Localizzazione ed estrazione di targhe automobilistiche da scene generiche

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Localizzazione ed estrazione di targhe automobilistiche da scene generiche"

Transcript

1 Localizzazione ed estrazione di targhe automobilistiche da scene generiche Tesina per il corso di Visione e Percezione Sapienza - Università di Roma Demetrio Filocamo filocamodemetrio@gmail.com Luca Palmili l.palmili@gmail.com Silvia Magrelli silvia magrelli@libero.it Mario Caruso caruso.mario@gmail.com ABSTRACT This paper presents an approach to license plate detection and recognition, under different illumination conditions and various angles. The algorithm yields an estimation of the position of a plate in the image using feature analysis of connected components. We use K-Nearest-Neighbours for classifying plates based on three features: area/perimeter 2 ratio, width/height ratio and the number of big variations of intensity. After the position is determined, the plate area is cropped and eventually deskewed using Hough transform. The resulting image is enhanced through standard image processing functions, such us histogram equalization, sharpen filters and Otsu thresholding. The output of system it s a sequence of license plates (in the form of binary images) which could be easily recognized by an OCR algorithm. Keywords Otsu thresholding, connected components, Sobel filter, morphological operators, k-nearest neighbours classifiers, Hough transform. 1. INTRODUZIONE Il riconoscimento di targhe è un problema molto studiato e per il quale sono state proposte molte soluzioni. L aspetto che rende tale problema non banale è la variabilità delle condizioni ambientali di ripresa, del posizionamento dell ogget- Facoltà di Ingegneria - Corso di Laurea: Informatica Facoltà di Scienze Matematiche, Fisiche e Naturali - Corso di Laurea: Informatica Figure 1: Le tre tipologie di targhe italiane più recenti: a)dal 1985 al 1994 b)dal 1994 al 1999 c)dal 1999 ad oggi. to rispetto alla camera e ovviamente la complessità della scena. Durante il nostro lavoro abbiamo cercato di imporre meno restrizioni possibili sulle variabili di cui sopra per cercare di rendere il funzionamento il più generale possibile. Il nostro sistema è stato pensato per il riconoscimento di targhe automobilistiche italiane (fig.1), ma questa affermazione può essere estesa ad un insieme più ampio di targhe; abbiamo pensato infatti di descrivere una targa in base alle sue poprietà più evidenti e adottate in tutto il mondo, cioè la sua geometria ed il forte contrasto tra caratteri e sfondo. 2. STRUTTURA DEL SISTEMA Il sistema può essere distinto in due macro-fasi (fig.2): 1. Localizzazione: che consiste nell individuare le possibili targhe nell immagine in analisi; 2. Estrazione: che si occupa di estrapolare le targhe di cui sopra e renderle quanto più leggibili per un OCR. L approccio usato per la localizzazione delle targhe si basa sulla segmentazione dell immagine; per ogni segmento vengono estratte delle proprietà e, in base a queste, viene classificato come targa o meno. La fase di estrazione prende i segmenti riconosciuti come targa dal passo precedente e per ognuno di essi opera una ro-

2 Figure 2: Schema a blocchi del sistema tazione per rendere le targhe orizzontali, migliora la qualità dell immagine, trasforma l immagine in una in bianco e nero, ritaglia l immagine per ridurla ad una regione contenente i soli caratteri. 3. LOCALIZZAZIONE 3.1 Pre-processamento Il preprocessamento lavora sull immagine originale in RGB, la trasforma in scala di grigi e cerca di migliorarne la qualità. Il miglioramento viene effettuato tramite operazioni morfologiche sull immagine in grayscale; in particolare si usa l operatore top-hat (TH) che sottrae dall immagine l apertura della stessa e il suo duale: bot-hat (BH) che sottrae dalla chiusura dell immagine l immagine stessa. L operatore TH evidenzia i picchi metre l operatore BH evidenzia le valli dell intensità di grigio. L immagine enfatizzata (IE) viene calcolata a partire dall immagine I in questo modo: IE = (T H + I) BH L immagine enfatizzata quindi rafforza nettamente sia le aree molto chiare che quelle molto scure. 3.2 Segmentazione La fase di segmentazione cerca di individuare dei cluster nell immagine in scala di grigi. Facendo diverse prove abbiamo riscontrato che una segmentazione su due cluster è sufficiente ad evidenziare la targa dal resto degli elementi dell immagine ed inoltre è un operazione abbastanza rapida. La segmentazione avviene in questo modo: L immagine in scala di grigi viene trasformata in una in bianco e nero. Per fare ciò è indispensabile scegliere Figure 3: Segmentazione la soglia in maniera dinamica (una soglia fissa è impensabile a causa della variabilità dell illuminazione nelle differenti scene). Il metodo da noi utilizzato per scegliere dinamicamente la soglia è quello proposto da Otsu.(fig.3 a) L immagine in bianco e nero appena ottenuta viene poi dilatata. Questa operazione morfologica serve ad uniformare ulteriormente la regione (bianca) della targa, in sostanza permette di eliminare i caratteri neri presenti nella regione bianca (sfondo della targa). L inconvevniente che può accadere è che la targa venga unita ad altre componenti. (fig.3 b) Per risolvere quest ultimo problema si è deciso di evidenziare le parti dell immagine che contengono bruschi e ravvicinati cambiamenti di intensità. A tale scopo viene applicato un filtro Sobel verticale sull immagine in scala di grigio. (fig. 3 c) Sull immagine filtrata con Sobel si opera poi una dilatazione, per gli stessi motivi per cui viene fatta sull immagine sogliata con Otsu. Si ottiene così una nuova immagine in bianco e nero. (fig.3 d) Delle due immagini in bianco e nero si fa l AND logico, in questo modo si ottiene una nuova immagine in bianco e nero in cui le regioni clusterizzate sono compatte e potenzialmente contengono caratteri. (fig.3 e) L ultimo passo consiste nello scremare l immagine da tutte le regioni troppo piccole per essere targhe o comunque targhe riconoscibili. (fig.3 f)

