Università degli Studi di Urbino Carlo Bo / Portale Web di Ateneo


ELABORAZIONE DEI DATI SPERIMENTALI
EXPERIMENTAL DATA PROCESSING

A.A. CFU
2021/2022 9
Docente Email Ricevimento studentesse e studenti
Gianluca Maria Guidi Venerdì, ore 16:00-18:00.
Didattica in lingue straniere
Insegnamento con materiali opzionali in lingua straniera Inglese
La didattica è svolta interamente in lingua italiana. I materiali di studio e l'esame possono essere in lingua straniera.

Assegnato al Corso di Studio

Informatica Applicata (LM-18)
Curriculum: PERCORSO COMUNE
Giorno Orario Aula
Giorno Orario Aula

Obiettivi Formativi

Il corso mira ad introdurre le metodologie logiche e concettuali di base per condurre i discenti ad un corretto approccio alle problematiche di analsisi dati. Gli obiettivi riguardano un corretto uso delle procedure di formalizzazione ed analisi nell'applicazione della teoria della probabilità e statistica.

Programma

Concetti fondamentali

1.1 Probabilità e variabili casuali 1.2 Interpretazione della probabilità 1.3 Funzioni di densità di probabilità 1.4 Funzioni delle variabili casuali 1.5 Valori di aspettativa 1.6 Propagazione dell'errore

2 Esempi di funzioni di probabilità

2.1 Distribuzioni binomiali e multinomiali 2.2 Distribuzione di Poisson 2.3 Distribuzione uniforme 2.4 Disfribuzione esponenziale 2.5 Distribuzione gaussiana 32 2.6 Distribuzione chi-quadrato

3 Il metodo Monte Carlo

3.1 Numeri casuali uniformemente distribuiti 3.2 Il metodo di trasformazione 3.3 Il metodo di accettazione-rifiuto 3.4 Applicazioni del metodo Monte Carlo

4 Test statistici

4.1 Ipotesi, statistiche del test, livello di significatività, potenza 4.2 Un esempio con la selezione delle particelle 4.3 Scelta della regione critica utilizzando il lemma di Neyman-Pearson 4.4 Costruire una statistica del test 4.5 Test di bontà di adattamento 4.6 Pearson ' s test chi2

5 Concetti generali di stima dei parametri

5.1 Campioni, stimatori, bias 5.2 Stimatori per media, varianza, covarianza

6 Il metodo della massima verosimiglianza

6.1 Stimatori ML 6.2 Esempio di uno stimatore ML: una distribuzione esponenziale 6.3 Esempio di stimatori ML 6.4 Varianza degli stimatori ML: metodo analitico 6.5 Varianza degli stimatori ML: metodo Monte Carlo 6.6 Varianza degli stimatori ML: il limite RCF 6.7 Varianza degli stimatori ML: metodo grafico 6.8 Verifica della bontà di adattamento con la massima verosimiglianza 6.9 Combinazione di misure con la massima verosimiglianza

7 Il metodo dei minimi quadrati

7.1 Connessione con la massima verosimiglianza 7.2 Fit dei minimi quadrati lineari 7.3 Fit dei minimi quadrati di un polinomio 7.4 Verifica della bontà di adattamento con chi2 7.4 Combinazione di misurazioni con minimi quadrati

8 Errori statistici, intervalli di confidenza e limiti

8.1 La deviazione standard come errore statistico 8.2 Intervalli di confidenza classici (metodo esatto) 8.3 Intervallo di confidenza per uno stimatore distribuito gaussiano

9. Analisi delle serie temporali

9.1 Processi casuali temporali 9.2 Relazione con la probabilità 9.3 Funzioni di correlazione di insieme 9.4 Medie temporali 9.5 Trasformata di Fourier, trasformata di Fourier discreta Frequenza di Nyquist e teorema di campionamento 9.6 Densità spettrale di potenza e sua stima 9.7 Risposta di filtri lineari, teorema di convoluzione, aliasing e finestra PSD, correlazione e autocorrelazione

10. Rilevazione di segnali noti

10.1 Rumore additivo e gaussiano 10.2 Rapporto segnale/rumore (SNR) 10.3 Filtro abbinato nel dominio del tempo e della frequenza

Eventuali Propedeuticità

Non ci sono propedeuticità.

