergenti, divergenti, indeterminate Data una successione di numeri reali si chiama serie ad essa relativa il simbolo u +... + u +... u, u 2,..., u,..., (4.) oppure
DettagliSintassi della LIS 01. I dati Restrizioni e relazioni d ordine
Sintassi della LIS 01 I dati Restrizioni e relazioni d ordine Argomento della lezione In questa lezione ci occuperemo della struttura sintattica delle frasi della LIS. Partendo dalle considerazioni che
DettagliI Problemi e la loro Soluzione. Il Concetto Intuitivo di Calcolatore. Risoluzione di un Problema. Esempio
Il Concetto Intuitivo di Calcolatore Fondamenti di Informatica A Ingegneria Gestionale Università degli Studi di Brescia Docente: Prof. Alfonso Gerevini I Problemi e la loro Soluzione Problema: classe
DettagliArchitettura hardware
Architettura dell elaboratore Architettura hardware la parte che si può prendere a calci Sistema composto da un numero elevato di componenti, in cui ogni componente svolge una sua funzione elaborazione
DettagliIntroduzione al MATLAB c Parte 2
Introduzione al MATLAB c Parte 2 Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 18 gennaio 2008 Outline 1 M-file di tipo Script e Function Script Function 2 Costrutti di programmazione
Dettagli1. SIMPLE PRESENT. Il Simple Present viene anche detto presente abituale in quanto l azione viene compiuta abitualmente.
1. SIMPLE PRESENT 1. Quando si usa? Il Simple Present viene anche detto presente abituale in quanto l azione viene compiuta abitualmente. Quanto abitualmente? Questo ci viene spesso detto dalla presenza
DettagliIdentificare le classi in un sistema
3.7 (Caso di studio facoltativo) Pensare a oggetti: identificare le classi nella specifica del problema Cominciamo ad affrontare la progettazione del simulatore di ascensore introdotto nel capitolo. Iniziamo
DettagliExcel. A cura di Luigi Labonia. e-mail: luigi.lab@libero.it
Excel A cura di Luigi Labonia e-mail: luigi.lab@libero.it Introduzione Un foglio elettronico è un applicazione comunemente usata per bilanci, previsioni ed altri compiti tipici del campo amministrativo
DettagliLINGUA INGLESE SCUOLA PRIMARIA
CLASSE PRIMA LINGUA INGLESE SCUOLA PRIMARIA 1 RICEZIONE ORALE 1. Familiarizzare coi primi suoni della lingua inglese 2. Comprendere semplici espressioni di uso quotidiano, pronunciate chiaramente. 3. Comprendere,
DettagliI.I.S. G.B.BENEDETTI-N.TOMMASEO CLASSE 1^
STANDARD MINIMI DI RIFERIMENTO PER ESAMI INTEGRATIVI, DI IDONEITA E PER LA VALUTAZIONE DELL ANNO FREQUENTATO ALL ESTERO DISCIPLINA: LINGUA STRANIERA - INGLESE I.I.S. G.B.BENEDETTI-N.TOMMASEO LICEO SCIENTIFICO
DettagliLa propagazione delle onde luminose può essere studiata per mezzo delle equazioni di Maxwell. Tuttavia, nella maggior parte dei casi è possibile
Elementi di ottica L ottica si occupa dello studio dei percorsi dei raggi luminosi e dei fenomeni legati alla propagazione della luce in generale. Lo studio dell ottica nella fisica moderna si basa sul
DettagliCURRICOLO DI LINGUA INGLESE
CURRICOLO DI LINGUA INGLESE 1^ e 2^ anno RICEZIONE ORALE Comprendere espressioni di uso quotidiano finalizzate alla soddisfazione di bisogni elementari Gestire semplici scambi comunicativi Comprendere
DettagliA intervalli regolari ogni router manda la sua tabella a tutti i vicini, e riceve quelle dei vicini.
Algoritmi di routing dinamici (pag.89) UdA2_L5 Nelle moderne reti si usano algoritmi dinamici, che si adattano automaticamente ai cambiamenti della rete. Questi algoritmi non sono eseguiti solo all'avvio
DettagliManuale di realizzazione dei modelli di documento
MystiqueXML Manuale di realizzazione dei modelli di documento Indice 1 Le tabelle...5 1.1 Tabelle condizionali...5 1.2 Tabelle Multiple - un solo livello...5 1.3 Tabelle Multiple - a più livelli...5 2
DettagliAnno 1. Definizione di Logica e operazioni logiche
Anno 1 Definizione di Logica e operazioni logiche 1 Introduzione In questa lezione ci occuperemo di descrivere la definizione di logica matematica e di operazioni logiche. Che cos è la logica matematica?
DettagliSCHEDA DI PROGRAMMAZIONE DIDATTICA PER SINGOLA DISCIPLINA
SCHEDA DI PROGRAMMAZIONE DIDATTICA PER SINGOLA DISCIPLINA Anno scolastico 2014-2015 DOCENTE: Prof.ssa Antonella Di Giannantonio Disciplina: Lingua Inglese Classe: 1 Sez.: D A) Strumenti di verifica e di
DettagliCapitolo 13. Interrogare una base di dati
Capitolo 13 Interrogare una base di dati Il database fisico La ridondanza è una cosa molto, molto, molto brutta Non si devono mai replicare informazioni scrivendole in più posti diversi nel database Per
DettagliOSSIF WEB. Manuale query builder
OSSIF WEB Manuale query builder - Maggio 2010 1) Sommario 1) SOMMARIO... 2 INTRODUZIONE... 3 Scopo del documento... 3 Struttura del documento... 3 Descrizione dell interfaccia grafica... 3 SELEZIONE DI
DettagliCRITERI DI CONVERGENZA PER LE SERIE. lim a n = 0. (1) s n+1 = s n + a n+1. (2) CRITERI PER LE SERIE A TERMINI NON NEGATIVI
Il criterio più semplice è il seguente. CRITERI DI CONVERGENZA PER LE SERIE Teorema(condizione necessaria per la convergenza). Sia a 0, a 1, a 2,... una successione di numeri reali. Se la serie a k è convergente,
DettagliGli input sono detti anche fattori di produzione: terra, capitale, lavoro, materie prime.
LA TECNOLOGIA Studio del comportamento dell impresa, soggetto a vincoli quando si compiono scelte. La tecnologia rientra tra vincoli naturali e si traduce nel fatto che solo alcuni modi di trasformare
DettagliSocietà per la Biblioteca Circolante Programma Inglese Potenziato
Società per la Biblioteca Circolante Programma Inglese Potenziato STRUTTURE GRAMMATICALI VOCABOLI FUNZIONI COMUNICATIVE Presente del verbo be: tutte le forme Pronomi Personali Soggetto: tutte le forme
DettagliLezione 8. La macchina universale
Lezione 8 Algoritmi La macchina universale Un elaboratore o computer è una macchina digitale, elettronica, automatica capace di effettuare trasformazioni o elaborazioni su i dati digitale= l informazione
DettagliCONSIGLI PER POTENZIARE L APPRENDIMENTO DELLA LINGUA
CONSIGLI PER POTENZIARE L APPRENDIMENTO DELLA LINGUA Possiamo descrivere le strategie di apprendimento di una lingua straniera come traguardi che uno studente si pone per misurare i progressi nell apprendimento
DettagliCURRICOLO VERTICALE D ISTITUTO ITALIANO
CURRICOLO VERTICALE D ISTITUTO ITALIANO OBIETTIVO GENERALE COMPRENSIONE DELLA LINGUA ORALE 1. Prestare attenzione a chi parla 2. Saper comprendere messaggi orali 3. Capire il significato globale delle
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
DettagliMining Positive and Negative Association Rules:
Mining Positive and Negative Association Rules: An Approach for Confined Rules Alessandro Boca Alessandro Cislaghi Premesse Le regole di associazione positive considerano solo gli item coinvolti in una
Dettaglida 2 a 5 giocatori, dai 10 anni in su, durata 30 minuti
da 2 a 5 giocatori, dai 10 anni in su, durata 30 minuti OBIETTIVO Il vincitore è colui che, dopo due round di gioco, delle sue 11 ordinazioni, ne ha consegnate il maggior numero. CONTENUTO DELLA SCATOLA
DettagliPremesse alla statistica
Premesse alla statistica Versione 22.10.08 Premesse alla statistica 1 Insiemi e successioni I dati di origine sperimentale si presentano spesso non come singoli valori, ma come insiemi di valori. Richiamiamo
DettagliAlgoritmi e strutture dati. Codici di Huffman
Algoritmi e strutture dati Codici di Huffman Memorizzazione dei dati Quando un file viene memorizzato, esso va memorizzato in qualche formato binario Modo più semplice: memorizzare il codice ASCII per
DettagliLinguistica Computazionale. Tokenizzazione
Linguistica Computazionale Tokenizzazione Sai Tokenizzare (~contare : )) iniziamo giocando poi lavoriamo Quanti token (~parole) nella frase C era una volta un pezzo di legno. Sai Tokenizzare (~contare
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliPROBABILITA CONDIZIONALE
Riferendoci al lancio di un dado, indichiamo con A l evento esce un punteggio inferiore a 4 A ={1, 2, 3} B l evento esce un punteggio dispari B = {1, 3, 5} Non avendo motivo per ritenere il dado truccato,
DettagliINTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI
INTRODUZIONE AGLI ALGORITMI Prima di riuscire a scrivere un programma, abbiamo bisogno di conoscere un metodo risolutivo, cioè un metodo che a partire dai dati di ingresso fornisce i risultati attesi.
DettagliQUANTIZZAZIONE diverse fasi del processo di conversione da analogico a digitale quantizzazione
QUANTIZZAZIONE Di seguito lo schema che illustra le diverse fasi del processo di conversione da analogico a digitale. Dopo aver trattato la fase di campionamento, occupiamoci ora della quantizzazione.
DettagliPROGRAMMAZIONE SVOLTA CLASSE 2F
LICEO SCIENTIFICO STATALE A. EINSTEIN A.S. 2014/2015 Materia: Inglese Prof. Sara De Angelis PROGRAMMAZIONE SVOLTA CLASSE 2F Nel corso dell a.s. 2014/2015 sono stati sviluppati i seguenti contenuti: 1.
DettagliALGEBRA DELLE PROPOSIZIONI
Università di Salerno Fondamenti di Informatica Corso di Laurea Ingegneria Corso B Docente: Ing. Giovanni Secondulfo Anno Accademico 2010-2011 ALGEBRA DELLE PROPOSIZIONI Fondamenti di Informatica Algebra
DettagliGESTIONE DELLE TECNOLOGIE AMBIENTALI PER SCARICHI INDUSTRIALI ED EMISSIONI NOCIVE LEZIONE 10. Angelo Bonomi
GESTIONE DELLE TECNOLOGIE AMBIENTALI PER SCARICHI INDUSTRIALI ED EMISSIONI NOCIVE LEZIONE 10 Angelo Bonomi CONSIDERAZIONI SUL MONITORAGGIO Un monitoraggio ottimale dipende dalle considerazioni seguenti:
Dettaglix u v(p(x, fx) q(u, v)), e poi
0.1. Skolemizzazione. Ogni enunciato F (o insieme di enunciati Γ) è equisoddisfacibile ad un enunciato universale (o insieme di enunciati universali) in un linguaggio estensione del linguaggio di F (di
DettagliUnità 18. Le certificazioni di italiano L2. Lavoriamo sulla comprensione. Università per Stranieri di Siena Livello A2 CHIAVI
Unità 18 Le certificazioni di italiano L2 CHIAVI In questa unità imparerai: a comprendere testi che danno informazioni sul test di lingua per stranieri parole relative alle certificazioni di italiano,
DettagliAnalizzatore lessicale o scanner
Analizzatore lessicale o scanner Lo scanner rappresenta un'interfaccia fra il programma sorgente e l'analizzatore sintattico o parser. Lo scanner, attraverso un esame carattere per carattere dell'ingresso,
DettagliPROGRAMMA GESTIONE TURNI MANUALE UTENTE. Programma Gestione Turni Manuale Utente versione 1.1
PROGRAMMA GESTIONE TURNI MANUALE UTENTE INDICE 1 PREMESSA 3 2 COMANDI COMUNI 3 3 SEDI 3 4 FESTIVITÀ 4 5 PERIODI TURNI 4 6 COD. TURNI 6 7 TURNI SPORTIVI 9 8 COD. EQUIPAGGI 9 9 DISPONIBILITÀ 10 10 INDISPONIBILITÀ
DettagliAlgebra booleana. Si dice enunciato una proposizione che può essere soltanto vera o falsa.