3 elementi più vicini nello spazio delle features ad un training set. Knn è uno tra i tipi di apprendimento più semplici, la funzione è solo localmente approssimata e la computazione è demandata fino al momento della classificazione. K-nearest neighbours appartiene alla categoria dei classificatori non parametrici, ovvero non necessita di ipotesi sulla forma delle distribuzioni statistiche delle classi. Figure 4: Feature riguardante le variazioni di intensità di una targa (in questo caso il valore è 20). 3.3 Estrazione delle feature Una volta ottenuta un immagine segmentata in più regioni, si passa ad estrarre le misure fondamentali di queste ultime. Si analizzano in particolare delle misure che possano dare informazioni sulla forma rettangolare delle regioni e cioè: il rapporto tra area (A) e perimetro (P ) al quadrato: in una targa questo rapporto è costante a meno di piccole variazioni infatti se chiamiamo a e b i due lati di una targa essi sono in un certo rapporto c b = c a A = b a = c a 2 P = 2(b + a) = 2 a(c + 1) A P 2 = c a 2 4 a 2 (c + 1) 2 = c 4(c + 1) 2 il rapporto tra i due lati della targa deve essere costante: b = c a Oltre alle considerazioni sulla forma geometrica ne abbiamo fatta un altra sul contenuto della targa; una targa contiene infatti caratteri ad alto contrasto rispetto allo sfondo. Abbiamo ottenuto la misurazione di tale caratteristica nel seguente modo: La regione viene esaminata sotto forma di intensità, si traccia la linea mediana (rispetto all asse verticale) del bounding box che contiene la regione, si calcolano i minimi ed i massimi locali contenuti in questa riga, se la differenza tra un minimo/massimo e il massimo/minimo successivo è maggiore di una certa soglia (comunque alta) si incrementa un contatore; si procede così per tutte le coppie di massimi - minimi, alla fine la misura coincide con il valore del contatore (fig.4). 4. CLASSIFICAZIONE E APPRENDIMEN- TO 4.1 K-nearest neighbours Nell ambito del riconoscimento di modelli, K-nearest neighbours è un metodo di classificazione di istanze basato sugli 4.2 Apprendimento L apprendimento è supervisionato, infatti il training set viene costruito a partire da un insieme di immagini sulle quali l utente seleziona sia campioni positivi che negativi. Gli elementi appartenenti al training set sono vettori dello spazio delle feature ai quali è assegnata un etichetta in base alla classe di appartenenza. 4.3 Classificazione Nella fase di classificazione, i campioni test (la cui classe non è nota) sono presentati come vettori nello spazio delle feature. Viene calcolata la distanza, di solito quella distanza euclidea, tra tutti vettori di test e tutti i vettori del training set e vengono selezionati i k vettori di test più vicini all insieme dei campioni. Un punto dello spazio è assegnato ad una classe c se è l etichetta della classe più frequente tra i k campioni più vicini. Il principale svantaggio di questa tecnica è che le classi con esempi più frequenti influenzano maggiormente la previsione per il vettore da testare, poichè risultano più spesso come i k più vicini a causa del loro numero Selezione dei parametri La migliore scelta di k dipende dai dati; in genere valori alti di k riducono gli effetti del rumore sulla classificazione, ma rendono le distinzioni tra le classi meno nette. La precisione dell algoritmo può diminuire notevolmente per la presenza di features di rumore o non rilevanti, o se la scala delle feature non è consistente con la loro importanza. Un approccio particolarmenete comune è quello di usare algoritmi evolutivi per ottimizzare la scala delle feature. Un altro tipico approccio è quello di scalare le feature a seconda della mutua informazione tra i dati del training e le loro rispettive classi. Nei problemi in cui la classifficazione viene effettuata in base a due solo classi è utile scegliere un valore di k dispari Il nostro classificatore La nostra versione dell algoritmo calcola le distanze tra l insieme dei campioni test con tutti i vettori immagazzinati. Ciò è computazionalemte costoso, specie al crescere del training set. Proprio per questo motivo abbiamo cercato di mantenere le dimensioni del nostro training set abbastanza contenute. Il nostro classificatore segue l algoritmo K nearest neighbours nello spazio di feature estratte nel passo precedente (rappoto area/perimentro 2, al rapporto larghezza/altezza e al numero di cambiamenti di intensità). Ciascuna feature è

