I Sistemi Esperti. L approccio probabilistico. Intelligenza Artificiale - Ragionamento 2

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "I Sistemi Esperti. L approccio probabilistico. Intelligenza Artificiale - Ragionamento 2"

Transcript

1 I Sistemi Esperti L approccio probabilistico Intelligenza Artificiale - Ragionamento 2 1

2 SISTEMI ESPERTI (o Sistemi Basati Sulla Conoscenza) (1980) Un sistema basato sulla conoscenza è un sistema in grado di risolvere problemi in un dominio limitato ma con prestazioni simili a quelle di un esperto umano del dominio stesso. Generalmente esamina un largo numero di possibilità e costruisce dinamicamente una soluzione. Intelligenza Artificiale - Ragionamento 2 2

3 "La potenza di un programma intelligente nel risolvere un problema dipende primariamente dalla quantità e qualità di conoscenza che possiede su tale problema". (Feigenbaum) Il programma non è un insieme di istruzioni immutabili che rappresentano la soluzione del problema, ma un ambiente in cui: rappresentare; utilizzare; modificare; una base di conoscenza. Intelligenza Artificiale - Ragionamento 2 3

4 Caratterizzato dalle seguenti proprietà: Generalità. Rappresentazione esplicita della conoscenza. Meccanismi di ragionamento. Capacità di spiegazione. Capacità di operare in domini mal strutturati. Intelligenza Artificiale - Ragionamento 2 4

5 PRINCIPI ARCHITETTURALI Ogni sistema basato sulla conoscenza deveriuscire ad esprimere due tipi di conoscenza in modo separato e modulare: Conoscenza sul dominio dell applica-zione (COSA); Conoscenza su COME utilizzare la conoscenza sul dominio per risolvere problemi (CONTROLLO). Intelligenza Artificiale - Ragionamento 2 5

6 BASE DI CONOSCENZA MOTORE INFERENZI ALE Problemi: Come esprimere la conoscenza sul problema? Quale strategia di controllo utilizzare? Intelligenza Artificiale - Ragionamento 2 6

7 SISTEMI DI PRODUZIONE Un sistema a regole di produzione (production system) è costituito da tre componenti fondamentali: Base di conoscenza a regole (che prende spesso il nome di memoria a lungo termine ) in cui sono contenute le regole di produzione; Memoria di lavoro (memoria a breve termine) in cui sono contenuti i dati e in cui vengono mantenute le conclusioni raggiunte dal sistema; Intelligenza Artificiale - Ragionamento 2 7

8 Motore inferenziale. Ogni regola di produzione ha la seguente forma: if <condizione> then <conclusione/azione> Intelligenza Artificiale - Ragionamento 2 8

9 STRATEGIE DI CONTROLLO Strategia forward (in avanti) o controllo guidato dai dati; while <obiettivo non raggiunto> do begin <MATCH:determina l'insieme delle regole applicabili (cioè le regole il cui antecedente è soddisfatto dai fatti contenuti nella memoria di lavoro)>; <CONFLICT_RESOLUTION: seleziona la regola da applicare>; <FIRE: esegui l'azione associata alla regola> end. Intelligenza Artificiale - Ragionamento 2 9

10 Strategia "backward" (all indietro) o controllo guidato dal goal G. if <G è un fatto nella memoria di lavoro> then <G è dimostrato> else begin <MATCH:seleziona le regole il cui conseguente può essere unificato con G>; <CONFLICT_RESOLUTION: seleziona la regola da applicare>; <l'antecedente della regola selezionata diventa il nuovo obiettivo (congiunzione di obiettivi) da verificare> end. Intelligenza Artificiale - Ragionamento 2 10

11 SISTEMI BASATI SULLA CONOSCENZA ARCHITETTURA Esperto del dominio (INGEGNERE DELLA CONOSCENZA) INTERFACCIA per l acquisizione DELLA CONOSCENZA CONOSCENZA DEL DOMINIO MOTORE INFERENZIALE CONOSCENZA SUL CONTROLLO MEMORIA DEL LAVORO INTERFACCIA con l utente finale UTENTE FINALE Intelligenza Artificiale - Ragionamento 2 11

12 Rappresentazione della Conoscenza: Regole; Frames; Proposizioni Logiche; Vincoli; Procedure; Demoni; Oggetti; Fattori di Certezza, Variabili Fuzzy Intelligenza Artificiale - Ragionamento 2 12

13 Modalità di Inferenza: Ragionamento forward; Ragionamento backward; Risoluzione; Propagazione di vincoli; Strategie di ricerca euristiche; Ragionamento Ipotetico ed Abduttivo... Intelligenza Artificiale - Ragionamento 2 13

14 AMBIENTI SVILUPPO DI UN SISTEMA ESPERTO (ingegneria della conoscenza): a) Skeletal systems (SHELL) Ottenuti togliendo da Sistemi Esperti già costruiti la conoscenza propria del dominio e lasciando solo il motore inferenziale e le facilities di supporto. EMYCIN (Empty MYCIN) deriva da MYCIN; KAS deriva da PROSPECTOR; EXPERT deriva da CASNET. Intelligenza Artificiale - Ragionamento 2 14

15 b) Sistemi general-purpose (TOOLS); KEE, ART, Knowledge-Craft, Nexpert, KAPPA non sono strettamente legati a una particolare classe di problemi: essi permettono una più ampia varietà di rappresentazione della conoscenza e strutture di controllo. c) Linguaggi simbolici (Prolog, Lisp) e non (C, C++). Intelligenza Artificiale - Ragionamento 2 15

16 PASSI DI PROGETTAZIONE IDENTIFICAZIONE delle caratteristiche del problema. CONCETTUALIZZAZIONE. FORMALIZZAZIONE : progetto della struttura in cui organizzare la conoscenza. IMPLEMENTAZIONE : scrittura effettiva della conoscenza sul dominio. VALIDAZIONE. Intelligenza Artificiale - Ragionamento 2 16

17 SCELTA DI UN TOOL: 1. non bisogna utilizzare un Tool più generale del necessario; 2. bisogna testare il Tool costruendo un piccolo prototipo del sistema; 3. bisogna scegliere un Tool che sia affidabile ed mantenuto da chi lo ha sviluppato; 4. quando il tempo di sviluppo è critico, è bene scegliere un Tool con facilities di spiegazioni/interazione incorporate; 5. bisogna considerare le caratteristiche del problema per determinare le caratteristiche che deve avere il Tool. Intelligenza Artificiale - Ragionamento 2 17

18 APPLICAZIONI Migliaia di Sistemi Esperti nei settori più svariati. Interpretazione: Si analizzano dati complessi e potenzialmente rumorosi per la determinazione del loro significato (Dendral, Hearsay-II). Diagnosi: Si analizzano dati potenzialmente rumorosi per la determinazione di malattie o errori (Mycin,...). Intelligenza Artificiale - Ragionamento 2 18

19 Monitoring: I dati si interpretano continuamente per la generazione di allarmi in situazioni critiche. Al sistema è richiesta una risposta in tempo reale soddisfacente (VM). Planning e Scheduling: Si determina una sequenza intelligente di azioni per raggiungere un determinato obiettivo (Molgen). Intelligenza Artificiale - Ragionamento 2 19

20 OBIETTIVO DELLE CATEGORIE GENERALI DI APPLICAZIONI Interpretazione: Inferire descrizioni di situazioni da dati rilevati da sensori. Predizione: Inferire conseguenze future da una data situazione. Diagnosi: Inferire malfunzionamenti da osservazioni. Progetto: Configurare oggetti rispettando vincoli. Intelligenza Artificiale - Ragionamento 2 20

21 Pianificazione: Progettare sequenze di azioni. Monitoring: Confrontare osservazioni in tempo reale per identificare situazioni di allarme. Debugging: Prescrivere rimedi per malfunzionamenti. Riparazione: Eseguire un piano per ottenere il rimedio necessario Intelligenza Artificiale - Ragionamento 2 21

22 Insegnamento: Diagnosi, Debugging e Riparazione del comportamento di uno studente. Controllo: Interpretare, Predire, Riparare, a Monitorare il comportamento di un sistema. Alcune applicazioni ne includono altre. Intelligenza Artificiale - Ragionamento 2 22

23 CLASSIFICAZIONE: SISTEMI DI SINTESI E DI ANALISI Si possono raggruppare le operazioni in termini di quelli che costruiscono un sistema (sintesi) e quelli che interpretano un sistema (analisi). Intelligenza Artificiale - Ragionamento 2 23

24 COSTRUZION E (SINTESI) PROGETT O CONFIGURAZIONE STRUTTURA PIANIFICAZIONE PROCESSO INTERPRETAZIONE (ANALISI) IDENTIFICAZIONE PROGETTO MONITORING DIAGNOSI Intelligenza Artificiale - Ragionamento 2 24

25 CLASSIFICAZIONE E DIAGNOSI (1) Il più semplice tipo di classificazione consiste nell identificare alcuni oggetti sconosciuti o fenomeni come appartenenti a una classe conosciuta di oggetti, eventi o processi. Tipicamente queste classi sono tipi organizzati gerarchicamente e il procedimento di identificazione corrisponde al matching delle osservazioni di entità sconosciute con caratteristiche note delle classi. Intelligenza Artificiale - Ragionamento 2 25

26 Un esempio: Mycin Sviluppato da E.M. Shortliffe a partire dal 1972; Obiettivi: decidere se il paziente ha un infezione che deve essere curata; determinare, se sì, quale è probabilmente l'organismo infettivo; scegliere fra le medicine adatte per combattere l infezione quella più appropriata in rapporto alle condizioni del paziente. Intelligenza Artificiale - Ragionamento 2 26

27 Mycin risolve il problema di identificare un oggetto sconosciuto dalle culture di laboratorio, mediante un matching dei risultati di laboratorio con la gerarchia di batteri. ( 1 ) W. J. Clancey, Heuristic Classification, Artificial Intelligence 27, North Holland, 1985 pp Intelligenza Artificiale - Ragionamento 2 27

28 CARATTERISTICA ESSENZIALE DELLA CLASSIFICAZIONE Il motore di inferenza seleziona partendo da un insieme di soluzioni pre-enumerate. Quindi non costruisce una nuova soluzione. Le evidenze (osservazioni) possono essere incerte per cui il sistema può dare come risposta una lista di possibili ipotesi numerate in ordine di plausibilità. Esistono anche regole di inferenza oltre al matching. Intelligenza Artificiale - Ragionamento 2 28

29 In molti problemi le caratteristiche di una soluzione non sono date direttamente come dati, ma sono inferite mediante regole di inferenza che esprimono: 1.Astrazione definizionale: basata sulle caratteristiche necessarie di un concetto: Se è un mammifero allora allatta i figli. Intelligenza Artificiale - Ragionamento 2 29

30 2. Astrazione qualitativa: coinvolge dati quantitativi e li confronta con valori normali: Se il paziente è adulto e il valore dei globuli bianchi è minore di 2500 allora il valore è basso 3. Generalizzazione in una gerarchia di sottotipi Se il cliente è un giudice, allora è una persona educata Intelligenza Artificiale - Ragionamento 2 30

31 Classificazione Classificare un oggetto significa riconoscerlo come appartenente ad una determinata classe. Una caratteristica essenziale della classificazione è che seleziona da un insieme predefinito di soluzioni. Intelligenza Artificiale - Ragionamento 2 31

32 Le classi identificano delle regolarità e tutti i membri di una classe le condividono (condizioni necessarie). Di solito escludiamo il caso, denominato configurazione, in cui le soluzioni sono un insieme finito, ma molto ampio e quindi determinato dinamicamente come insieme potenza di elementi più semplici (componenti). Intelligenza Artificiale - Ragionamento 2 32

33 CLASSIFICAZIONE SEMPLICE ED EURISTICA Nella classificazione semplice i dati hanno un match diretto con le caratteristiche delle soluzioni (eventualmente dopo un passo di astrazione). Intelligenza Artificiale - Ragionamento 2 33

34 Nella classificazione euristica le soluzioni possono anche essere trovate usando un matching euristico mediante un associazione diretta e euristica con la gerarchia delle soluzioni. Normalmente l associazione euristica è di tipo empirico. Intelligenza Artificiale - Ragionamento 2 34

35 FISICO DEBILITATO EURISTICA INFEZIONE GRAM-NEGATIVA IMMUNODEFICIENZA GENERALIZZAZIONE GENERALIZZAZIONE SOTTOTIPO INFEZIONE DA E.COLI LEUCEMIA DEFINIZIONALE NGB BASSO QUALITATIVA NGB < 2.5 Intelligenza Artificiale - Ragionamento 2 35

36 ASTRAZIONE DEL PAZIENTE MACTH EURISTICO CLASSE DELLE MALATTIE GENERALIZZAZIONE RAFFINAMENTO DELLE IPOTESI DATI DEL PAZIENTE MALATTI E In pratica, nella classificazione euristica i dati del problema opportunamente astratti sono associati con classi di soluzioni di problemi. Intelligenza Artificiale - Ragionamento 2 36

37 Esempi: Mycin, Grundy che seleziona i libri che una persona può preferire mediante una classificazione della personalità e poi del libro che può essere più adatto, Sophie che classifica un circuito elettronico in termini dei componenti che causano un malfunzionamento. Intelligenza Artificiale - Ragionamento 2 37

38 FATTORI DI CERTEZZA Compromesso rispetto a un sistema bayesiano puro. Introdotti per la prima volta nel Sistema Esperto Mycin. Regole non certe (l implicazione corretta sarebbe invertita) mediate da un fattore di certezza. Un fattore di certezza è un numero reale ad hoc che varia fra +1 e -1. Permette l'inserimento di fatti apparentemente contraddittori, ambedue plausibili con differenti valori di certezza. Intelligenza Artificiale - Ragionamento 2 38

39 Fatti: (<attributo> <entità> <valore> <fattore di certezza>. Esempi di fatti espressi in Mycin sono (Lisp): (SITE CULTURE-1 BLOOD 1.0) (IDENT ORGANISM-2 KLEBSIELLA.25) (IDENT ORGANISM-2 E.COLI 0.73) (SENSITIVS ORGANISM-1 PENICILLIN - 1.0) Intelligenza Artificiale - Ragionamento 2 39

40 REGOLE: PREMISE <premessa> ACTION <azione> PREMISE ($AND (SAME CNTXT INFECT PRIMARY- BACTEREMIA) (MEMBF CNTXT SITE STERILESITES) (SAME CNTXT PORTAL G1)) ACTION (CNTXT IDENT BACTEROIDES 0.7) Intelligenza Artificiale - Ragionamento 2 40

41 Significato della regola IF 1)the infection is primary-bacteremia, 2)the site of the culture is one of sterilesites, and 3)the suspected portal of entry of the organism is the gastro-intestinal tract, THEN there is a suggestive evidence (0.7) that the identity of the organism is bacteroides. Intelligenza Artificiale - Ragionamento 2 41

42 OSSERVAZIONI I fattori di certezza iniziali sono forniti dagli esperti. Ogni CF in una regola di Mycin rappresenta il contributo della regola al fattore di confidenza di un ipotesi. Rappresenta in un certo senso una probabilità condizionale P(H E). Intelligenza Artificiale - Ragionamento 2 42

43 In un sistema Bayesiano puro però si deve assumereche la sola evidenza rilevante per H sia E, altrimenti dobbiamo tenere conto delle probabilità congiunte. Dunque Mycin assume che tutte le regole siano indipendenti ed è colui che scrive le regole che deve garantire ciò. Intelligenza Artificiale - Ragionamento 2 43

44 R1: Sviluppato all'università Carnegie-Mellon da John Mc Dermott per conto della Digital a partire dal COMPITO PRINCIPALE: configurare il calcolatore VAX-11 /780 automaticamente. Intelligenza Artificiale - Ragionamento 2 44

45 In base all ordine del cliente, R1 è in grado di: assicurare che l'ordine sia completo; determinare le relazioni spaziali fra le componenti. Un tipico sistema ha più di 100 componenti con varie possibilità di interazione. Intelligenza Artificiale - Ragionamento 2 45

46 Esperti: technical editors * Nato con un nucleo di 250 regole ora ne possiede circa Dal 1980 è un prodotto funzionante Digital. R1 è implementato in OPS-5. Intelligenza Artificiale - Ragionamento 2 46

47 TIPI DI CONOSCENZA IN R1 a) Informazione sui componenti: in memoria di massa sono raccolte informazioni su circa 400 componenti della Digital che il Sistema va a recuperare quando necessario. (RK711-EA!class bundle,!type disk drive!supported yes!component-list RK07-EA* 1 RK611) Intelligenza Artificiale - Ragionamento 2 47

48 b) Conoscenza sui vincoli: è la conoscenza di come associare determinati componenti per formare configurazioni parziali corrette e di come associare fra di loro le configurazioni parziali Distributed-mb-devices-3 IF: current active context is distributing massbus devices AND there is a single port disk drive that has not been assigned to a massbus AND there are no unassigned dual port disk drives AND THEN: assign the disk drive to the massbus Intelligenza Artificiale - Ragionamento 2 48

