ANALISI STATISTICA DEI DATI

Scheda dell'insegnamento

Anno accademico di regolamento: 
2017/2018
Anno di corso: 
1
Anno accademico di erogazione: 
2017/2018
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)

Contatti/Altre informazioni

Sul sito web http://fisica.mib.infn.it è possibile trovare le informazioni sul CV del docente, il numero di telefono dello studio, la sede universitaria o di lavoro, l’orario di ricevimento studenti e l’indirizzo e-mail.