4 classificata in maniera distinta rispetto alle altre. Si è scelto di operare in questo modo piuttosto che calcolare la distanza in uno spazio tridimensionale per poter meglio mettere in evidenza l effetto di ogni particolare feature durante la classificazione. Poichè si è scelto di operare con trainig set di dimensioni moderate (circa 60 elementi), l insieme dei campioni risulterà avere del rumore e campioni positivi che a volte differiscono di poco da campioni negativi, dunque si adotta una certa flessibilità sul numero k dei vicini: anche istanze identificate come negative da KNN per un numero piccolo di elementi vengano a far parte dell insieme delle possibili targhe e nel caso subiscono ulteriori analisi da parte delle altre feauture nella cascata. Tale flessibilità è raggiunta usando due soglie che servono per riconsiderare eventuali vicini scartati. Figure 5: (a) Immagine prima della rotazione (viene evidenziata la linea più forte tra quelle individuate da Hough) (b) Immagine dopo la rotazione 4.4 Risultati Il classificatore basato su K nearest neighbours si comporta piuttosto bene riconoscendo il 90% delle targhe nei casi in cui è opportunamente addestrato, ad esempio selezionando come appartenenti all insieme delle istanze negative regioni estese e frastagliate. Vengono raramente individuati falsi positivi e falsi negativi, per ovviare a questo si può provare ad intervenire sulla soglia t per la selezione in base al numero delle variazioni di intensità. Il valore di K è scelto per default uguale a alla metà del numero di elementi ( positivi e negativi ) del training set. La soglia dei più vicini alta è utile per eliminare rumore, anche se poi viene data una seconda possibilità ad alcuni elementi dell insieme di test poichè potrebbero essere scartate regioni contenenti targhe. In pratica la politica adottata è quella di associare un grado di affidabilità a KNN non troppo elevato facendo esaminare i casi incerti ad altre feature. 4.5 Considerazioni La versatilità dell algoritmo K-NN ha permesso di studiare individualmente l effetto di ogni singola feature sulla classificazione e di poter selezionare la sequenza di valutazione migliore per ottenere buoni risultati sulla localizzazione della targa. Questo metodo può risultare opportuno per valutare la bontà di ulteriori features per la classificazione delle targhe. 5. RAFFINAMENTO LOCALIZZAZIONE TARGA ED ESTRAZIONE CARATTERI 5.1 Rotazione targa L immagine della targa individuata nel passo precedente viene ruotata utilizzando la trasformata di Hough. Viene trovata la linea più forte presente nell immagine, che nella stragrande maggioranza dei casi corrisponde a uno dei due bordi orizzontali della targa, o ad una linea parallela ad essi (ad es. la linea del paraurti). Viene calcolato l angolo che questa linea forma con l asse orizzontale, e l immagine viene ruotata di conseguenza (fig.5). 5.2 Miglioramento luminosità e contrasto immagine Figure 6: Immagine prima (a) e dopo l applicazione dei filtri. (c) Immagine binaria ottenuta tramite il threshold di Otsu. Per migliorare la leggibilità dei caratteri, l intesità dell immagine viene mappata su una scala di grigi in modo tale che l istogramma delle intensità si espanda su tutto il range dei valori, migliorandone il contrasto (fig.6 a,b) (fig.7). In seguito vengono enfatizzati i bordi dell immagine utilizzando un filtro di tipo unsharp. 5.3 Treshold adattivo Utilizzando il metodo di Otsu, viene selezionato il valore di threshold ottimale utilizzato per convertire l immagine in scala di grigi in un immagine binaria (fig.6 c). Il valore di threshold viene calcolato automaticamente dalla funzione graythresh di Matlab. Durante lo sviluppo del progetto, si è provato anche a calcolare un treshold adattivo manualmente, ma con scarsi risultati: gli esempi in proposito trovati in letteratura utilizzano infatti l assunzione comune che agli angoli dell immagine ci sia il colore di sfondo della targa. Tale assunzione nel nostro caso non può sussistere, a causa dell orientamento generale del nostro riconoscitore di targhe, che non fornisce un crop dettagliato sulla targa già in questo punto dell elaborazione (fig.8).

5 Figure 7: L istogramma dell intensità dell immagine prima (a) e dopo (b) il miglioramento del contrasto Figure 8: Nel caso di targa con colori conosciuti a priori, è facile calcolare un buon treshold adattivo assumento che ai corner dell immagine ci sia il colore di sfondo, migliorando anche il caso in cui la targa sia parzialmente in ombra. 5.4 Raffinamento localizzazione targa Il raffinamento della localizzazione della targa viene eseguito utilizzando due metodi distinti: uno per la localizzazione orizzontale, e l altro per la localizzazione verticale Localizzazione orizzontale I passi eseguiti in questa fase sono i seguenti: 1. A partire dall immagine binaria, viene individuata l area bianca più grande A, che dovrebbe corrispondere (a meno di falsi positivi) all area di sfondo della targa, o comunque, nei casi peggiori, ad un area che contiene la targa. 2. Si analizza l insieme E gli elementi neri all interno dell area A, che dovrà contenere anche i caratteri della targa. Gli elementi dell insieme E vengono filtrati in base alla loro altezza e al numero di pixel (sottoinsieme E ). Tra gli elementi dell insieme E viene calcolata l altezza più ricorrente h (a meno di un offset calcolato dinamicamente), che viene scelta come altezza di riferimento dei caratteri. Gli elementi dell insieme E che rispettano questa altezza sono scelti come potenziali caratteri (sottoinsieme E ). 3. Vengono calcolati il limite orizzontale superiore (u) e inferiore (d) che contiene gli elementi in E (fig.9 b). 4. Nei casi peggiori, alcuni caratteri nell insieme E risultano uniti con le aree nere del bordo superiore o inferiore. Per evitare ciò, le righe esterne ai limiti u e d vengono colorate di bianco. 5. Viene ripetuto il procedimento descritto al passo 2, per riconoscere un maggior numero di caratteri. Figure 9: (a) Immagine di partenza (b) Localizzazione orizzontale: ora il carattere C risulta diviso dal bordo superiore (c) Calcolo magnitudine dopo l applicazione del filtro di Sobel (d) Localizzazione orizzontale e verticale Localizzazione verticale La localizzazione verticale si basa sul grafico della magnitudine verticale dell immagine. La magnitudine verticale (orizzontale) è approssimata con il valore assoluto della somma

6 Figure 10: L immagine finale ottenuta con il riconoscimento dei caratteri all interno dell area A calcolata nel paragrafo. dei valori sulle colonne (righe) dell immagine trattata con un filtro di Sobel orizzontale (verticale). L utilizzo del filtro di Sobel orizzontale è particolarmente adatto per rifinire l area della targa: in presenza dei caratteri, le derivate orizzontali dell immagine hanno un valore maggiore (fig.9 c). 6. RISULTATI I risultati del nostro sistema sono abbastanza soddisfacenti. Vengono localizzate targhe italiane, e secondo alcuni test che abbiamo effettuato, anche targhe straniere. Talune volte compaiono dei falsi positivi che generalmente coincidono con scritte facilmente confondibili con targhe. I falsi negativi sono dovuti principalmente alla bassa risoluzione della targa. Comunque un addestramento migliore sicuramente migliora l efficacia del sistema. Presentiamo di seguito alcuni risultati: L intersezione dei limiti orizzontali e verticali ottenuti dal passo precedente dà un raffinamento A dell area della targa (fig.9 d). 5.5 Estrazione caratteri e risultato finale L estrazione dei caratteri viene effettuata analizzando gli elementi neri all interno dell area A, seguendo il procedimento indicato al passo due del paragrafo Se gli elementi riconosciuti sono 7, allora il risultato finale sarà un immagine binaria con 7 caratteri della targa senza eventuale rumore. In caso contrario, il risultato finale sarà un immagine binaria B derivata dal crop dell immagine binaria B ricavata nel paragrafo 5.3(fig.10). Figure 11: La grandezza della targa e la mancanza di rumore nell immagine permettono una localizzazione della targa e un estrazione dei caratteri ottimale. Figure 12: La grandezza della targa e la mancanza di rumore nell immagine permettono una localizzazione della targa e un estrazione dei caratteri ottimale.