49 c) MEMORIA DI LAVORO: tiene traccia della conoscenza che viene accumulata dinamicamente durante il processo di configurazione. Intelligenza Artificiale - Ragionamento 2 49

50 CONTROLLO IN R1 Forward Strategia Irrevocabile Tasks non interagenti sistema di produzione decomponibile Nessuna strategia di controllo esplicita Ambiente povero Intelligenza Artificiale - Ragionamento 2 50

51 Regole per il cambio di contesto Check-voltage-and-frequency-1 IF: the MOST CURRENT ACTIVE CONTEXT is checking voltage and frequency AND there is a component that requires one voltage or frequency AND there is another component that requires a different voltage or frequency THEN: ENTER THE CONTEXT of fixing voltage or frequency mismatches. Intelligenza Artificiale - Ragionamento 2 51

52 PROSPETTIVE Verso gruppi di agenti intelligenti cooperanti (ingegneria del software). Cooperazione con un essere umano interfacce grafiche. Integrazione con vari sistemi informatici (interfacce grafiche, database ecc ), tecnologie tradizionali e non (reti neurali, sistemi fuzzy) sistemi ibridi. Intelligenza Artificiale - Ragionamento 2 52

53 Da costose workstations special-purpose (LISP-Machine) verso sistemi Unix o PC con l utilizzo di Tools scritti in linguaggi più tradizionali (C, C++). Sistemi basati sulla conoscenza in aree più semplici : costruzione di libri e manuali non più passivi ma attivi. In fondo, i linguaggi Object-Oriented sono nati nel 1967 e i Database Relazionali negli anni 70 Intelligenza Artificiale - Ragionamento 2 53

54 L approccio probabilistico Teoria della probabilità (richiami) P(A): probabilità incondizionata (o probabilità a priori): quella che si ha in mancanza di qualsiasi altra informazione. Esempio: P(Carie) = 0.1 (In una popolazione, il 10% degli individui ha la carie). Intelligenza Artificiale - Ragionamento 2 54

55 Le proposizioni possono includere uguaglianze che comprendono le cosiddette variabili casuali. Esempio: P(Tempo = Soleggiato) = 0.7 P(Tempo = Piovoso) = 0.2 P(Tempo = Nuvoloso) = 0.08 P(Tempo = Nevoso) = 0.02 Intelligenza Artificiale - Ragionamento 2 55

56 Ogni variabile casuale X ha un dominio di possibili valori (x 1,, x n ). Si possono vedere i simboli proposizionali come variabili causali se si assume che abbiano dominio (vero, falso). Quindi P(Carie) è un abbreviazione di P(Carie = vero) e P( Carie) sta per P(Carie = falso). Intelligenza Artificiale - Ragionamento 2 56

57 Per denotare tutti i valori che può assumere una variabile (discreta) si utilizza una forma vettoriale P(A). Per l esempio precedente: P(Tempo) = 0.7, 0.2, 0.08, 0.02 Questo enunciato definisce una distribuzione di probabilità della variabile Tempo. Intelligenza Artificiale - Ragionamento 2 57

58 L espressione P(Tempo, Carie) denota le probabilità di tutte le combinazioni di valori dell insieme di variabili casuali. Nell esempio, è una tavola di 4 x 2 probabilità. P(A B): probabilità condizionata o a posteriori: probabilità di A dato che tutto ciò che sappiamo è B. Esempio: P(Carie MalDiDenti) = 0.8 (se il paziente ha mal di denti e non c è altra informazione, la probabilità che abbia la carie è dell 80%). La notazione P(X Y) corrisponde ad una tabella bidimensionale con i valori di P(X=x i Y=y j ) per ogni possibile i, j. Intelligenza Artificiale - Ragionamento 2 58

59 Vale la regola del prodotto: P(A B) = P(A B) P(B) (affinché A e B siano veri, occorre che sia vero B e quindi che A sia vero dato B). Dalla precedente: P( A B) = P( A B) P( B) Vale anche: P(A B) = P(B A) P(A) Intelligenza Artificiale - Ragionamento 2 59

60 Assiomi della teoria della probabilità 1) 0 P(A) 1 2) Le proposizioni necessariamente vere (cioè valide) hanno probabilità 1, quelle necessariamente false (cioè insoddisfacibili) hanno probabilità 0; in formule: P(Vero) = 1 e P(Falso) = 0. 3) P(A B) = P(A) + P(B) P(A B) (si desume dal diagramma di Venn). Intelligenza Artificiale - Ragionamento 2 60

61 Dagli assiomi si può dedurre, ad esempio, che P(A A) = P(A) + P( A) P(A A) P(Vero) = P(A) + P( A) P(Falso) 1 = P(A) + P( A) P( A) = 1 P(A) Intelligenza Artificiale - Ragionamento 2 61

62 NOTA: la probabilità delle proposizioni può esprimere, più che una mera statistica, il grado di credenza su un fatto da parte di un agente: deve comunque conformarsi agli assiomi della probabilità (tesi di Bruno De Finetti, gioco delle scommesse tra due agenti). Intelligenza Artificiale - Ragionamento 2 62

63 Probabilità soggettiva Esempio: Qual è la probabilità che l'inter vinca il campionato? Approccio classico: P(I) = 1/18 (insoddisfacente) Approccio frequentista: impraticabile: non si può ripetere il campionato N volte. Intelligenza Artificiale - Ragionamento 2 63

64 De Finetti propone questo approccio: "La probabilità P(E) di un evento E è la frazione di una somma m che un agente ritiene equo sia pagato per la promessa di ricevere in cambio la somma m nel caso E si verifichi" (definizione). In pratica: Lo scommettitore (agente) entra in gioco pagando m P(E) euro. Il bookmaker pagherà m euro se E si verifica, altrimenti niente. Intelligenza Artificiale - Ragionamento 2 64

65 La probabilità così definita corrisponde al grado soggettivo di aspettativa (degree of belief) del verificarsi dell'evento incerto E. Si possono avere due situazioni: esiste una modalità di scommettere tale che l'agente perde sicuramente (Dutch book); non esiste tale modalità: in questo caso l'insieme di beliefs è coerente. De Finetti dimostra che se un insieme di beliefs è coerente (ossia evita un Dutch book) allora tali beliefs devono necessariamente soddisfare gli assiomi della probabilità. Intelligenza Artificiale - Ragionamento 2 65

66 Distribuzione di probabilità congiunta Siano X 1 X n variabili casuali che assumono valori determinati in un dominio, ciascuna con una certa probabilità. Un evento atomico è un'assegnazione di valori particolari a tutte le variabili. Intelligenza Artificiale - Ragionamento 2 66

67 La distribuzione di probabilità congiunta P(X 1 X n ) assegna probabilità a tutti gli eventi atomici (è una tabella n-dimensionale). Esempio: MalDiDenti MalDiDenti Carie Carie Dalla distribuzione di probabilità si desume, ad esempio: P(Carie MalDiDenti) = = 0.11 Intelligenza Artificiale - Ragionamento 2 67

68 oppure P( Carie MalDiDenti) = P( Carie MalDiDenti) P( MalDiDenti) = = 0.80 In generale, per n variabili booleane, occorre specificare 2 n valori per la distribuzione di probabilità. Intelligenza Artificiale - Ragionamento 2 68

69 Regola di Bayes Da: P(A B) = P(A B) P(B) P(A B) = P(B A) P(A) uguagliando le parti a destra, si ha: P ( B A) = P( A B) P( B) P( A) che è detta regola di Bayes. Intelligenza Artificiale - Ragionamento 2 69

70 Per variabili multivalori si ha: P(Y X) = P(X Y) P(Y) / P(X) (da intendere come insieme di equazioni che legano elementi corrispondenti delle tabelle). Vale anche: P(Y X,E) = P(X Y,E) P(Y E) / P(X E) (dove E rappresentano le prove di fondo). Intelligenza Artificiale - Ragionamento 2 70

71 Esempio: Un dottore sa che la meningite induce nel paziente, nel 50% dei casi, un irrigidimento del collo. Sa anche che la probabilità a priori che un paziente abbia la meningite è 1/50.000, quella che un paziente abbia un irrigidimento del collo è 1/20. Sia S = paziente ha irrigidimento del collo, M = paziente ha meningite. Intelligenza Artificiale - Ragionamento 2 71

72 Allora: P(S M) = 0.5 P(M) = 1/50000 P(S) = 1/20 Pertanto: P( S M ) P( M ) P( M S) = = = P( S) Intelligenza Artificiale - Ragionamento 2 72

73 Si osservi che P(S M) riflette il funzionamento della meningite, mentre P(M S) può variare, se ad esempio c è un epidemia di meningite (in qual caso P(M) cresce). Intelligenza Artificiale - Ragionamento 2 73

