I Sistemi Esperti. L approccio probabilistico. Intelligenza Artificiale - Ragionamento 2
|
|
- Paolo Valenti
- 8 anni fa
- Visualizzazioni
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 ),,, ( ),,, ( ),, ( ),,, ( ),, (
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
DettagliOSSERVAZIONI TEORICHE Lezione n. 4
OSSERVAZIONI TEORICHE Lezione n. 4 Finalità: Sistematizzare concetti e definizioni. Verificare l apprendimento. Metodo: Lettura delle OSSERVAZIONI e risoluzione della scheda di verifica delle conoscenze
DettagliSommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi.
Algoritmi 1 Sommario Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. 2 Informatica Nome Informatica=informazione+automatica. Definizione Scienza che si occupa dell
DettagliAPPUNTI 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....................................
DettagliLE 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
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
Dettagli1. PRIME PROPRIETÀ 2
RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,
DettagliVerifica di ipotesi e intervalli di confidenza nella regressione multipla
Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2014 Rossi MRLM Econometria - 2014 1 / 23 Sommario Variabili di controllo
DettagliReti sequenziali sincrone
Reti sequenziali sincrone Un approccio strutturato (7.1-7.3, 7.5-7.6) Modelli di reti sincrone Analisi di reti sincrone Descrizioni e sintesi di reti sequenziali sincrone Sintesi con flip-flop D, DE, T
DettagliCalcolatori: Algebra Booleana e Reti Logiche
Calcolatori: Algebra Booleana e Reti Logiche 1 Algebra Booleana e Variabili Logiche I fondamenti dell Algebra Booleana (o Algebra di Boole) furono delineati dal matematico George Boole, in un lavoro pubblicato
DettagliFasi di creazione di un programma
Fasi di creazione di un programma 1. Studio Preliminare 2. Analisi del Sistema 6. Manutenzione e Test 3. Progettazione 5. Implementazione 4. Sviluppo 41 Sviluppo di programmi Per la costruzione di un programma
DettagliTest statistici di verifica di ipotesi
Test e verifica di ipotesi Test e verifica di ipotesi Il test delle ipotesi consente di verificare se, e quanto, una determinata ipotesi (di carattere biologico, medico, economico,...) è supportata dall
DettagliINTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI
INTRODUZIONE AGLI ALGORITMI Prima di riuscire a scrivere un programma, abbiamo bisogno di conoscere un metodo risolutivo, cioè un metodo che a partire dai dati di ingresso fornisce i risultati attesi.
DettagliCAPITOLO 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
Dettagli4 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
DettagliDatabase. Si ringrazia Marco Bertini per le slides
Database Si ringrazia Marco Bertini per le slides Obiettivo Concetti base dati e informazioni cos è un database terminologia Modelli organizzativi flat file database relazionali Principi e linee guida
DettagliStatistica 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
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliCapitolo 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.
DettagliALGEBRA DELLE PROPOSIZIONI
Università di Salerno Fondamenti di Informatica Corso di Laurea Ingegneria Corso B Docente: Ing. Giovanni Secondulfo Anno Accademico 2010-2011 ALGEBRA DELLE PROPOSIZIONI Fondamenti di Informatica Algebra
DettagliPROGETTO 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
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
DettagliRichiami 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
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliProof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme
G Pareschi Principio di induzione Il Principio di Induzione (che dovreste anche avere incontrato nel Corso di Analisi I) consente di dimostrare Proposizioni il cui enunciato è in funzione di un numero
DettagliMODELLO RELAZIONALE. Introduzione
MODELLO RELAZIONALE Introduzione E' stato proposto agli inizi degli anni 70 da Codd finalizzato alla realizzazione dell indipendenza dei dati, unisce concetti derivati dalla teoria degli insiemi (relazioni)
DettagliAlgebra 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
DettagliProbabilità 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
DettagliPROCESSO DI INDICIZZAZIONE SEMANTICA
PROCESSO DI INDICIZZAZIONE SEMANTICA INDIVIDUAZIONE DEI TEMI/CONCETTI SELEZIONE DEI TEMI/CONCETTI ESPRESSIONE DEI CONCETTI NEL LINGUAGGIO DI INDICIZZAZIONE TIPI DI INDICIZZAZIONE SOMMARIZZAZIONE INDICIZZAZIONE
DettagliCalcolo delle probabilità
Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità
Dettagli4 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
DettagliRappresentazione 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
DettagliProgramma del Corso. Dati e DBMS SQL. Progettazione di una. Normalizzazione
Programma del Corso Dati e DBMS DBMS relazionali SQL Progettazione di una base di dati Normalizzazione (I prova scritta) (II prova scritta) Interazione fra linguaggi di programmazione e basi di dati Cenni
DettagliStatistica 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:
Dettagli1 Giochi a due, con informazione perfetta e somma zero
1 Giochi a due, con informazione perfetta e somma zero Nel gioco del Nim, se semplificato all estremo, ci sono due giocatori I, II e una pila di 6 pedine identiche In ogni turno di gioco I rimuove una
DettagliOrganizzazione degli archivi
COSA E UN DATA-BASE (DB)? è l insieme di dati relativo ad un sistema informativo COSA CARATTERIZZA UN DB? la struttura dei dati le relazioni fra i dati I REQUISITI DI UN DB SONO: la ridondanza minima i
DettagliRaffinamento 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:
DettagliLezioni di Matematica 1 - I modulo
Lezioni di Matematica 1 - I modulo Luciano Battaia 16 ottobre 2008 Luciano Battaia - http://www.batmath.it Matematica 1 - I modulo. Lezione del 16/10/2008 1 / 13 L introduzione dei numeri reali si può
DettagliPROBABILITA. 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
DettagliAncora su diagnosi. Lezione 9 giugno. Conoscenza incompleta e senso comune. Frameworks per il ragionamento basato su assunzioni
Ancora su diagnosi Lezione 9 giugno Ancora su diagnosi Conoscenza incompleta, senso comune e ragionamento basato su assunzioni Cenni su pianificazione Abbiamo accennato alla diagnosi di guasti. Occorre
Dettagli1. 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
DettagliCapitolo 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:
DettagliIniziamo 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
DettagliEsercitazione di Basi di Dati
Esercitazione di Basi di Dati Corso di Fondamenti di Informatica 6 Maggio 2004 Come costruire una ontologia Marco Pennacchiotti pennacchiotti@info.uniroma2.it Tel. 0672597334 Ing.dell Informazione, stanza
DettagliPolitecnico di Milano Facoltà di Ingegneria dell Informazione AGENTI AUTONOMI E SISTEMI MULTIAGENTE Appello COGNOME E NOME
Politecnico di Milano Facoltà di Ingegneria dell Informazione AGENTI AUTONOMI E SISTEMI MULTIAGENTE Appello COGNOME E NOME 5 luglio 2006 RIGA COLONNA MATRICOLA Il presente plico pinzato, composto di quattro
DettagliSemantica Assiomatica
Semantica Assiomatica Anche nella semantica assiomatica, così come in quella operazionale, il significato associato ad un comando C viene definito specificando la transizione tra stati (a partire, cioè,
DettagliGeneralmente 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
DettagliSISTEMI INFORMATIVI AVANZATI -2010/2011 1. Introduzione
SISTEMI INFORMATIVI AVANZATI -2010/2011 1 Introduzione In queste dispense, dopo aver riportato una sintesi del concetto di Dipendenza Funzionale e di Normalizzazione estratti dal libro Progetto di Basi
Dettagli(anno accademico 2008-09)
Calcolo relazionale Prof Alberto Belussi Prof. Alberto Belussi (anno accademico 2008-09) Calcolo relazionale E un linguaggio di interrogazione o e dichiarativo: at specifica le proprietà del risultato
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliCorrispondenze e funzioni
Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei
DettagliAutomazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it
Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione
DettagliAppunti di informatica. Lezione 2 anno accademico 2015-2016 Mario Verdicchio
Appunti di informatica Lezione 2 anno accademico 2015-2016 Mario Verdicchio Sistema binario e logica C è un legame tra i numeri binari (0,1) e la logica, ossia la disciplina che si occupa del ragionamento
DettagliStefania Marrara - Esercitazioni di Tecnologie dei Sistemi Informativi. Integrazione di dati di sorgenti diverse
Politecnico di Milano View integration 1 Integrazione di dati di sorgenti diverse Al giorno d oggi d la mole di informazioni che viene gestita in molti contesti applicativi è enorme. In alcuni casi le
DettagliEquilibrio bayesiano perfetto. Giochi di segnalazione
Equilibrio bayesiano perfetto. Giochi di segnalazione Appunti a cura di Stefano Moretti, Silvia VILLA e Fioravante PATRONE versione del 26 maggio 2006 Indice 1 Equilibrio bayesiano perfetto 2 2 Giochi
DettagliLaboratorio di Pedagogia Sperimentale. Indice
INSEGNAMENTO DI LABORATORIO DI PEDAGOGIA SPERIMENTALE LEZIONE III INTRODUZIONE ALLA RICERCA SPERIMENTALE (PARTE III) PROF. VINCENZO BONAZZA Indice 1 L ipotesi -----------------------------------------------------------
DettagliProgettazione di Basi di Dati
Progettazione di Basi di Dati Prof. Nicoletta D Alpaos & Prof. Andrea Borghesan Entità-Relazione Progettazione Logica 2 E il modo attraverso il quale i dati sono rappresentati : fa riferimento al modello
DettagliAppunti sulla Macchina di Turing. Macchina di Turing
Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso
DettagliSoluzione dell esercizio del 2 Febbraio 2004
Soluzione dell esercizio del 2 Febbraio 2004 1. Casi d uso I casi d uso sono riportati in Figura 1. Figura 1: Diagramma dei casi d uso. E evidenziato un sotto caso di uso. 2. Modello concettuale Osserviamo
DettagliLa teoria dell utilità attesa
La teoria dell utilità attesa 1 La teoria dell utilità attesa In un contesto di certezza esiste un legame biunivoco tra azioni e conseguenze: ad ogni azione corrisponde una e una sola conseguenza, e viceversa.