7 Figure 16: La targa localizzata ha un area troppo piccola per permettere un estrazione dei caratteri corretta. Figure 13: In questo caso la localizzazione ha individuato due targhe, e l estrazione dei caratteri e buona nel caso di targa abbastanza grande, e appena sufficiente nel secondo caso. Figure 14: L immagine risulta troppo sfocata: l algoritmo fallisce gia nel passo della locallizzazione della targa. Figure 17: Anche nel caso di targa straniera la localizzazione e l estrazione dei caratteri e riuscita correttamente. Nell immagine sono presenti anche due falsi positivi, non riconosciuti nella fase di estrazione caratteri. Figure 15: Anche se l area della targa e molto ridotta, l elevato contrasto tra i caratteri permette un riconoscimento dei caratteri sufficiente.

Librerie digitali. Video. Gestione di video. Caratteristiche dei video. Video. Metadati associati ai video. Metadati associati ai video

Librerie 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

Dettagli

Sistemi Informativi Territoriali. Map Algebra

Sistemi 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

Dettagli

Plate Locator Riconoscimento Automatico di Targhe

Plate Locator Riconoscimento Automatico di Targhe Progetto per Laboratorio di Informatica 3 - Rimotti Daniele, Santinelli Gabriele Plate Locator Riconoscimento Automatico di Targhe Il programma plate_locator.m prende come input: l immagine della targa

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

RICONOSCIMENTO DI TARGHE AUTOMOBILISTICHE

RICONOSCIMENTO DI TARGHE AUTOMOBILISTICHE PROGETTO DEL CORSO DI VISIONE E PERCEZIONE PARTE 2 RICONOSCIMENTO DI TARGHE AUTOMOBILISTICHE Scopo del progetto Il progetto ha come obiettivo quello di riconoscere il testo di una targa automobilistica

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione 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

Dettagli

Sommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi.

Sommario. 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

Dettagli

MAPPE DI KARNAUGH. Nei capitoli precedenti si è visto che è possibile associare un circuito elettronico o elettrico ad una funzione logica.

MAPPE DI KARNAUGH. Nei capitoli precedenti si è visto che è possibile associare un circuito elettronico o elettrico ad una funzione logica. MAPPE DI KARNAUGH 1. Generalità Nei capitoli precedenti si è visto che è possibile associare un circuito elettronico o elettrico ad una funzione logica. E ovvio che più semplice è la funzione e più semplice

Dettagli

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0 Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice

Dettagli

Immagini binarie. Binarizzazione di immagini a livelli di grigio

Immagini binarie. Binarizzazione di immagini a livelli di grigio Immagini binarie Binarizzazione di immagini a livelli di grigio Immagini binarie In molti casi gli le scene di interesse conducono ad immagini che possono essere considerate binarie, cioè contenenti nel

Dettagli

Appunti sulla Macchina di Turing. Macchina di Turing

Appunti 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

Dettagli

ELABORAZIONE DI DATI TRIDIMENSIONALI - RELAZIONE HOMEWORK 2

ELABORAZIONE DI DATI TRIDIMENSIONALI - RELAZIONE HOMEWORK 2 DAVIDE ZANIN 1035601 ELABORAZIONE DI DATI TRIDIMENSIONALI - RELAZIONE HOMEWORK 2 SOMMARIO Elaborazione di dati tridimensionali - Relazione Homework 2... 1 Obiettivo... 2 Descrizione della procedura seguita...

Dettagli

1. Distribuzioni campionarie

1. Distribuzioni campionarie Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie

Dettagli

Capitolo 3. L applicazione Java Diagrammi ER. 3.1 La finestra iniziale, il menu e la barra pulsanti

Capitolo 3. L applicazione Java Diagrammi ER. 3.1 La finestra iniziale, il menu e la barra pulsanti Capitolo 3 L applicazione Java Diagrammi ER Dopo le fasi di analisi, progettazione ed implementazione il software è stato compilato ed ora è pronto all uso; in questo capitolo mostreremo passo passo tutta

Dettagli

Progetto di simulazione molecolare per il corso di Complementi di algoritmi A.A. 2005-06

Progetto di simulazione molecolare per il corso di Complementi di algoritmi A.A. 2005-06 Progetto di simulazione molecolare per il corso di Complementi di algoritmi A.A. 2005-06 13 febbraio 2006 1 Descrizione Il progetto si compone delle seguenti fasi: 1. caricamento di soluzioni in formato

Dettagli

Funzioni in C. Violetta Lonati

Funzioni in C. Violetta Lonati Università degli studi di Milano Dipartimento di Scienze dell Informazione Laboratorio di algoritmi e strutture dati Corso di laurea in Informatica Funzioni - in breve: Funzioni Definizione di funzioni

Dettagli

Guida all uso di Java Diagrammi ER

Guida all uso di Java Diagrammi ER Guida all uso di Java Diagrammi ER Ver. 1.1 Alessandro Ballini 16/5/2004 Questa guida ha lo scopo di mostrare gli aspetti fondamentali dell utilizzo dell applicazione Java Diagrammi ER. Inizieremo con

Dettagli

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE

LE 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

Dettagli

Gli oggetti di plastica. Abilità interessate Conoscenze Nuclei coinvolti Collegamenti esterni Decodificare informazioni di tipo grafico.

