ANALISI STATISTICA DEI DATI

Scheda dell'insegnamento

Anno accademico di regolamento: 
2015/2016
Anno di corso: 
1
Anno accademico di erogazione: 
2015/2016
Tipo di attività: 
Obbligatorio a scelta
Lingua: 
Italiano
Crediti: 
6
Ciclo: 
Secondo Semestre
Ore di attivita' didattica: 
42
Prerequisiti: 

Nozioni di analisi matematica e linguaggi di programmazione (F77 o C/C++) .

Moduli

Metodi di valutazione

Tipo di esame: 
Orale
Modalita' di verifica dell'apprendimento: 

Esame orale

Valutazione: 
Voto Finale

Obiettivi formativi

: Introdurre le più comuni tecniche di analisi dati utilizzabili per lo svolgimento di una tesi di laurea ed una attività di ricerca

Contenuti

: Cenni sui sistemi di acquisizione dati. Introduzione al concetto di segnale e suo trattamento.
Richiami di tecniche di calcolo numerico. Richiami di calcolo delle probabilità e statistica. Cenni di statistica descrittiva. Tests statistici e stima di parametri. Introduzione ai metodi Monte Carlo. Livelli di confidenza. Metodi di unfolding e filtraggio dei dati. Introduzione alle neural nets.

Programma esteso

Cenni sui sistemi di acquisizione dati. Introduzione al concetto di segnale e suo trattamento.
Richiami di calcolo numerico: aritmetica finita su un calcolatore, stabilità degli algoritmi, contenimento degli errori di calcolo. Tecniche di interpolazione, splines, ricerca di estremi di funzioni, smoothing di funzioni.
Richiami di calcolo delle probabilità e statistica: concetti fondamentali, teorema di Bayes, pdf notevoli, funzioni caratteristiche, propagazione degli errori multidimensionale ed errori sistematici.
Cenni di statistica descrittiva.
Tests statistici e stima di parametri: test di ipotesi, lemma di Neyman – Pearson, statistiche lineari e funzione discriminante di Fisher , tecniche per la stima di parametri (maximum likelihood, chi2, momenti).
Introduzione ai metodi Monte Carlo: metodo Monte Carlo, calcolo di integrali, generatori di numeri casuali, applicazioni ed esempi.
Livelli di confidenza: intervalli di confidenza classici, esempi, caso multidimensionale.
Metodi di unfolding e filtraggio dei dati: il problema dell' unfolding, tecniche di regolarizzazione, esempi.
Introduzione alle neural nets: il modello di Hopfield, il perceptrone , le NN multilayers, esempi applicativi.

Bibliografia consigliata

W. H. Press et al. ``Numerical Recipes'', Cambridge University Press
S. Brandt ``Statistical and Computational Methods in Data Analysis '', North Holland
R. Barlow ``Statistics: A guide to the use of Statistical Methods in the Physical Science'', J. Wiley
Hetrz, A. Krogh. R.G. Palmer ``Introduction to the Theory of Neural Computation '', Addison Wesley
D. Yevick ``A first course in computational Physics and Object-Oriented Programming in C++'', Cambridge
University Press

Modalità di erogazione

Convenzionale

Metodi didattici

Lezione frontale (6 CFU)