Risultati di Apprendimento (Descrittori di Dublino)

Conoscenza e capacità di comprensione: lo studente dovrà conoscere i concetti fondamentali della teoria della probabilità ed essere capace di individuare le metodologie statistiche appropiate nell'analisi dei dati sperimentali.
Conoscenza e capacità di comprensione applicate: lo studente dovrà essere in grado di applicare i metodi studiati a problemi reali fornendo una corretta descrizione statistica dei dati sperimentali ed interpretandone i risultati in maniera corretta.
Autonomia di giudizio: lo studente dovrà essere in grado di valutare autonomamente la plausibilità del risultato di un'analisi, sia attraverso il confronto tra diversi possibili approcci, sia mediante considerazioni analogiche e di buon senso scientifico.
Abilità comunicative: lo studente dovrà acquisire un linguaggio scientifico corretto e la capacità di spiegare le caratteristiche statistiche dei dati analizzati. 
Capacità di apprendere: lo studente sarà in grado di approfondire concetti specifici, non presentati durante il corso, su testi scientifici.

Materiale Didattico

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Attività di Supporto

Non ci sono attività di supporto.


Modalità Didattiche, Obblighi, Testi di Studio e Modalità di Accertamento

Modalità didattiche

Lezioni frontali ed esercitazioni in aula.

Obblighi

La frequenza è fortemente consigliata.

Testi di studio

Statistical Data Analysis - Glen Cowan - Oxford University Press

Modalità di
accertamento

Elaborato scritto: risoluzione di problemi di probabilità e statistica. 

Interrogazione orale: domande su tutto il programma svolto.

Disabilità e DSA

Le studentesse e gli studenti che hanno registrato la certificazione di disabilità o la certificazione di DSA presso l'Ufficio Inclusione e diritto allo studio, possono chiedere di utilizzare le mappe concettuali (per parole chiave) durante la prova di esame.

A tal fine, è necessario inviare le mappe, due settimane prima dell’appello di esame, alla o al docente del corso, che ne verificherà la coerenza con le indicazioni delle linee guida di ateneo e potrà chiederne la modifica.

Informazioni aggiuntive per studentesse e studenti non Frequentanti

Modalità didattiche

Si consiglia di contattare il docente. Il programma, il materiale didattico e le modalità di accertamento sono i medesimi, sia per gli studenti frequentanti che per quelli non frequentanti.

Testi di studio

Statistical Data Analysis - Glen Cowan - Oxford University Press

Modalità di
accertamento

Elaborato scritto: risoluzione di problemi di probabilità e statistica. 

Interrogazione orale: domande su tutto il programma svolto.

Disabilità e DSA

Le studentesse e gli studenti che hanno registrato la certificazione di disabilità o la certificazione di DSA presso l'Ufficio Inclusione e diritto allo studio, possono chiedere di utilizzare le mappe concettuali (per parole chiave) durante la prova di esame.

A tal fine, è necessario inviare le mappe, due settimane prima dell’appello di esame, alla o al docente del corso, che ne verificherà la coerenza con le indicazioni delle linee guida di ateneo e potrà chiederne la modifica.

Note

Lo studente deve saper applicare i concetti base dell'analisi matematica.

« torna indietro Ultimo aggiornamento: 06/07/2022


Il tuo feedback è importante

Raccontaci la tua esperienza e aiutaci a migliorare questa pagina.

Il tuo 5x1000 per sostenere le attività di ricerca

L'Università di Urbino destina tutte le risorse che deriveranno da questa iniziativa alla ricerca scientifica ed al sostegno di giovani ricercatori.

15 22

Se sei vittima di violenza o stalking chiama il 1522, scarica l'app o chatta su www.1522.eu

Il numero, gratuito è attivo 24 h su 24, accoglie con operatrici specializzate le richieste di aiuto e sostegno delle vittime di violenza e stalking.

Posta elettronica certificata

amministrazione@uniurb.legalmail.it

Social

Università degli Studi di Urbino Carlo Bo
Via Aurelio Saffi, 2 – 61029 Urbino PU – IT
Partita IVA 00448830414 – Codice Fiscale 82002850418
2024 © Tutti i diritti sono riservati

Top