Gli oggetti di plastica. Abilità interessate Conoscenze Nuclei coinvolti Collegamenti esterni Decodificare informazioni di tipo grafico. Gli oggetti di plastica Livello scolare: 1 biennio Abilità interessate Conoscenze Nuclei coinvolti Collegamenti esterni Decodificare informazioni di tipo grafico. Funzioni lineari. Pendenza di una retta.

Dettagli

Slide Cerbara parte1 5. Le distribuzioni teoriche

Slide Cerbara parte1 5. Le distribuzioni teoriche Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle

Dettagli

ISTITUTO COMPRENSIVO MONTEGROTTO TERME SCUOLA PRIMARIA DISCIPLINA: MATEMATICA - CLASSE PRIMA OBIETTIVI DI APPRENDIMENTO

ISTITUTO COMPRENSIVO MONTEGROTTO TERME SCUOLA PRIMARIA DISCIPLINA: MATEMATICA - CLASSE PRIMA OBIETTIVI DI APPRENDIMENTO PRIMA DELLA DISCIPLINA: MATEMATICA - CLASSE PRIMA L alunno si muove con sicurezza nel calcolo scritto e mentale con i numeri naturali. Legge e comprende testi che coinvolgono aspetti logici e matematici.

Dettagli

Un po di statistica. Christian Ferrari. Laboratorio di Matematica

Un po di statistica. Christian Ferrari. Laboratorio di Matematica Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di

Dettagli

Excel. A cura di Luigi Labonia. e-mail: luigi.lab@libero.it

Excel. 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

Dettagli

PROCEDURA INVENTARIO DI MAGAZZINO di FINE ESERCIZIO (dalla versione 3.2.0)

PROCEDURA INVENTARIO DI MAGAZZINO di FINE ESERCIZIO (dalla versione 3.2.0) PROCEDURA INVENTARIO DI MAGAZZINO di FINE ESERCIZIO (dalla versione 3.2.0) (Da effettuare non prima del 01/01/2011) Le istruzioni si basano su un azienda che ha circa 1000 articoli, che utilizza l ultimo

Dettagli

Fondamenti di Elaborazione di Immagini Estrazione dei Bordi e Segmentazione. Raffaele Cappelli raffaele.cappelli@unibo.it

Fondamenti di Elaborazione di Immagini Estrazione dei Bordi e Segmentazione. Raffaele Cappelli raffaele.cappelli@unibo.it Fondamenti di Elaborazione di Immagini Estrazione dei Bordi e Segmentazione Raffaele Cappelli raffaele.cappelli@unibo.it Contenuti Estrazione dei bordi Calcolo del gradiente Operatori di Roberts Operatori

Dettagli

Ricerca di outlier. Ricerca di Anomalie/Outlier

Ricerca di outlier. Ricerca di Anomalie/Outlier Ricerca di outlier Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Ricerca di Anomalie/Outlier Cosa sono gli outlier? L insieme di dati che sono considerevolmente differenti dalla

Dettagli

risulta (x) = 1 se x < 0.

risulta (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

Dettagli

Corso di. Dott.ssa Donatella Cocca

Corso di. Dott.ssa Donatella Cocca Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile

Dettagli

Capitolo 13: L offerta dell impresa e il surplus del produttore

Capitolo 13: L offerta dell impresa e il surplus del produttore Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:

Dettagli

IGiochidiArchimede-SoluzioniBiennio 22 novembre 2006

IGiochidiArchimede-SoluzioniBiennio 22 novembre 2006 PROGETTO OLIMPII I MTEMTI U.M.I. UNIONE MTEMTI ITLIN SUOL NORMLE SUPERIORE IGiochidirchimede-Soluzioniiennio novembre 006 Griglia delle risposte corrette Problema Risposta corretta E 4 5 6 7 8 9 E 0 Problema

Dettagli

CORSO DI LAUREA IN INGEGNERIA.

CORSO DI LAUREA IN INGEGNERIA. CORSO DI LAUREA IN INGEGNERIA. FOGLIO DI ESERCIZI 4 GEOMETRIA E ALGEBRA LINEARE 2010/11 Esercizio 4.1 (2.2). Determinare l equazione parametrica e Cartesiana della retta dello spazio (a) Passante per i

Dettagli

LE FUNZIONI A DUE VARIABILI

LE FUNZIONI A DUE VARIABILI Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre

Dettagli

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi. Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:

Dettagli

matematica probabilmente

matematica probabilmente IS science centre immaginario scientifico Laboratorio dell'immaginario Scientifico - Trieste tel. 040224424 - fax 040224439 - e-mail: lis@lis.trieste.it - www.immaginarioscientifico.it indice Altezze e

Dettagli

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

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 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

Dettagli

VALORE DELLE MERCI SEQUESTRATE

VALORE DELLE MERCI SEQUESTRATE La contraffazione in cifre: NUOVA METODOLOGIA PER LA STIMA DEL VALORE DELLE MERCI SEQUESTRATE Roma, Giugno 2013 Giugno 2013-1 Il valore economico dei sequestri In questo Focus si approfondiscono alcune

Dettagli

Analisi e diagramma di Pareto

Analisi e diagramma di Pareto Analisi e diagramma di Pareto L'analisi di Pareto è una metodologia statistica utilizzata per individuare i problemi più rilevanti nella situazione in esame e quindi le priorità di intervento. L'obiettivo

Dettagli

Più processori uguale più velocità?