Algebra booleana Nel lavoro di programmazione capita spesso di dover ricorrere ai principi della logica degli enunciati e occorre conoscere i concetti di base dell algebra delle proposizioni. L algebra
DettagliProbabilità discreta
Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
DettagliRicorsione in SQL-99. Introduzione. Idea di base
Ricorsione in SQL-99 Introduzione In SQL2 non è possibile definire interrogazioni che facciano uso della ricorsione Esempio Voli(lineaAerea, da, a, parte, arriva) non è possibile esprimere l interrogazione
DettagliArchivi e database. Prof. Michele Batocchi A.S. 2013/2014
Archivi e database Prof. Michele Batocchi A.S. 2013/2014 Introduzione L esigenza di archiviare (conservare documenti, immagini, ricordi, ecc.) è un attività senza tempo che è insita nell animo umano Primi
DettagliEsercitazione 23 maggio 2016
Esercitazione 5 maggio 016 Esercitazione 3 maggio 016 In questa esercitazione, nei primi tre esercizi, analizzeremo il problema del moral hazard nel mercato. In questo caso prenderemo in considerazione
DettagliAlcuni suggerimenti per il processo di prima e seconda alfabetizzazione
ITALIANO L2 Alcuni suggerimenti per il processo di prima e seconda alfabetizzazione 1. Definire il significato di interlingua, lingua per comunicare e lingua per lo studio 2. Definire il ruolo della grammatica
DettagliDIPLOMA DI LINGUA ITALIANA SILLABO
DIPLOMA DI LINGUA ITALIANA SILLABO PRESENTAZIONE Il Diploma di Lingua Italiana dell'istituto Italiano di Cultura di Salonicco è un attestato di conoscenza dell'italiano come lingua straniera. Viene rilasciato
DettagliCOS È UN LINGUAGGIO? LINGUAGGI DI ALTO LIVELLO LA NOZIONE DI LINGUAGGIO LINGUAGGIO & PROGRAMMA
LINGUAGGI DI ALTO LIVELLO Si basano su una macchina virtuale le cui mosse non sono quelle della macchina hardware COS È UN LINGUAGGIO? Un linguaggio è un insieme di parole e di metodi di combinazione delle
DettagliEsercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Alfonso Iodice D Enza April 26, 2007 1...prima di cominciare Contare, operazione solitamente semplice, può diventare complicata se lo scopo
DettagliMacchine a stati finiti G. MARSELLA UNIVERSITÀ DEL SALENTO
Macchine a stati finiti 1 G. MARSELLA UNIVERSITÀ DEL SALENTO Introduzione Al più alto livello di astrazione il progetto logico impiega un modello, la cosiddetta macchina a stati finiti, per descrivere
Dettagli1. la probabilità che siano tutte state uccise con pistole; 2. la probabilità che nessuna sia stata uccisa con pistole;
Esercizi di Statistica della 5 a settimana (Corso di Laurea in Biotecnologie, Università degli Studi di Padova). Esercizio 1. L FBI ha dichiarato in un rapporto che il 44% delle vittime di un omicidio
DettagliRaggruppamenti Conti Movimenti
ESERCITAZIONE PIANO DEI CONTI Vogliamo creare un programma che ci permetta di gestire, in un DB, il Piano dei conti di un azienda. Nel corso della gestione d esercizio, si potranno registrare gli articoli
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliI sistemi di numerazione
I sistemi di numerazione 01-INFORMAZIONE E SUA RAPPRESENTAZIONE Sia dato un insieme finito di caratteri distinti, che chiameremo alfabeto. Utilizzando anche ripetutamente caratteri di un alfabeto, si possono
DettagliInteresse, sconto, ratei e risconti
129 Interesse, sconto, ratei e risconti Capitolo 129 129.1 Interesse semplice....................................................... 129 129.1.1 Esercizio per il calcolo dell interesse semplice........................
DettagliLibrerie digitali. Video. Gestione di video. Caratteristiche dei video. Video. Metadati associati ai video. Metadati associati ai video
Video Librerie digitali Gestione di video Ogni filmato è composto da più parti Video Audio Gestito come visto in precedenza Trascrizione del testo, identificazione di informazioni di interesse Testo Utile
Dettagli1. Le macro in Access 2000/2003
LIBRERIA WEB 1. Le macro in Access 2000/2003 Per creare una macro, si deve aprire l elenco delle macro dalla finestra principale del database: facendo clic su Nuovo, si presenta la griglia che permette
DettagliProgetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario
Progetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario Nell ambito di questa attività è in fase di realizzazione un applicativo che metterà a disposizione dei policy makers,
Dettagli3.5.1.1 Aprire, preparare un documento da utilizzare come documento principale per una stampa unione.
Elaborazione testi 133 3.5 Stampa unione 3.5.1 Preparazione 3.5.1.1 Aprire, preparare un documento da utilizzare come documento principale per una stampa unione. Abbiamo visto, parlando della gestione
DettagliAntonella Martinucci, Rossana Nencini, 2013 IL PESO. classe quarta
Antonella Martinucci, Rossana Nencini, 2013 IL PESO classe quarta I bambini utilizzano spontaneamente il concetto di pesante? Collochiamo su un banco alcuni oggetti: penne matite gomme fogli scottex quaderni
DettagliI libri di testo. Carlo Tarsitani
I libri di testo Carlo Tarsitani Premessa Per accedere ai contenuti del sapere scientifico, ai vari livelli di istruzione, si usa comunemente anche un libro di testo. A partire dalla scuola primaria, tutti
DettagliGrandezze fisiche e loro misura
Grandezze fisiche e loro misura Cos è la fisica? e di che cosa si occupa? - Scienza sperimentale che studia i fenomeni naturali suscettibili di sperimentazione e caratterizzati da entità o grandezze misurabili.
DettagliSistemi Operativi IMPLEMENTAZIONE DEL FILE SYSTEM. Implementazione del File System. Struttura del File System. Implementazione
IMPLEMENTAZIONE DEL FILE SYSTEM 9.1 Implementazione del File System Struttura del File System Implementazione Implementazione delle Directory Metodi di Allocazione Gestione dello spazio libero Efficienza
DettagliIntroduzione alla programmazione in C
Introduzione alla programmazione in C Testi Consigliati: A. Kelley & I. Pohl C didattica e programmazione B.W. Kernighan & D. M. Ritchie Linguaggio C P. Tosoratti Introduzione all informatica Materiale
DettagliErrori di una misura e sua rappresentazione
Errori di una misura e sua rappresentazione Il risultato di una qualsiasi misura sperimentale è costituito da un valore numerico (con la rispettiva unità di misura) ed un incertezza (chiamata anche errore)
Dettagli