74 Normalizzazione Si è visto che: La possibilità che un paziente abbia un irrigidimento del collo per un colpo di frusta è: Intelligenza Artificiale - Ragionamento 2 74 ) ( ) ( ) ( ) ( S P M P M S P S M P = ) ( ) ( ) ( ) ( S P W P W S P S W P =

75 La verosimiglianza relativa della meningite e del colpo di frusta, dato un irrigidimento del collo, non richiede la probabilità a priori di un irrigidimento del collo: Intelligenza Artificiale - Ragionamento 2 75 ) ( ) ( ) ( ) ( ) ( ) ( P W W S P M P M S P S P W S M P =

76 Un altro caso in cui non si deve valutare direttamente la probabilità a priori dei sintomi si ha quando si considera un insieme esaustivo di casi. Nell esempio precedente, si considera il caso M e il caso M: Intelligenza Artificiale - Ragionamento 2 76 ) ( ) ( ) ( ) ( S P M P M S P S M P = ) ( ) ( ) ( ) ( S P M P M S P S M P =

77 Ora è anche P(M S) + P( M S) = 1, quindi: P(S) = P(S M) P(M) + P(S M) P( M) e sostituendo sopra: Intelligenza Artificiale - Ragionamento 2 77 ) ( ) ( ) ( ) ( ) ( ) ( ) ( M P M S P M P M S P M P M S P S M P + =

78 Questo processo è detto normalizzazione, poiché tratta 1/P(S) come costante di normalizzazione che permette ai termini condizionali di dare 1 come somma (in altri termini, si preferisce calcolare P(S M) piuttosto che P(S)). Nel caso generale multivalore, la regola di Bayes diventa P(Y X) = αp(x Y) P(Y) dove α è la costante di normalizzazione necessaria per rendere la somma dei valori della tabella P(Y X) pari a 1. Intelligenza Artificiale - Ragionamento 2 78

79 La combinazione delle prove Si suppongano note le due probabilità condizionate: P(Carie MalDiDenti) = 0.8 P(Carie Colpire) = 0.95 e si voglia concludere la probabilità che il sondino colpisca il dente dolorante del paziente. Intelligenza Artificiale - Ragionamento 2 79

80 Per calcolare P(Carie MalDiDenti Colpire) occorerebbe conoscere la probabilità congiunta. Anche l applicazione diretta della regola di Bayes: P( Carie MalDiDenti Colpire = P( Carie) P( MalDiDenti Colpire Carie) P( MalDiDenti Carie) Intelligenza Artificiale - Ragionamento 2 80

81 non aiuta, poiché richiede la conoscenza della probabilità condizionata (in generale, date n variabili individuali differenti, occorre calcolare n 2 valori differenti, e una diagnosi potrebbe dipendere da dozzine di variabili, non solo due!). Intelligenza Artificiale - Ragionamento 2 81

82 In molti domini è possibile semplificare l applicazione della regola di Bayes mediante un processo detto aggionamento bayesiano, il quale incorpora prove un pezzo per volta, modificando la credenza precedente nella variabile ignota. Nel caso in esame, si parte dal considerare il solo MalDiDenti: P( Carie MalDiDenti) = P( Carie) P( MalDiDenti Carie) P( MalDiDenti) Intelligenza Artificiale - Ragionamento 2 82

83 Quando si considera Colpire, si applica la regola di Bayes con MalDiDenti come contesto costante condizionante : P( Carie P( Carie MalDiDenti Colpire) = P( Colpire MalDiDenti Carie) MalDiDenti) = P( Colpire MalDiDenti) P( MalDiDenti Carie) P( Carie) P( MalDiDenti) P( Colpire MalDiDenti Carie) P( Colpire MalDiDenti) Intelligenza Artificiale - Ragionamento 2 83

84 Per calcolare P(Colpire MalDiDenti Carie) occorre un assunzione sostanziale, che parte dalla considerazione che la carie è la causa diretta sia del mal di denti che del colpire la carie con il sondino: pertanto, se si sa che il paziente ha la carie, la probabilità del sondino di colpire la carie non dipende dalla presenza del mal di denti; così, il sondino che finisce nella carie non cambia la probabilità che la carie sia causa del mal di denti. Intelligenza Artificiale - Ragionamento 2 84

85 In formule: P(Colpire Carie MalDiDenti) = P(Colpire Carie) e P(MalDiDenti Carie Colpire) = P(MalDiDenti Carie) equazioni che esprimono l indipen-denza condizionale di MalDiDenti e Colpire dato Carie. Intelligenza Artificiale - Ragionamento 2 85

86 L espressione di prima diventa: P( Carie MalDiDenti Colpire) = P( MalDiDenti Carie) P( Carie) P( MalDiDenti) Si noti che il termine P( Colpire Carie) P( Colpire MalDiDenti) P(Colpire MalDiDenti) che coinvolge le coppie (in generale, triple, ecc.) di sintomi, può essere eliminato: infatti al denominatore c è il prodotto P(Colpire MalDiDenti) P(MalDiDenti) Intelligenza Artificiale - Ragionamento 2 86

87 che è uguale a P(MalDiDenti Colpire) e, come prima, può essere eliminato con la normalizzazione, dato che si può disporre di P(MalDiDenti Carie) e P(Colpire Carie). Concludendo, occorre solo valutare la probabilità a priori per la causa e le probabilità condizionali per ognuno degli effetti. Intelligenza Artificiale - Ragionamento 2 87

88 Nel caso multivalore, per dire che X e Y sono indipendenti dato Z, si scrive: P(X Y,Z) = P(X Z) che rappresenta un insieme di enunciati condizionali indipendenti individuali. La corrispondente semplificazione della regola di Bayes per le prove multiple è P(Z X,Y) = α P(Z) P(X Z) P(Y Z) dove α è una costante di normalizzazione tale che i valori in P(Z X,Y) sommati diano 1. Intelligenza Artificiale - Ragionamento 2 88

89 In pratica, se e n = e 1, e 2,,e n è una sequenza di dati osservati in passato (contesto) e se e è una nuova informazione, il risultato precedente ci dice che: P( H e, en ) P( e H, en ) P( H en ) cioè il nuovo belief è proporzionale ( ) al prodotto del vecchio belief per la verosimiglianza che la nuova informazione possa materializzarsi data l'ipotesi e l'esperienza passata. Intelligenza Artificiale - Ragionamento 2 89

90 Se, come succede spesso, l'esperienza passata è irrilevante a determinare la verosimiglianza, ovverosia si verifica che e e n H, allora la formula precedente si semplifica: P( H e, en ) P( e H ) P( H en ). Intelligenza Artificiale - Ragionamento 2 90

91 Esempio: L'epidemia E può aver causato il morbillo M nel paziente; Il morbillo può aver causato macchie rosse R o febbre F. Effetti di una stessa causa diventano indipendenti una volta nota la causa. Dunque F E M. Intelligenza Artificiale - Ragionamento 2 91

92 Inoltre se E causa M e M causa R, allora conoscere E diventa irrilevante per R una volta che M è noto. Dunque E R M e E F M. L'approccio naturale è modellare gli effetti date le cause, non viceversa: P(e H) piuttosto che P(H e). Intelligenza Artificiale - Ragionamento 2 92

93 Nel nostro esempio: P(M E) P(R M) P(F M) P(E) (a priori, dato che non ha cause) che somigliano a regole del tipo: if M then R, con una certa confidenza (nota: il significato è "if M and tutto il resto è irrilevante then R, con una certa confidenza") Intelligenza Artificiale - Ragionamento 2 93

94 Ora: Il teorema di Bayes ci serve per invertire i legami condizionali nella direzione di interesse. L'indipendenza condizionale ci serve a semplificare eliminando l'informazione irrilevante: Intelligenza Artificiale - Ragionamento 2 94 ), ( ) ( ), ( ),, ( ),, ( E F M P M R P E F M P E F M R P E F R M P =

95 e, a sua volta, quindi che usa le "regole" probabilistiche codificate nel modello. Intelligenza Artificiale - Ragionamento 2 95 ) ( ) ( ) ( ), ( ), ( E M P M F P E M P E M F P E F M P = ) ( ) ( ) ( ),, ( E M P M F P M R P E F R M P

96 Si osservi che il procedimento precedente poteva essere sostituito da un approccio di "bruta forza": L'utilizzo dell'indipendenza condi-zionale riduce la complessità dell'inferenza. Intelligenza Artificiale - Ragionamento 2 96 = = M E F R M P E F R M P E F R P E F R M P E F R M P ),,, ( ),,, ( ),, ( ),,, ( ),, (

Rules: IF x & y THEN p IF x & y & z THEN q. Pattern Network. x? y? x? y? z? Join Network. 8 nodes q. Rules: IF x & y THEN p IF x & y & z THEN q

Rules: IF x & y THEN p IF x & y & z THEN q. Pattern Network. x? y? x? y? z? Join Network. 8 nodes q. Rules: IF x & y THEN p IF x & y & z THEN q SISTEMI ESPERTI Sistemi Basati Sulla Conoscenza (1980) Un sistema basato sulla conoscenza è un sistema in grado di risolvere problemi in un dominio limitato ma con prestazioni simili a quelle di un esperto

Dettagli

Generalmente esamina un largo numero di possibilità e costruisce dinamicamente una soluzione.