Più processori uguale più velocità? Più processori uguale più velocità? e un processore impiega per eseguire un programma un tempo T, un sistema formato da P processori dello stesso tipo esegue lo stesso programma in un tempo TP T / P? In

Dettagli

Ragionamento spaziale visivo e percezione

Ragionamento spaziale visivo e percezione 2 Ragionamento spaziale visivo e percezione Serie e analogie figurali! In alcune batterie di test psicoattitudinali sono ampiamente rappresentati i quesiti che propongono un elenco di figure: in alcuni

Dettagli

A.S. 2012-1013 CLASSE PRIMA SCUOLA PRIMARIA D ISTITUTO COMPETENZA CHIAVE EUROPEA DISCIPLINA

A.S. 2012-1013 CLASSE PRIMA SCUOLA PRIMARIA D ISTITUTO COMPETENZA CHIAVE EUROPEA DISCIPLINA ISTITUTO COMPRENSIVO STATALE di Scuola dell Infanzia, Scuola Primaria e Scuola Secondaria di 1 grado San Giovanni Teatino (CH) CURRICOLO A.S. 2012-1013 CLASSE PRIMA SCUOLA PRIMARIA OBIETTIVI DI Sviluppa

Dettagli

Raccomandazione del Parlamento europeo 18/12/2006 CLASSE PRIMA COMPETENZE ABILITÀ CONOSCENZE. Operare con i numeri

Raccomandazione del Parlamento europeo 18/12/2006 CLASSE PRIMA COMPETENZE ABILITÀ CONOSCENZE. Operare con i numeri COMPETENZA CHIAVE MATEMATICA Fonte di legittimazione Raccomandazione del Parlamento europeo 18/12/2006 CLASSE PRIMA COMPETENZE ABILITÀ CONOSCENZE L alunno utilizza il calcolo scritto e mentale con i numeri

Dettagli

Matematica generale CTF

Matematica 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

Dettagli

I sistemi di numerazione

I 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

Dettagli

Ai fini economici i costi di un impresa sono distinti principalmente in due gruppi: costi fissi e costi variabili. Vale ovviamente la relazione:

Ai fini economici i costi di un impresa sono distinti principalmente in due gruppi: costi fissi e costi variabili. Vale ovviamente la relazione: 1 Lastoriadiun impresa Il Signor Isacco, che ormai conosciamo per il suo consumo di caviale, decide di intraprendere l attività di produttore di caviale! (Vuole essere sicuro della qualità del caviale

Dettagli

4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI

4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI 119 4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI Indice degli Argomenti: TEMA N. 1 : INSIEMI NUMERICI E CALCOLO

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2004

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2004 ESAME DI STAT DI LICE SCIENTIFIC CRS SPERIMENTALE P.N.I. 004 Il candidato risolva uno dei due problemi e 5 dei 0 quesiti in cui si articola il questionario. PRBLEMA Sia la curva d equazione: ke ove k e

Dettagli

Indice di rischio globale

Indice di rischio globale Indice di rischio globale Di Pietro Bottani Dottore Commercialista in Prato Introduzione Con tale studio abbiamo cercato di creare un indice generale capace di valutare il rischio economico-finanziario

Dettagli

Lezione 10: Il problema del consumatore: Preferenze e scelta ottimale

Lezione 10: Il problema del consumatore: Preferenze e scelta ottimale Corso di Scienza Economica (Economia Politica) prof. G. Di Bartolomeo Lezione 10: Il problema del consumatore: Preferenze e scelta ottimale Facoltà di Scienze della Comunicazione Università di Teramo Scelta

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE INTRODUZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Introduzione alla simulazione Una simulazione è l imitazione

Dettagli

Anno 4 Grafico di funzione

Anno 4 Grafico di funzione Anno 4 Grafico di funzione Introduzione In questa lezione impareremo a disegnare il grafico di una funzione reale. Per fare ciò è necessario studiare alcune caratteristiche salienti della funzione che

Dettagli

ESEMPIO 1: eseguire il complemento a 10 di 765

ESEMPIO 1: eseguire il complemento a 10 di 765 COMPLEMENTO A 10 DI UN NUMERO DECIMALE Sia dato un numero N 10 in base 10 di n cifre. Il complemento a 10 di tale numero (N ) si ottiene sottraendo il numero stesso a 10 n. ESEMPIO 1: eseguire il complemento

Dettagli

Corso di Visione Artificiale. Immagini digitali. Samuel Rota Bulò

Corso di Visione Artificiale. Immagini digitali. Samuel Rota Bulò Corso di Visione Artificiale Immagini digitali Samuel Rota Bulò Immagini digitali Un immagine viene generata dalla combinazione di una sorgente di energia e la riflessione o assorbimento di energia da

Dettagli

QUANTIZZAZIONE diverse fasi del processo di conversione da analogico a digitale quantizzazione

QUANTIZZAZIONE 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.

Dettagli

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 6 Lettura targhe e testi in esterno Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com

Dettagli

RELAZIONE PROVE INVALSI 2013 Introduzione

RELAZIONE PROVE INVALSI 2013 Introduzione RELAZIONE PROVE INVALSI 2013 Introduzione L Istituto Nazionale per La Valutazione del Sistema di Istruzione (INValSI), su direttiva del Ministero dell Istruzione, ha predisposto un sistema di rilevazione

Dettagli

Il calcolo letterale per risolvere problemi e per dimostrare

Il calcolo letterale per risolvere problemi e per dimostrare Il calcolo letterale per risolvere problemi e per dimostrare (si prevedono circa 25 ore di lavoro in classe) Nome e cognome dei componenti del gruppo che svolge le attività di gruppo di questa lezione

Dettagli

Complemento al corso di Fondamenti di Informatica I corsi di laurea in ingegneria, settore dell informazione Università la Sapienza Consorzio Nettuno

Complemento al corso di Fondamenti di Informatica I corsi di laurea in ingegneria, settore dell informazione Università la Sapienza Consorzio Nettuno Rappresentazione di numeri Complemento al corso di Fondamenti di Informatica I corsi di laurea in ingegneria, settore dell informazione Università la Sapienza Consorzio Nettuno Un numero e un entità teorica,

