ID:
7968
Durata (ore):
60
CFU:
6
Url:
PHYSICS/Fisica Nucleare e Particellare Anno: 1
Anno:
2023
Dati Generali
Periodo di attività
Primo Semestre (25/09/2023 - 12/01/2024)
Syllabus
Obiettivi Formativi
Fornire conoscenze avanzate nell’analisi statistica dei dati prodotti da esperimenti, simulazioni e/o modelli teorici nel campo della fisica nucleare e particellare attraverso l’implementazione di codici in ambienti di sviluppo tipo C++-Root e Python.
Prerequisiti
Conoscenze di programmazione di base procedurale e orientata agli oggetti.
Metodi didattici
Lezioni frontali in aula e in laboratorio informatico. Esercitazioni pratiche al calcolatore nelle quali verrà chiesto allo studente di risolvere problemi di analisi dati utilizzando le tecniche e gli strumenti spiegati a lezione, incoraggiandoli alla formulazione di strategie di soluzione originali.
Le attività di laboratorio saranno alcune di tipo individuale per stimolare la capacità di lavoro in autonomia, altre di gruppo per imparare a portare avanti progetti in collaborazione distribuendo compiti e responsabilità in base alle abilità e alle attitudini dei componenti del gruppo.
Le attività di laboratorio saranno alcune di tipo individuale per stimolare la capacità di lavoro in autonomia, altre di gruppo per imparare a portare avanti progetti in collaborazione distribuendo compiti e responsabilità in base alle abilità e alle attitudini dei componenti del gruppo.
Verifica Apprendimento
Tutte le attività di laboratorio saranno corrette e valutate durante lo svolgimento delle lezioni, e le valutazioni, se positive, potranno essere utilizzate ai fini della valutazione finale.
La prova finale consisterà nell'analisi dati implementando codici al calcolatore. Saranno dati dai 4 ai 5 esercizi e a ogni esercizio sarà attribuito un voto in modo tale che la somma del massimo voto conseguibile per singolo esercizio sia pari a 30.
E' prevista inoltre una prova orale nella quale lo studente discuterà in modo critico la prova di laboratorio con la commissione.
La votazione finale terrà conto del voto conseguito nella prova pratica e della discussione orale.
La prova finale consisterà nell'analisi dati implementando codici al calcolatore. Saranno dati dai 4 ai 5 esercizi e a ogni esercizio sarà attribuito un voto in modo tale che la somma del massimo voto conseguibile per singolo esercizio sia pari a 30.
E' prevista inoltre una prova orale nella quale lo studente discuterà in modo critico la prova di laboratorio con la commissione.
La votazione finale terrà conto del voto conseguito nella prova pratica e della discussione orale.
Testi
- Probabilità, Statistica e Simulazione. Alberto Rotondi, Paolo Pedroni,
Antonio Pievatolo. Springer-Verlag - ISBN 978-88-470-4009-0
Manuale di ROOT per principianti
https://root.cern.ch/root/htmldoc/guides/primer/ROOTPrimer.pdf
Manuale di pyROOT per principianti
https://indico.cern.ch/event/704163/contributions/2936719/attachments/1693833/2726445/Tutorial-PyROOT.pdf
Manuale di ROOT
https://root.cern.ch/root/htmldoc/guides/users-guide/ROOTUsersGuideA4.pdf
Antonio Pievatolo. Springer-Verlag - ISBN 978-88-470-4009-0
Manuale di ROOT per principianti
https://root.cern.ch/root/htmldoc/guides/primer/ROOTPrimer.pdf
Manuale di pyROOT per principianti
https://indico.cern.ch/event/704163/contributions/2936719/attachments/1693833/2726445/Tutorial-PyROOT.pdf
Manuale di ROOT
https://root.cern.ch/root/htmldoc/guides/users-guide/ROOTUsersGuideA4.pdf
Contenuti
Introduzione alla programmazione in python: codice interpretato e compilato, uso dell'interprete python,
scrittura di script python, ruolo della indentazione,
dichiarazione implicita dei dati, strutture dati: array, liste, tuple, dizionari.
Le funzioni accessorie di python e utilizzo delle librerie. Uso di funzioni e classi in python.
Parallelo con la programmazione in C++ e modifica delle strategie di implementazione dei codici.
Principali distribuzioni statistiche: binomiale, Poissoniana e esponiziale, gaussiana.
Richiami di calcolo delle probabilità. Trattamento degli errori con approccio frequentista e Bayesiano.
Ricerca e analisi degli errori sistematici. Calcolo delle efficienze: rapporto tra campioni statistici
correlati. Esempi di applicativi implementati in R.
Rappresentazione e elaborazione dei dati utilizzando le librerie python: numpy, mathplotlib, scipy.
e le librerie del framework di analisi dati ROOT.
Utilizzo delle librerie per computazione e algebra di istogrammi
mono e multi-dimensionali, per la formulazione di modelli fisico matematico,
per la rappresentazione di dati con errori statistici e sistematici, simmetrici e asimmetrici.
Procedure di minimizzazione con gli algoritmi delle librerie MINUIT, GSL, genetic.
Tecniche di ricerca dei segnali e di sottrazione del fondo. Stima dell'efficienze e calcolo
degli errori nel caso di campioni correlati.
Il Metodo Monte Carlo, distribuzioni statistiche, funzioni densità di probabilità,
funzione cumulativa, generatori di numeri pseudo-casuali,
generazione di variabili aleatorie discrete e continue, metodi di generazione
casuale, stima degli intervalli di confidenza. Applicazioni del metodo Monte Carlo.
Metodi per l'immagazzinamento, la gestione e l'analisi di grossi campioni di dati (big data).
scrittura di script python, ruolo della indentazione,
dichiarazione implicita dei dati, strutture dati: array, liste, tuple, dizionari.
Le funzioni accessorie di python e utilizzo delle librerie. Uso di funzioni e classi in python.
Parallelo con la programmazione in C++ e modifica delle strategie di implementazione dei codici.
Principali distribuzioni statistiche: binomiale, Poissoniana e esponiziale, gaussiana.
Richiami di calcolo delle probabilità. Trattamento degli errori con approccio frequentista e Bayesiano.
Ricerca e analisi degli errori sistematici. Calcolo delle efficienze: rapporto tra campioni statistici
correlati. Esempi di applicativi implementati in R.
Rappresentazione e elaborazione dei dati utilizzando le librerie python: numpy, mathplotlib, scipy.
e le librerie del framework di analisi dati ROOT.
Utilizzo delle librerie per computazione e algebra di istogrammi
mono e multi-dimensionali, per la formulazione di modelli fisico matematico,
per la rappresentazione di dati con errori statistici e sistematici, simmetrici e asimmetrici.
Procedure di minimizzazione con gli algoritmi delle librerie MINUIT, GSL, genetic.
Tecniche di ricerca dei segnali e di sottrazione del fondo. Stima dell'efficienze e calcolo
degli errori nel caso di campioni correlati.
Il Metodo Monte Carlo, distribuzioni statistiche, funzioni densità di probabilità,
funzione cumulativa, generatori di numeri pseudo-casuali,
generazione di variabili aleatorie discrete e continue, metodi di generazione
casuale, stima degli intervalli di confidenza. Applicazioni del metodo Monte Carlo.
Metodi per l'immagazzinamento, la gestione e l'analisi di grossi campioni di dati (big data).
Lingua Insegnamento
ITALIANO
Corsi
Corsi
PHYSICS
Laurea Magistrale
2 anni
No Results Found
Persone
Persone
Professori/esse Associati/e
No Results Found