Generalmente esamina un largo numero di possibilità e costruisce dinamicamente una soluzione. SISTEMI ESPERTI Sistemi Basati Sulla Conoscenza (1980) Un sistema basato sulla conoscenza è un sistema in grado di risolvere problemi in un dominio limitato ma con prestazioni simili a quelle di un esperto

Dettagli

Rappresentazione della conoscenza. ha poco potere espressivo in quanto ha un ontologia limitata: il mondo consiste di fatti, es.

Rappresentazione della conoscenza. ha poco potere espressivo in quanto ha un ontologia limitata: il mondo consiste di fatti, es. Scaletta argomenti: Rappresentazione della conoscenza Logica del primo ordine Logiche non-monotone Reti semantiche Frame e script Regole di produzione Logica del Primo Ordine - Logica proposizionale ha

Dettagli

Incertezza probabilità a priori probabilità a posteriori condizionata preferenze esiti utilità proposizione variabile aleatoria dominio

Incertezza probabilità a priori probabilità a posteriori condizionata preferenze esiti utilità proposizione variabile aleatoria dominio Incertezza Quando un agente logico possiede tutte le informazioni necessarie sull'ambiente e sugli effetti delle sue azioni sul mondo, riesce a determinare la sequenza di azioni che lo portano al raggiungimento

Dettagli

LOGICA DEI PREDICATI. Introduzione. Predicati e termini individuali. Termini individuali semplici e composti

LOGICA DEI PREDICATI. Introduzione. Predicati e termini individuali. Termini individuali semplici e composti Introduzione LOGICA DEI PREDICATI Corso di Intelligenza Artificiale A.A. 2009/2010 Prof. Ing. Fabio Roli La logica dei predicati, o logica del primo ordine (LPO) considera schemi proposizionali composti

Dettagli

Lezione 8. La macchina universale

Lezione 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

Dettagli

LA PROVA STATISTICA NEL PROCESSO PENALE

LA PROVA STATISTICA NEL PROCESSO PENALE Benito V. Frosini Università Cattolica del Sacro Cuore LA PROVA STATISTICA NEL PROCESSO PENALE Roma, 26 gennaio 2013 1. Processo civile e processo penale 1.1. Riguardo alla valutazione delle prove statistiche,

Dettagli

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado)

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado) L esito della prossima estrazione del lotto L esito del lancio di una moneta o di un dado Il sesso di un nascituro, così come il suo peso alla nascita o la sua altezza.. Il tempo di attesa ad uno sportello

Dettagli

Probabilità Calcolo combinatorio, probabilità elementare, probabilità condizionata, indipendenza, th delle probabilità totali, legge di Bayes

Probabilità Calcolo combinatorio, probabilità elementare, probabilità condizionata, indipendenza, th delle probabilità totali, legge di Bayes Sessione Live #3 Settimana dal 7 all 11 marzo 2003 Probabilità Calcolo combinatorio, probabilità elementare, probabilità condizionata, indipendenza, th delle probabilità totali, legge di Bayes Lezioni

Dettagli

Algebra Booleana 1 ALGEBRA BOOLEANA: VARIABILI E FUNZIONI LOGICHE

Algebra Booleana 1 ALGEBRA BOOLEANA: VARIABILI E FUNZIONI LOGICHE Algebra Booleana 1 ALGEBRA BOOLEANA: VARIABILI E FUNZIONI LOGICHE Andrea Bobbio Anno Accademico 2000-2001 Algebra Booleana 2 Calcolatore come rete logica Il calcolatore può essere visto come una rete logica

Dettagli

L INNOVAZIONE SCIENTIFICO-TECNOLOGICA NEI PROCESSI PRODUTTIVI

L INNOVAZIONE SCIENTIFICO-TECNOLOGICA NEI PROCESSI PRODUTTIVI L INNOVAZIONE SCIENTIFICO-TECNOLOGICA NEI PROCESSI PRODUTTIVI Scienza ed industria hanno oggi costituito legami molto forti di collaborazione che hanno portato innovazione tecnologica sia a livello organizzativo-amministrativo

Dettagli

I Modelli della Ricerca Operativa

I Modelli della Ricerca Operativa Capitolo 1 I Modelli della Ricerca Operativa 1.1 L approccio modellistico Il termine modello è di solito usato per indicare una costruzione artificiale realizzata per evidenziare proprietà specifiche di

Dettagli

Raffinamento dello schema e forme normali. T. Catarci, M. Scannapieco, Corso di Basi di Dati, A.A. 2008/2009, Sapienza Università di Roma

Raffinamento dello schema e forme normali. T. Catarci, M. Scannapieco, Corso di Basi di Dati, A.A. 2008/2009, Sapienza Università di Roma Raffinamento dello schema e forme normali 1 Forme Normali Le forme normali consentono di valutare la qualità delle relazione Sono state proposte diverse forme normali che includono, in ordine di generalità:

Dettagli

Il modello relazionale dei dati

Il modello relazionale dei dati Il modello relazionale dei dati Master Alma Graduate School Sistemi Informativi Home Page del corso: http://www-db.deis.unibo.it/courses/alma_si1/ Versione elettronica: 04Relazionale.pdf Obiettivi della

Dettagli

Agent and Object Technology Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma. Fondamenti di Informatica

Agent and Object Technology Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma. Fondamenti di Informatica Agent and Object Technology Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma Fondamenti di Informatica Linguaggi di Programmazione Michele Tomaiuolo Linguaggi macchina I

Dettagli

Tipologie di pianificatori. Pianificazione. Partial Order Planning. E compiti diversi. Pianificazione gerarchica. Approcci integrati

Tipologie di pianificatori. Pianificazione. Partial Order Planning. E compiti diversi. Pianificazione gerarchica. Approcci integrati Tipologie di pianificatori Pianificazione Intelligenza Artificiale e Agenti II modulo Pianificazione a ordinamento parziale (POP) (HTN) pianificazione logica (SatPlan) Pianificazione come ricerca su grafi

Dettagli

b) Costruire direttamente le relazioni e poi correggere quelle che presentano anomalie

b) Costruire direttamente le relazioni e poi correggere quelle che presentano anomalie TEORIA RELAZIONALE: INTRODUZIONE 1 Tre metodi per produrre uno schema relazionale: a) Partire da un buon schema a oggetti e tradurlo b) Costruire direttamente le relazioni e poi correggere quelle che presentano

Dettagli

La Logica Proposizionale. (Algebra di Boole)

La Logica Proposizionale. (Algebra di Boole) 1 ISTITUTO DI ISTRUZIONE SUPERIORE ANGIOY La Logica Proposizionale (Algebra di Boole) Prof. G. Ciaschetti 1. Cenni storici Sin dagli antichi greci, la logica è intesa come lo studio del logos, che in greco

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Il calcolo delle probabilità ha avuto origine nel Seicento in riferimento a questioni legate al gioco d azzardo e alle scommesse. Oggi trova tante applicazioni in ambiti anche

Dettagli

Logica dei predicati

Logica dei predicati IV Logica dei predicati 14. FORMULE PREDICATIVE E QUANTIFICATORI 14.1. Dalla segnatura alle formule predicative Il simbolo (x).ϕ(x) [per ogni x, ϕ(x) è vera] denota una proposizione definita, e non c è

Dettagli

Appunti: elementi di Probabilità

Appunti: elementi di Probabilità Università di Udine, Facoltà di Scienze della Formazione Corso di Laurea in Scienze e Tecnologie Multimediali Corso di Matematica e Statistica (Giorgio T. Bagni) Appunti: elementi di Probabilità. LA PROBABILITÀ..