Dettagli

Project Cycle Management

Project Cycle Management Project Cycle Management Tre momenti centrali della fase di analisi: analisi dei problemi, analisi degli obiettivi e identificazione degli ambiti di intervento Il presente materiale didattico costituisce

Dettagli

LA TRASMISSIONE DELLE INFORMAZIONI QUARTA PARTE 1

LA TRASMISSIONE DELLE INFORMAZIONI QUARTA PARTE 1 LA TRASMISSIONE DELLE INFORMAZIONI QUARTA PARTE 1 I CODICI 1 IL CODICE BCD 1 Somma in BCD 2 Sottrazione BCD 5 IL CODICE ECCESSO 3 20 La trasmissione delle informazioni Quarta Parte I codici Il codice BCD

Dettagli

CONVESSITÀ NELLA GEOMETRIA DEL TAXI DI MINKOWSKI

CONVESSITÀ NELLA GEOMETRIA DEL TAXI DI MINKOWSKI CONVESSITÀ NELLA GEOMETRIA DEL TAXI DI MINKOWSKI ELISABETTA AVIZZANO NICOLETTA CAPOTORTO CHIARA CEROCCHI GIORGIO CICCARELLA IVAN COLAVITA EMANUELE DI CARO SERENA NUNZIATA AMANDA PISELLI ANDREA PIEPOLI

Dettagli

Corso di Informatica

Corso di Informatica Corso di Informatica Modulo T3 1-Sottoprogrammi 1 Prerequisiti Tecnica top-down Programmazione elementare 2 1 Introduzione Lo scopo di questa Unità è utilizzare la metodologia di progettazione top-down

Dettagli

Prof.ssa Paola Vicard

Prof.ssa Paola Vicard Questa nota consiste perlopiù nella traduzione da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo come esempio il data set contenuto nel foglio excel esercizio1_dati.xls.

Dettagli

L ANALISI ABC PER LA GESTIONE DEL MAGAZZINO

L ANALISI ABC PER LA GESTIONE DEL MAGAZZINO L ANALISI ABC PER LA GESTIONE DEL MAGAZZINO È noto che la gestione del magazzino è uno dei costi nascosti più difficili da analizzare e, soprattutto, da contenere. Le nuove tecniche hanno, però, permesso

Dettagli

Mining Positive and Negative Association Rules:

Mining 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

Dettagli

Nell esempio verrà mostrato come creare un semplice documento in Excel per calcolare in modo automatico la rata di un mutuo a tasso fisso conoscendo

Nell esempio verrà mostrato come creare un semplice documento in Excel per calcolare in modo automatico la rata di un mutuo a tasso fisso conoscendo Nell esempio verrà mostrato come creare un semplice documento in Excel per calcolare in modo automatico la rata di un mutuo a tasso fisso conoscendo - la durata del mutuo in anni - l importo del mutuo

Dettagli

Probabilità 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. 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

Database. Si ringrazia Marco Bertini per le slides

Database. 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

Dettagli

SPC e distribuzione normale con Access

SPC e distribuzione normale con Access SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,

Dettagli

USO DI EXCEL CLASSE PRIMAI

USO DI EXCEL CLASSE PRIMAI USO DI EXCEL CLASSE PRIMAI In queste lezioni impareremo ad usare i fogli di calcolo EXCEL per l elaborazione statistica dei dati, per esempio, di un esperienza di laboratorio. Verrà nel seguito spiegato:

Dettagli

Università degli studi di Messina facoltà di Scienze mm ff nn. Progetto Lauree Scientifiche (FISICA) Prisma ottico

Università degli studi di Messina facoltà di Scienze mm ff nn. Progetto Lauree Scientifiche (FISICA) Prisma ottico Università degli studi di Messina facoltà di Scienze mm ff nn Progetto Lauree Scientifiche (FISICA) Prisma ottico Parte teorica Fenomenologia di base La luce che attraversa una finestra, un foro, una fenditura,

Dettagli

Forze come grandezze vettoriali

Forze come grandezze vettoriali Forze come grandezze vettoriali L. Paolucci 23 novembre 2010 Sommario Esercizi e problemi risolti. Per la classe prima. Anno Scolastico 2010/11 Parte 1 / versione 2 Si ricordi che la risultante di due

Dettagli

Introduzione al MATLAB c Parte 2

Introduzione 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

Dettagli

Morphological Image processing

Morphological Image processing Morphological Image processing Morfologia matematica La parola morfologia comunemente denota una parte della biologia che tratta con la forma e la struttura di organismi In analogia al termine biologico

Dettagli

Obiettivi dell esercitazione. Requisiti (cont.) Requisiti. Università di Roma La Sapienza A.A. 2008-2009. Facoltà di Ingegneria Sede di Latina

Obiettivi dell esercitazione. Requisiti (cont.) Requisiti. Università di Roma La Sapienza A.A. 2008-2009. Facoltà di Ingegneria Sede di Latina Università di Roma La Sapienza A.A. 2008-2009 Facoltà di Ingegneria Sede di Latina Laurea in Ingegneria Informatica ed Ingegneria dell Informazione Corso di PROGETTAZIONE DEL SOFTWARE Esercitazione sulla

Dettagli

Per studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R

Per studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R Studio di funzione Per studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R : allo scopo di determinarne le caratteristiche principali.