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
DettagliA intervalli regolari ogni router manda la sua tabella a tutti i vicini, e riceve quelle dei vicini.
Algoritmi di routing dinamici (pag.89) UdA2_L5 Nelle moderne reti si usano algoritmi dinamici, che si adattano automaticamente ai cambiamenti della rete. Questi algoritmi non sono eseguiti solo all'avvio
Dettagli1 Serie di Taylor di una funzione
Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita
DettagliLA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ
LA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ In questa Appendice mostreremo come trovare la tariffa in due parti che massimizza i profitti di Clearvoice,
DettagliSiamo 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
DettagliAlcune nozioni di base di Logica Matematica
Alcune nozioni di base di Logica Matematica Ad uso del corsi di Programmazione I e II Nicola Galesi Dipartimento di Informatica Sapienza Universitá Roma November 1, 2007 Questa é una breve raccolta di
Dettaglix u v(p(x, fx) q(u, v)), e poi
0.1. Skolemizzazione. Ogni enunciato F (o insieme di enunciati Γ) è equisoddisfacibile ad un enunciato universale (o insieme di enunciati universali) in un linguaggio estensione del linguaggio di F (di
DettagliIntroduzione alla teoria dei database relazionali. Come progettare un database
Introduzione alla teoria dei database relazionali Come progettare un database La struttura delle relazioni Dopo la prima fase di individuazione concettuale delle entità e degli attributi è necessario passare
DettagliIntelligenza Artificiale
Intelligenza Artificiale Esercizi e Domande di Esame Tecniche di Ricerca e Pianificazione Esercizi Griglia Si consideri un ambiente costituito da una griglia n n in cui si muove un agente che può spostarsi
DettagliIntroduzione all Information Retrieval
Introduzione all Information Retrieval Argomenti della lezione Definizione di Information Retrieval. Information Retrieval vs Data Retrieval. Indicizzazione di collezioni e ricerca. Modelli per Information
DettagliIndice generale. OOA Analisi Orientata agli Oggetti. Introduzione. Analisi
Indice generale OOA Analisi Orientata agli Oggetti Introduzione Analisi Metodi d' analisi Analisi funzionale Analisi del flusso dei dati Analisi delle informazioni Analisi Orientata agli Oggetti (OOA)
Dettagli2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione
Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza
DettagliNota interpretativa. La definizione delle imprese di dimensione minori ai fini dell applicazione dei principi di revisione internazionali
Nota interpretativa La definizione delle imprese di dimensione minori ai fini dell applicazione dei principi di revisione internazionali Febbraio 2012 1 Mandato 2008-2012 Area di delega Consigliere Delegato
Dettaglicome nasce una ricerca
PSICOLOGIA SOCIALE lez. 2 RICERCA SCIENTIFICA O SENSO COMUNE? Paola Magnano paola.magnano@unikore.it ricevimento: martedì ore 10-11 c/o Studio 16, piano -1 PSICOLOGIA SOCIALE COME SCIENZA EMPIRICA le sue
DettagliOttimizazione vincolata
Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l
DettagliNote su quicksort per ASD 2010-11 (DRAFT)
Note su quicksort per ASD 010-11 (DRAFT) Nicola Rebagliati 7 dicembre 010 1 Quicksort L algoritmo di quicksort è uno degli algoritmi più veloci in pratica per il riordinamento basato su confronti. L idea
Dettagli1 Applicazioni Lineari tra Spazi Vettoriali
1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!
DettagliCorrettezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007
Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1 Dispensa 10 Correttezza A. Miola Novembre 2007 http://www.dia.uniroma3.it/~java/fondinf1/ Correttezza 1 Contenuti Introduzione alla correttezza
DettagliUn gioco con tre dadi
Un gioco con tre dadi Livello scolare: biennio Abilità interessate Costruire lo spazio degli eventi in casi semplici e determinarne la cardinalità. Valutare la probabilità in diversi contesti problematici.
DettagliDall italiano al linguaggio della logica proposizionale
Dall italiano al linguaggio della logica proposizionale Dall italiano al linguaggio della logica proposizionale Enunciati atomici e congiunzione In questa lezione e nelle successive, vedremo come fare
DettagliErrori più comuni. nelle prove scritte
Errori più comuni nelle prove scritte Gli errori più frequenti, e reiterati da chi sostiene diverse prove, sono innanzi tutto meta-errori, cioè errori che non riguardano tanto l applicazione delle tecniche,
DettagliDatabase 1 biblioteca universitaria. Testo del quesito
Database 1 biblioteca universitaria Testo del quesito Una biblioteca universitaria acquista testi didattici su indicazione dei professori e cura il prestito dei testi agli studenti. La biblioteca vuole
DettagliUso di base delle funzioni in Microsoft Excel
Uso di base delle funzioni in Microsoft Excel Le funzioni Una funzione è un operatore che applicato a uno o più argomenti (valori, siano essi numeri con virgola, numeri interi, stringhe di caratteri) restituisce
DettagliOperatori logici e porte logiche
Operatori logici e porte logiche Operatori unari.......................................... 730 Connettivo AND........................................ 730 Connettivo OR..........................................
DettagliDI 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
DettagliVerifica parte IIA. Test (o analisi dinamica) Mancanza di continuità. Esempio
Test (o analisi dinamica) Verifica parte IIA Rif. Ghezzi et al. 6.3-6.3.3 Consiste nell osservare il comportamento del sistema in un certo numero di condizioni significative Non può (in generale) essere
DettagliProcesso 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
DettagliTECNICHE 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
DettagliScheduling della CPU. Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux
Scheduling della CPU Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux Sistemi multiprocessori Fin qui si sono trattati i problemi di scheduling su singola
DettagliMacchine a stati finiti G. MARSELLA UNIVERSITÀ DEL SALENTO
Macchine a stati finiti 1 G. MARSELLA UNIVERSITÀ DEL SALENTO Introduzione Al più alto livello di astrazione il progetto logico impiega un modello, la cosiddetta macchina a stati finiti, per descrivere
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
DettagliIl sapere tende oggi a caratterizzarsi non più come un insieme di contenuti ma come un insieme di metodi e di strategie per risolvere problemi.
E. Calabrese: Fondamenti di Informatica Problemi-1 Il sapere tende oggi a caratterizzarsi non più come un insieme di contenuti ma come un insieme di metodi e di strategie per risolvere problemi. L'informatica
DettagliTipologie 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
DettagliAlgoritmo. I dati su cui opera un'istruzione sono forniti all'algoritmo dall'esterno oppure sono il risultato di istruzioni eseguite precedentemente.
Algoritmo Formalmente, per algoritmo si intende una successione finita di passi o istruzioni che definiscono le operazioni da eseguire su dei dati (=istanza del problema): in generale un algoritmo è definito
DettagliI Problemi e la loro Soluzione. Il Concetto Intuitivo di Calcolatore. Risoluzione di un Problema. Esempio
Il Concetto Intuitivo di Calcolatore Fondamenti di Informatica A Ingegneria Gestionale Università degli Studi di Brescia Docente: Prof. Alfonso Gerevini I Problemi e la loro Soluzione Problema: classe
DettagliCapitolo 13. Interrogare una base di dati
Capitolo 13 Interrogare una base di dati Il database fisico La ridondanza è una cosa molto, molto, molto brutta Non si devono mai replicare informazioni scrivendole in più posti diversi nel database Per
DettagliCorso 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
DettagliGHPPEditor è un software realizzato per produrre in modo rapido e guidato un part program per controlli numerici Heidenhain.
*+33(GLWRU GHPPEditor è un software realizzato per produrre in modo rapido e guidato un part program per controlli numerici Heidenhain. Il programma si basa su un architettura di tasti funzionali presenti
Dettagli