Dettagli

Richiami di teoria della probabilitá e Modelli Grafici

Richiami di teoria della probabilitá e Modelli Grafici Modelli di computazione affettiva e comportamentale Data: 23 Aprile 2010 Richiami di teoria della probabilitá e Modelli Grafici Docente: Prof. Giuseppe Boccignone Scriba: Matteo Battistini 1 Richiami di

Dettagli

Processi di Business e Sistemi di Gestione di Workflow: concetti di base. Prof. Giancarlo Fortino g.fortino@unical.it

Processi di Business e Sistemi di Gestione di Workflow: concetti di base. Prof. Giancarlo Fortino g.fortino@unical.it Processi di Business e Sistemi di Gestione di Workflow: concetti di base Prof. Giancarlo Fortino g.fortino@unical.it Introduzione Le aziende devono modificare la loro organizzazione per cogliere le nuove

Dettagli

Concetti di base sulla Teoria delle Probabilità e sulle Reti bayesiane

Concetti di base sulla Teoria delle Probabilità e sulle Reti bayesiane Concetti di base sulla Teoria delle Probabilità e sulle Reti bayesiane Mariagrazia Semenza IA: Probabilità e Reti bayesiane - 1 Concetti preliminari A cosa si applica la teoria delle probabilità? All incertezza,

Dettagli

Caso e probabilità. Il caso. Il caso. Scommesse e probabilità Fenomeni aleatori Probabilità

Caso e probabilità. Il caso. Il caso. Scommesse e probabilità Fenomeni aleatori Probabilità Introduzione Il caso Il caso commesse e probabilità Il caso i chiama evento casuale quello che si verifica in una situazione in cui gli eventi possibili sono più d uno, ma non si sa a priori quale si verificherà.

Dettagli

TEORIA sulle BASI DI DATI

TEORIA sulle BASI DI DATI TEORIA sulle BASI DI DATI A cura del Prof. Enea Ferri Cos è un DATA BASE E un insieme di archivi legati tra loro da relazioni. Vengono memorizzati su memorie di massa come un unico insieme, e possono essere

Dettagli

Logica del primo ordine

Logica del primo ordine Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A7_4 V1.3 Logica del primo ordine Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio

Dettagli

Statistica inferenziale

Statistica inferenziale Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo

Dettagli

Servizio Nazionale di Valutazione a.s. 2014/15 Guida alla lettura Prova di Matematica Classe seconda Scuola primaria

Servizio Nazionale di Valutazione a.s. 2014/15 Guida alla lettura Prova di Matematica Classe seconda Scuola primaria Servizio Nazionale di Valutazione a.s. 2014/15 Guida alla lettura Prova di Matematica Classe seconda Scuola primaria I quesiti sono distribuiti negli ambiti secondo la tabella seguente Ambito Numero di

Dettagli

Tecniche di DM: Link analysis e Association discovery

Tecniche di DM: Link analysis e Association discovery Tecniche di DM: Link analysis e Association discovery Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Architettura di un generico algoritmo di DM. 2 2 Regole di associazione:

Dettagli

Dall italiano alla logica proposizionale

Dall italiano alla logica proposizionale Rappresentare l italiano in LP Dall italiano alla logica proposizionale Sandro Zucchi 2009-10 In questa lezione, vediamo come fare uso del linguaggio LP per rappresentare frasi dell italiano. Questo ci

Dettagli

Analisi discriminante

Analisi discriminante Capitolo 6 Analisi discriminante L analisi statistica multivariata comprende un corpo di metodologie statistiche che permettono di analizzare simultaneamente misurazioni riguardanti diverse caratteristiche

Dettagli

Processo di risoluzione di un problema ingegneristico. Processo di risoluzione di un problema ingegneristico

Processo di risoluzione di un problema ingegneristico. Processo di risoluzione di un problema ingegneristico Processo di risoluzione di un problema ingegneristico 1. Capire l essenza del problema. 2. Raccogliere le informazioni disponibili. Alcune potrebbero essere disponibili in un secondo momento. 3. Determinare

Dettagli

Risoluzione. Eric Miotto Corretto dal prof. Silvio Valentini 15 giugno 2005

Risoluzione. Eric Miotto Corretto dal prof. Silvio Valentini 15 giugno 2005 Risoluzione Eric Miotto Corretto dal prof. Silvio Valentini 15 giugno 2005 1 Risoluzione Introdurremo ora un metodo per capire se un insieme di formule è soddisfacibile o meno. Lo vedremo prima per insiemi

Dettagli

Clickomania con Blockly

Clickomania con Blockly Clickomania con Blockly Violetta Lonati Sommario Clickomania è un solitario, noto anche come Chain Shot! o Same Game. Il campo di gioco è costituito da una parete inizialmente coperta di mattoni, uno per

Dettagli

Algebra Booleana ed Espressioni Booleane

Algebra Booleana ed Espressioni Booleane Algebra Booleana ed Espressioni Booleane Che cosa è un Algebra? Dato un insieme E di elementi (qualsiasi, non necessariamente numerico) ed una o più operazioni definite sugli elementi appartenenti a tale

Dettagli

Geometria analitica di base (prima parte)

Geometria analitica di base (prima parte) SAPERE Al termine di questo capitolo, avrai appreso: come fissare un sistema di riferimento cartesiano ortogonale il significato di equazione di una retta il significato di coefficiente angolare di una

Dettagli

Verifica e Validazione (V & V) Software e difetti. Processo di V & V. Test

Verifica e Validazione (V & V) Software e difetti. Processo di V & V. Test Software e difetti Il software con difetti è un grande problema I difetti nel software sono comuni Come sappiamo che il software ha qualche difetto? Conosciamo tramite qualcosa, che non è il codice, cosa

Dettagli

Note del Corso di Modelli Biologici Discreti: Un paio di algoritmi DNA per risolvere SAT

Note del Corso di Modelli Biologici Discreti: Un paio di algoritmi DNA per risolvere SAT Note del Corso di Modelli Biologici Discreti: Un paio di algoritmi DNA per risolvere SAT Giuditta Franco Corso di Laurea in Bioinformatica - AA 2012/2013 Uno dei più grossi risultati nell informatica degli

Dettagli

Capitolo 4 Probabilità

Capitolo 4 Probabilità Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 4 Probabilità Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.

Dettagli

LE REGOLE GENERALI DI CALCOLO DELLE PROBABILITA : COME SI DIMOSTRANO CON I TRE ASSIOMI DELLA PROBABILITA?

LE REGOLE GENERALI DI CALCOLO DELLE PROBABILITA : COME SI DIMOSTRANO CON I TRE ASSIOMI DELLA PROBABILITA? INDICE (lezione17.04.07 LE REGOLE GENERALI DI CALCOLO DELLE PROBABILIA : COME SI DIMOSRANO CON I RE ASSIOMI DELLA PROBABILIA?.1 Raccordo con le regole di calcolo delle probabilità già viste nelle lezioni

Dettagli

Probabilità. Concetti fondamentali Definizione di probabilità Teoremi sulla probabilità

Probabilità. Concetti fondamentali Definizione di probabilità Teoremi sulla probabilità Probabilità Concetti fondamentali Definizione di probabilità Teoremi sulla probabilità Probabilità: indicazioni quantitative sul verificarsi di certi eventi (linguaggio comune), ad es. P di superare o

Dettagli

Ambienti più realistici. Ricerca online. Azioni non deterministiche L aspirapolvere imprevedibile. Soluzioni più complesse. Alberi di ricerca AND-OR

Ambienti più realistici. Ricerca online. Azioni non deterministiche L aspirapolvere imprevedibile. Soluzioni più complesse. Alberi di ricerca AND-OR Ambienti più realistici Ricerca online Maria Simi a.a. 2011/2012 Gli agenti risolutori di problemi classici assumono: Ambienti completamente osservabili e deterministici il piano generato può essere generato

Dettagli

La probabilità nella vita quotidiana

La probabilità nella vita quotidiana La probabilità nella vita quotidiana Introduzione elementare ai modelli probabilistici Bruno Betrò bruno.betro@mi.imati.cnr.it CNR - IMATI San Pellegrino, 6/9/2011 p. 1/31 La probabilità fa parte della

Dettagli

Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale

Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale di Francesco Maria Milizia francescomilizia@libero.it Model Checking vuol dire cercare di stabilire se una formula è vera

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

Università degli Studi di Napoli Federico II. Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica

Università degli Studi di Napoli Federico II. Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Università degli Studi di Napoli Federico II Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Anno Accademico 2009/2010 Appunti di Calcolabilità e Complessità Lezione 9: Introduzione alle logiche

Dettagli

DI D AGRA R MM M I M A BLOCC C H C I TEORI R A E D D E SERC R I C ZI 1 1

DI D AGRA R MM M I M A BLOCC C H C I TEORI R A E D D E SERC R I C ZI 1 1 DIAGRAMMI A BLOCCHI TEORIA ED ESERCIZI 1 1 Il linguaggio dei diagrammi a blocchi è un possibile formalismo per la descrizione di algoritmi Il diagramma a blocchi, o flowchart, è una rappresentazione grafica

Dettagli

Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,...

Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... Entropia Motivazione Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... ) s,s 2,s 3,... ognuno dei quali appartiene ad un alfabeto A di M elementi.? Quant è l informazione portata

Dettagli

INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI

INTRODUZIONE 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.

Dettagli

Minimizzazione di Reti Logiche Combinatorie Multi-livello

Minimizzazione di Reti Logiche Combinatorie Multi-livello Minimizzazione di Reti Logiche Combinatorie Multi-livello Maurizio Palesi Maurizio Palesi 1 Introduzione Obiettivo della sintesi logica: ottimizzazione delle cifre di merito area e prestazioni Prestazioni:

Dettagli

I livelli di progettazione possono essere così schematizzati: Esistono tre tipi diversi di modelli logici: Modello gerarchico: Esempio SPECIFICHE

I livelli di progettazione possono essere così schematizzati: Esistono tre tipi diversi di modelli logici: Modello gerarchico: Esempio SPECIFICHE I DATABASE o basi di dati possono essere definiti come una collezione di dati gestita dai DBMS. Tali basi di dati devono possedere determinati requisiti, definiti come specifiche, necessarie per il processo

Dettagli

Intelligenza Artificiale (lucidi lezione introduttiva)

Intelligenza Artificiale (lucidi lezione introduttiva) Intelligenza Artificiale (lucidi lezione introduttiva) Prof. Alfonso Gerevini Dipartimento di Elettronica per l Automazione Facoltà di Ingegneria Università degli Studi di Brescia 1 Che cosa è l Intelligenza

Dettagli

SISTEMI INFORMATIVI AZIENDALI

SISTEMI INFORMATIVI AZIENDALI SISTEMI INFORMATIVI AZIENDALI Prof. Andrea Borghesan venus.unive.it/borg borg@unive.it Ricevimento: Alla fine di ogni lezione Modalità esame: scritto 1 Data Mining. Introduzione La crescente popolarità

Dettagli

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione

Dettagli

LABORATORIO di INFORMATICA

LABORATORIO di INFORMATICA Università degli Studi di Cagliari Corso di Laurea Magistrale in Ingegneria per l Ambiente ed il Territorio LABORATORIO di INFORMATICA A.A. 2010/2011 Prof. Giorgio Giacinto IL MODELLO ER PER LA PROGETTAZIONE

Dettagli

VARIABILI ALEATORIE E VALORE ATTESO

VARIABILI ALEATORIE E VALORE ATTESO VARIABILI ALEATORIE E VALORE ATTESO Variabili aleatorie Variabili discrete e continue Coppie e vettori di variabili aleatorie Valore atteso Proprietà del valore atteso Varianza Covarianza e varianza della

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Introduzione ai Sistemi Esperti. Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, 2 56126 PISA

Introduzione ai Sistemi Esperti. Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, 2 56126 PISA Introduzione ai Sistemi Esperti Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, 2 56126 PISA SISTEMI ESPERTI ARCHITETTURA TIPICA DI UN SE Un sistema esperto (SE)

Dettagli

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili:

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili: Incertezze di misura Argomenti: classificazione delle incertezze; definizione di incertezza tipo e schemi di calcolo; schemi per il calcolo dell incertezza di grandezze combinate; confronto di misure affette

Dettagli

Reti sequenziali e strutturazione firmware

Reti sequenziali e strutturazione firmware Architettura degli Elaboratori, a.a. 25-6 Reti sequenziali e strutturazione firmware Alla parte di corso sulle reti sequenziali è apportata una sensibile semplificazione rispetto a quanto contenuto nel

Dettagli

Corso di Esercitazioni di Programmazione

Corso di Esercitazioni di Programmazione Corso di Esercitazioni di Programmazione Introduzione Dott.ssa Sabina Rossi Informazioni Pagina web del corso: News Orari Mailing list Lezioni Esercitazioni Date esami Risultati esami.. http://www.dsi.unive.it/~prog1

Dettagli

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag.

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag. SOMMARIO CAPITOLO : I RADICALI. I radicali pag.. I radicali aritmetici pag.. Moltiplicazione e divisione fra radicali aritmetici pag.. Potenza di un radicale aritmetico pag.. Trasporto di un fattore esterno

Dettagli

Ipotesi scientifiche ed evidenze osservative

Ipotesi scientifiche ed evidenze osservative Temi filosofici dell ingegneria e della scienza /Informatica B[1] Politecnico di Milano, II Facoltà di ingegneria, a.a. 2009-10 Ipotesi scientifiche ed evidenze osservative Viola Schiaffonati Dipartimento

Dettagli

FONDAMENTI di INFORMATICA Prof. Lorenzo Mezzalira

FONDAMENTI di INFORMATICA Prof. Lorenzo Mezzalira FONDAMENTI di INFORMATICA Prof. Lorenzo Mezzalira Appunti del corso 1 Introduzione all informatica: algoritmi, linguaggi e programmi Indice 1. Introduzione 2. Risoluzione automatica di problemi - Algoritmi

Dettagli

Appunti di Logica Matematica

Appunti di Logica Matematica Appunti di Logica Matematica Francesco Bottacin 1 Logica Proposizionale Una proposizione è un affermazione che esprime un valore di verità, cioè una affermazione che è VERA oppure FALSA. Ad esempio: 5

Dettagli

Sistema di Gestione di Basi di Dati DataBase Management System DBMS

Sistema di Gestione di Basi di Dati DataBase Management System DBMS Base di dati (accezione generica) collezione di dati, utilizzati per rappresentare le informazioni di interesse per una o più applicazioni di una organizzazione (accezione specifica) collezione di dati

Dettagli

Elementi di semantica denotazionale ed operazionale

Elementi di semantica denotazionale ed operazionale Elementi di semantica denotazionale ed operazionale 1 Contenuti! sintassi astratta e domini sintattici " un frammento di linguaggio imperativo! semantica denotazionale " domini semantici: valori e stato

Dettagli

Rappresentazione grafica di entità e attributi

Rappresentazione grafica di entità e attributi PROGETTAZIONE CONCETTUALE La progettazione concettuale, ha il compito di costruire e definire una rappresentazione corretta e completa della realtà di interesse, e il prodotto di tale attività, è lo schema

Dettagli

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 7 - Pag. 1. Capitolo 7. Probabilità, verosimiglianze e teorema di Bayes.

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 7 - Pag. 1. Capitolo 7. Probabilità, verosimiglianze e teorema di Bayes. Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 7 - Pag. 1 Capitolo 7. Probabilità, verosimiglianze e teorema di Bayes. Probabilità, verosimiglianza e teorema di Bayes Se A e B sono

Dettagli

Il software: natura e qualità

Il software: natura e qualità Sommario Il software: natura e qualità Leggere Cap. 2 Ghezzi et al. Natura e peculiarità del software Classificazione delle qualità del software Qualità del prodotto e del processo Qualità interne ed esterne

Dettagli

1. Considerazioni generali

1. Considerazioni generali 1. Considerazioni generali Modelli di shop scheduling In molti ambienti produttivi l esecuzione di un job richiede l esecuzione non simultanea di un certo numero di operazioni su macchine dedicate. Ogni

Dettagli

Fondamenti di Informatica 7. Linguaggi di programmazione

Fondamenti di Informatica 7. Linguaggi di programmazione I linguaggi di alto livello Fondamenti di Informatica 7. Linguaggi di programmazione Introduzione alla programmazione Caratteristiche dei linguaggi di programmazione I linguaggi di programmazione di alto

Dettagli

Algoritmi e Strutture Dati

Algoritmi e Strutture Dati schifano@fe.infn.it Laurea di Informatica - Università di Ferrara 2011-2012 [1] Strutture dati Dinamiche: Le liste Una lista è una sequenza di elementi di un certo tipo in cui è possibile aggiungere e/o

Dettagli

terminologici, Frames con sintassi Web (XML, RDF, OWL, RuleML). Seminario su questo tema

terminologici, Frames con sintassi Web (XML, RDF, OWL, RuleML). Seminario su questo tema Possibili Approfondimenti Ontologie e Web semantico. Protégé é (ontologie) RuleML (regole) Sistemi Esperti (area applicativa, varie applicazioni). Tool Kappa-PC o Open Sources 1 Ontologie e Web Semantico

Dettagli

x u v(p(x, fx) q(u, v)), e poi

x 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

Dettagli

Appunti di LOGICA MATEMATICA (a.a.2009-2010; A.Ursini) Algebre di Boole. 1. Definizione e proprietá

Appunti di LOGICA MATEMATICA (a.a.2009-2010; A.Ursini) Algebre di Boole. 1. Definizione e proprietá Appunti di LOGICA MATEMATICA (a.a.2009-2010; A.Ursini) [# Aii [10 pagine]] Algebre di Boole Un algebra di Boole è una struttura 1. Definizione e proprietá B =< B,,, ν, 0, 1 > in cui B è un insieme non