Dettagli

Automazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it

Automazione 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

Dettagli

CURRICOLO MATEMATICA - CLASSE QUINTA -

CURRICOLO MATEMATICA - CLASSE QUINTA - CURRICOLO MATEMATICA - CLASSE QUINTA - COMPETENZA NUCLEO FONDANTE OBIETTIVI DI APPRENDIMENTO CONTENUTI TRAGUARDI NUMERI 1.a) Indicare il valore posizionale delle cifre nei numeri decimali b) comporre e

Dettagli

VC-dimension: Esempio

VC-dimension: Esempio VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio

Dettagli

RETTE, PIANI, SFERE, CIRCONFERENZE

RETTE, PIANI, SFERE, CIRCONFERENZE RETTE, PIANI, SFERE, CIRCONFERENZE 1. Esercizi Esercizio 1. Dati i punti A(1, 0, 1) e B(, 1, 1) trovare (1) la loro distanza; () il punto medio del segmento AB; (3) la retta AB sia in forma parametrica,

Dettagli

Informatica. Rappresentazione dei numeri Numerazione binaria

Informatica. Rappresentazione dei numeri Numerazione binaria Informatica Rappresentazione dei numeri Numerazione binaria Sistemi di numerazione Non posizionali: numerazione romana Posizionali: viene associato un peso a ciascuna posizione all interno della rappresentazione

Dettagli

MATEMATICA CLASSE PRIMA

MATEMATICA CLASSE PRIMA CLASSE PRIMA L alunno/a si muove con sicurezza nel calcolo scritto e mentale con i numeri naturali e sa valutare l opportunità di ricorrere a una calcolatrice. Contare oggetti o eventi, a voce e mentalmente,

Dettagli

TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA PRIMARIA

TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA PRIMARIA SCUOLA PRIMARIA DI CORTE FRANCA MATEMATICA CLASSE QUINTA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA PRIMARIA L ALUNNO SVILUPPA UN ATTEGGIAMENTO POSITIVO RISPETTO ALLA MATEMATICA,

Dettagli

Cosa è un foglio elettronico

Cosa è un foglio elettronico Cosa è un foglio elettronico Versione informatica del foglio contabile Strumento per l elaborazione di numeri (ma non solo...) I valori inseriti possono essere modificati, analizzati, elaborati, ripetuti

Dettagli

Ottimizzazione Multi Obiettivo

Ottimizzazione 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

Dettagli

Generazione Automatica di Asserzioni da Modelli di Specifica

Generazione Automatica di Asserzioni da Modelli di Specifica UNIVERSITÀ DEGLI STUDI DI MILANO BICOCCA FACOLTÀ DI SCIENZE MATEMATICHE FISICHE E NATURALI Corso di Laurea Magistrale in Informatica Generazione Automatica di Asserzioni da Modelli di Specifica Relatore:

Dettagli

CRITERI 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

CRITERI 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,

Dettagli

[ Analisi della. concentrazione] di Luca Vanzulli. Pag. 1 di 1

[ Analisi della. concentrazione] di Luca Vanzulli. Pag. 1 di 1 [ Analisi della concentrazione] di Luca Vanzulli Pag. 1 di 1 LA CONCENTRAZIONE NELL ANALISI DELLE VENDITE L analisi periodica delle vendite rappresenta un preziosissimo indicatore per il monitoraggio del

Dettagli

Le immagini digitali. Le immagini digitali. Caterina Balletti. Caterina Balletti. Immagini grafiche. Trattamento di immagini digitali.

Le immagini digitali. Le immagini digitali. Caterina Balletti. Caterina Balletti. Immagini grafiche. Trattamento di immagini digitali. 1 Le immagini digitali Le immagini digitali Università IUAV di venezia Trattamento di immagini digitali immagini grafiche immagini raster immagini vettoriali acquisizione trattamento geometrico trattamento

Dettagli

Perché il logaritmo è così importante?

Perché il logaritmo è così importante? Esempio 1. Perché il logaritmo è così importante? (concentrazione di ioni di idrogeno in una soluzione, il ph) Un sistema solido o liquido, costituito da due o più componenti, (sale disciolto nell'acqua),

Dettagli

Siamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.

Siamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo. DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti

Dettagli

Matematica e Statistica

Matematica e Statistica Matematica e Statistica Prova d esame (0/07/03) Università di Verona - Laurea in Biotecnologie - A.A. 0/3 Matematica e Statistica Prova di MATEMATICA (0/07/03) Università di Verona - Laurea in Biotecnologie

Dettagli

Esercizi su. Funzioni

Esercizi su. Funzioni Esercizi su Funzioni ๒ Varie Tracce extra Sul sito del corso ๓ Esercizi funz_max.cc funz_fattoriale.cc ๔ Documentazione Il codice va documentato (commentato) Leggibilità Riduzione degli errori Manutenibilità

Dettagli

Matematica in laboratorio

Matematica in laboratorio Unità 1 Attività guidate Attività 1 Foglio elettronico Divisibilità tra numeri naturali Costruisci un foglio di lavoro per determinare se a è divisibile per b, essendo a e b due numeri naturali, con a

Dettagli

PROGETTO EM.MA PRESIDIO

PROGETTO EM.MA PRESIDIO PROGETTO EM.MA PRESIDIO di PIACENZA Bentornati Il quadro di riferimento di matematica : INVALSI e TIMSS A CONFRONTO LE PROVE INVALSI Quadro di riferimento per la valutazione Quadro di riferimento per i

Dettagli

Come archiviare i dati per le scienze sociali

Come archiviare i dati per le scienze sociali Come archiviare i dati per le scienze sociali ADPSS-SOCIODATA Archivio Dati e Programmi per le Scienze Sociali www.sociologiadip.unimib.it/sociodata E-mail: adpss.sociologia@unimib.it Tel.: 02 64487513

Dettagli

PIL : produzione e reddito

PIL : 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

Dettagli

Istituto Comprensivo di Pralboino Curricolo Verticale

Istituto Comprensivo di Pralboino Curricolo Verticale NUMERI -L alunno si muove con sicurezza nel calcolo scritto e mentale con i numeri naturali entro le centinaia di migliaia. -L alunno si muove nel calcolo scritto e con i numeri naturali entro le migliaia.

Dettagli

CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI

CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita

Dettagli

Insegnamento di Progetto di Infrastrutture viarie

Insegnamento di Progetto di Infrastrutture viarie Insegnamento di Progetto di Infrastrutture viarie Opere in terra Caratteristiche di un terreno Compressibilità e costipamento delle terre Portanza sottofondi e fondazioni stradali Instabilità del corpo

Dettagli