diff --git a/.obsidian/workspace.json b/.obsidian/workspace.json
index 9d99289..fda4f17 100644
--- a/.obsidian/workspace.json
+++ b/.obsidian/workspace.json
@@ -191,7 +191,7 @@
       "companion:Toggle completion": false
     }
   },
-  "active": "0d5325c0f9289cea",
+  "active": "029fd45331b34705",
   "lastOpenFiles": [
     "Foundation of data science/notes/7 Autoencoders.md",
     "Foundation of data science/notes/8 Variational Autoencoders.md",
diff --git a/Foundation of data science/notes/8 Variational Autoencoders.md b/Foundation of data science/notes/8 Variational Autoencoders.md
index 738f1b4..f319fba 100644
--- a/Foundation of data science/notes/8 Variational Autoencoders.md	
+++ b/Foundation of data science/notes/8 Variational Autoencoders.md	
@@ -46,7 +46,7 @@ La seconda parte viene usata come termine di penalizzazione: penalizza il modell
 #### Backpropagation
 Il problema resta che ok, possiamo calcolare la loss, ma possiamo anche fare la backpropagation?
 Dovremmo poter derivare la loss (quindi l'ELBO nel nostro caso), si può? No.
-Perché non si può derivare? Non lo so, erano più di due pagine per calcolare una derivata e ho scelto un CdL in computer science, mica in matematica, però fidatevi, l'ELBO non è derivabile per $\phi$ e quindi è impossibile calcolare il suo gradiente.
+Perché non si può derivare? Non lo so, erano più di due pagine per calcolare una derivata e ho scelto un CdL in computer science, mica in matematica, però fidatevi, l'ELBO sebbene risulta derivabile per $\theta$, non lo è però per $\phi$, quindi è impossibile calcolare il suo gradiente.
 
 Possiamo risolvere questo problema usando un trick, il **reparametrization trick**: