Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
PHYSICS OF DATA
Insegnamento
ADVANCED STATISTICS FOR PHYSICS ANALYSIS
SCP8082557, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2019/20

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
PHYSICS OF DATA
SC2443, ordinamento 2018/19, A.A. 2019/20
N0
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese ADVANCED STATISTICS FOR PHYSICS ANALYSIS
Sito della struttura didattica http://physicsofdata.scienze.unipd.it/2019/laurea_magistrale
Dipartimento di riferimento Dipartimento di Fisica e Astronomia "Galileo Galilei"
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile ALBERTO GARFAGNINI FIS/01

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Sperimentale applicativo FIS/01 6.0

Organizzazione dell'insegnamento
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LEZIONE 6.0 48 102.0

Calendario
Inizio attività didattiche 02/03/2020
Fine attività didattiche 12/06/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2018

Syllabus
Prerequisiti: Nessuno
Conoscenze e abilita' da acquisire: Risolvere problemi di statistica e analisi di dati tramite l'ambiente di sviluppo R.
Modalita' di esame: L'esame si baserà sullo svolgimento di un progetto di ricerca di gruppo sull'analisi statistica di un dataset fisico. Tale progetto verrà discusso in sede d'esame, la sua qualità e originalità determineranno la valutazione finale.
Criteri di valutazione: Conoscenza e comprensione dei contenuti del corso, abilità nella soluzione di problemi elementari, con R, legati ai contenuti del corso.
Contenuti: - richiamo di concetti di base sulle probabilità (regole, definizioni e distribuzioni)
- dalle 'prove' di Bernoulli ai processi Poissoniani e le relative distribuzioni di probabilità
- inferenza della probabilità di Bernoulli, p; inferenza del parametro lambda della distribuzione di Poisson. Inferenza della media, mu, della distribuzione di Gauss. Inferenza simultanea di mu e sigma da un campione: concetti generali e risultati asintotici (caso di grandi moli di dati)
- fit come caso speciale di inferenza parametrica
- Metodi di Monte Carlo: rejection sampling, inversioni di distribuzioni cumulative, importance sampling. L'algoritmo di Metropolis come esempio di Markov Chain Monte Carlo. Simulated annealing.
- l'ambiente di programmazione e il linguaggio di programmazione R per l'analisi statistica dei dati.
Attivita' di apprendimento previste e metodologie di insegnamento: Lezioni frontali.
Le lezioni saranno corredate da esempi pratici con esercitazioni in aula tramite l'ambiente di sviluppo R.
Eventuali indicazioni sui materiali di studio: Dispense dalle lezioni introduttive. Testi di riferimento e materiale integrativo verranno consigliati durante lo svolgimento del corso.
Testi di riferimento:
  • Sivia, Devinder S.; Skilling, John, Data analysisa Bayesian tutorialD. S. Sivia with J. Skilling. Oxford: O xford University press, 2006. Cerca nel catalogo

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Laboratory
  • Problem based learning
  • Case study
  • Interactive lecturing
  • Working in group
  • Problem solving

Didattica innovativa: Software o applicazioni utilizzati
  • R

Obiettivi Agenda 2030 per lo sviluppo sostenibile
Istruzione di qualita' Industria, innovazione e infrastrutture