Dettagli

1. L analisi statistica

1. L analisi statistica 1. L analisi statistica Di cosa parleremo La statistica è una scienza, strumentale ad altre, concernente la determinazione dei metodi scientifici da seguire per raccogliere, elaborare e valutare i dati

Dettagli

AREA MATEMATICO-SCIENTIFICO-TECNOLOGICA MATEMATICA

AREA MATEMATICO-SCIENTIFICO-TECNOLOGICA MATEMATICA AREA MATEMATICO-SCIENTIFICO-TECNOLOGICA MATEMATICA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA SECONDARIA DI PRIMO GRADO. L alunno ha rafforzato un atteggiamento positivo rispetto

Dettagli

Percorsi di matematica per il ripasso e il recupero

Percorsi di matematica per il ripasso e il recupero Giacomo Pagina Giovanna Patri Percorsi di matematica per il ripasso e il recupero 2 per la Scuola secondaria di secondo grado UNITÀ CAMPIONE Edizioni del Quadrifoglio à t i n U 1 Sistemi di primo grado

Dettagli

APPLICAZIONI LINEARI. B si definisce surriettiva. 9 quando ogni elemento di. B risulta IMMAGINE di. almeno un elemento di A.

APPLICAZIONI LINEARI. B si definisce surriettiva. 9 quando ogni elemento di. B risulta IMMAGINE di. almeno un elemento di A. APPLICAZIONI LINEARI Siano V e W due spazi vettoriali, di dimensione m ed n sullo stesso campo di scalari R. Una APPLICAZIONE ƒ : V W viene definita APPLICAZIONE LINEARE od OMOMORFISMO se risulta, per

Dettagli

Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo

Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo L. De Giovanni G. Zambelli 1 Problema del flusso a costo minimo Il problema del flusso a costo minimo é definito

Dettagli

Interpretazione astratta

Interpretazione astratta Interpretazione astratta By Giulia Costantini (819048) e Giuseppe Maggiore (819050) Contents Interpretazione astratta... 2 Idea generale... 2 Esempio di semantica... 2 Semantica concreta... 2 Semantica

Dettagli

MATEMATICA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE ALLA FINE DELLA SCUOLA PRIMARIA

MATEMATICA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE ALLA FINE DELLA SCUOLA PRIMARIA MATEMATICA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE ALLA FINE DELLA SCUOLA PRIMARIA L alunno si muove con sicurezza nel calcolo scritto e mentale con i numeri naturali e sa valutare l opportunità di

Dettagli

70555 Informatica 3 70777 Sicurezza 2. 70555 Mario Rossi 70777 Anna Bianchi. Esempio istanza:

70555 Informatica 3 70777 Sicurezza 2. 70555 Mario Rossi 70777 Anna Bianchi. Esempio istanza: DOMANDE 1) Definire i concetti di schema e istanza di una base di dati, fornendo anche un esempio. Si definisce schema di una base di dati, quella parte della base di dati stessa che resta sostanzialmente

Dettagli

Rappresentazione e Memorizzazione dei Dati

Rappresentazione e Memorizzazione dei Dati Rappresentazione e Memorizzazione dei Dati Giuseppe Nicosia CdL in Matematica (Laurea Triennale) Facoltà di Scienze MM.FF.NN. Università di Catania Bit e loro Memorizzazione Definizioni Algoritmo: una

Dettagli

Breve introduzione al Calcolo Evoluzionistico

Breve introduzione al Calcolo Evoluzionistico Breve introduzione al Calcolo Evoluzionistico Stefano Cagnoni Dipartimento di Ingegneria dell Informazione, Università di Parma cagnoni@ce.unipr.it 1 Introduzione Il mondo fisico ed i fenomeni naturali

Dettagli

Modello probabilistico di un esperimento aleatorio. Psicometria 1 - Lezione 6 Lucidi presentati a lezione AA 2000/2001 dott.

Modello probabilistico di un esperimento aleatorio. Psicometria 1 - Lezione 6 Lucidi presentati a lezione AA 2000/2001 dott. Modello probabilistico di un esperimento aleatorio Psicometria 1 - Lezione 6 Lucidi presentati a lezione AA 2000/2001 dott. Corrado Caudek 1 Un esperimento è il processo attraverso il quale un osservazione

Dettagli

LOGICA PER LA PROGRAMMAZIONE. Franco Turini turini@di.unipi.it

LOGICA PER LA PROGRAMMAZIONE. Franco Turini turini@di.unipi.it LOGICA PER LA PROGRAMMAZIONE Franco Turini turini@di.unipi.it IPSE DIXIT Si consideri la frase: in un dato campione di pazienti, chi ha fatto uso di droghe pesanti ha utilizzato anche droghe leggere. Quali

Dettagli

2 Progetto e realizzazione di funzioni ricorsive

2 Progetto e realizzazione di funzioni ricorsive 2 Progetto e realizzazione di funzioni ricorsive Il procedimento costruttivo dato dal teorema di ricorsione suggerisce due fatti importanti. Una buona definizione ricorsiva deve essere tale da garantire

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

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1.

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1. Capitolo 6 Integrali curvilinei In questo capitolo definiamo i concetti di integrali di campi scalari o vettoriali lungo curve. Abbiamo bisogno di precisare le curve e gli insiemi che verranno presi in

Dettagli

Competenza chiave europea: MATEMATICA. Scuola Primaria. DISCIPLINE DI RIFERIMENTO: MATEMATICA DISCIPLINE CONCORRENTI: tutte

Competenza chiave europea: MATEMATICA. Scuola Primaria. DISCIPLINE DI RIFERIMENTO: MATEMATICA DISCIPLINE CONCORRENTI: tutte Competenza chiave europea: MATEMATICA Scuola Primaria DISCIPLINE DI RIFERIMENTO: MATEMATICA DISCIPLINE CONCORRENTI: tutte TAB. A TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE al termine della Scuola Primaria

Dettagli

Analisi matriciale delle reti di Petri (P/T) - sifoni e trappole -

Analisi matriciale delle reti di Petri (P/T) - sifoni e trappole - Analisi matriciale delle reti di Petri (P/T) - sifoni e trappole - - richiami preliminari sulle proprietà strutturali - Abbiamo visto che alcune caratteristiche dei sistemi dinamici (DES compresi) non

Dettagli

Laboratorio di dinamiche socio-economiche

Laboratorio di dinamiche socio-economiche Dipartimento di Matematica Università di Ferrara giacomo.albi@unife.it www.giacomoalbi.com 21 febbraio 2012 Seconda parte: Econofisica La probabilità e la statistica come strumento di analisi. Apparenti

Dettagli

Algebra booleana. Si dice enunciato una proposizione che può essere soltanto vera o falsa.

Algebra 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

Dettagli

Rischi 1. Definizione di rischio nello sviluppo del software Analisi dei rischi Gestione dei rischi

Rischi 1. Definizione di rischio nello sviluppo del software Analisi dei rischi Gestione dei rischi Rischi 1 Definizione di rischio nello sviluppo del software Analisi dei rischi Gestione dei rischi Un ingegnere del software viene coinvolto direttamente nel processo di identificazione delle aree potenziali

Dettagli

ASIMMETRIE INFORMATIVE. (Cap. 34 di Hey) Eppure si tratta di elementi piuttosto diffusi nella realtà di tutti i giorni:

ASIMMETRIE INFORMATIVE. (Cap. 34 di Hey) Eppure si tratta di elementi piuttosto diffusi nella realtà di tutti i giorni: ASIMMETRIE INFORMATIVE (Cap. 34 di Hey) Tener conto delle asimmetrie informative consente di evidenziare alcuni importanti elementi che la teoria standard - assumendo informazione completa e simmetrica

Dettagli

Testing: basato su analisi dinamica del codice. Metodi Formali: basato su analisi statica del codice.

Testing: basato su analisi dinamica del codice. Metodi Formali: basato su analisi statica del codice. Convalida: attività volta ad assicurare che il SW sia conforme ai requisiti dell utente. Verifica: attività volta ad assicurare che il SW sia conforme alle specifiche dell analista. Goal: determinare malfunzionamenti/anomalie/errori

Dettagli

((e ita e itb )h(t)/it)dt. z k p(dz) + r n (t),

((e ita e itb )h(t)/it)dt. z k p(dz) + r n (t), SINTESI. Una classe importante di problemi probabilistici e statistici é quella della stima di caratteristiche relative ad un certo processo aleatorio. Esistono svariate tecniche di stima dei parametri

Dettagli