CODICE | 98670 |
---|---|
ANNO ACCADEMICO | 2020/2021 |
CFU | 6 cfu al 3° anno di 9273 INGEGNERIA ELETTRONICA E TECNOLOGIE DELL'INFORMAZIONE (L-8) GENOVA |
SETTORE SCIENTIFICO DISCIPLINARE | MAT/07 |
LINGUA | Italiano |
SEDE | GENOVA (INGEGNERIA ELETTRONICA E TECNOLOGIE DELL'INFORMAZIONE) |
PERIODO | 1° Semestre |
MATERIALE DIDATTICO | AULAWEB |
L’insegnamento di Statistica e Ottimizzazione fornisce competenze relative alla costruzione di modelli e alla soluzione di problemi decisionali formulati come problemi di ottimizzazione. Inoltre, l’insegnamento presenta i principali metodi della statistica per la descrizione di dati e l’estrazione di informazioni a partire da essi.
L’insegnamento si propone di far acquisire agli studenti le nozioni di base di statistica nonché gli elementi di programmazione lineare e non lineare impiegati nei metodi di ottimizzazione. A tal fine saranno associate alle lezioni di teoria esercitazioni in aula informatica sulle principali “routine” di ottimizzazione disponibili in Matlab.
L’insegnamento ha come obiettivo lo studio dei principali metodi di ottimizzazione per la soluzione di problemi decisionali e le tecniche statistiche di base per descrivere un fenomeno e generare conoscenza a partire dai dati.
In maggior dettaglio, per quanto riguarda la parte di ottimizzazione, l’insegnamento ha l’obiettivo di fornire agli studenti le competenze di base per la formalizzazione in termini matematici e la successiva risoluzione di problemi decisionali, in cui occorre prendere la decisione ottima nell’ambito di più decisioni possibili, sulla base di opportuni criteri. In particolare, l’insegnamento presenta i concetti di variabili decisionali, funzione obiettivo, e vincoli di un problema di ottimizzazione, nonché le nozioni di base della programmazione lineare a variabili reali, della programmazione lineare intera, e della programmazione non lineare.
Per quanto concerne la parte di statistica, l’insegnamento fornisce nozioni di base di statistica descrittiva e di statistica inferenziale, al fine di permettere allo studente di descrivere in maniera appropriata un insieme di dati provenienti da osservazioni di una quantità di interesse, oltre che di estrarre informazione dai dati stessi, ossia costruire un modello di quanto osservato a partire da un insieme limitato di osservazioni.
In entrambi i casi, sono presentati sia gli aspetti più metodologici, sia i risvolti maggiormente applicativi. I vari concetti sono esposti attraverso lezioni teoriche e mediante soluzione di esercizi, oltre che tramite l’implementazione software di alcuni problemi di esempio.
Al termine dell’insegnamento, lo studente sarà in grado di costruire un modello matematico di un processo decisionale e di scegliere e applicare l’algoritmo più adeguato per la sua soluzione. Inoltre, lo studente sarà capace di descrivere i dati raccolti sul campo ed estrarre informazioni da essi attraverso gli strumenti più opportuni.
Conoscenze di base di Analisi Matematica e Geometria.
Lezioni frontali.
PARTE DI OTTIMIZZAZIONE
1. Introduzione alla parte di ottimizzazione
2. Programmazione lineare a variabili reali
3. Programmazione lineare a variabili intere
4. Programmazione matematica non vincolata
5. Applicativi software per la programmazione matematica
PARTE DI STATISTICA
6. Introduzione alla parte di statistica
7. Statistica descrittiva
8. Regressione e minimi quadrati
9. Richiami di calcolo delle probabilità
10. Stime, stimatori, intervalli di confidenza
Dispense fornite dal Docente e disponibili in formato elettronico.
Testi per eventuale approfindimento:
[1] Hillier, Lieberman – Introduction to operations research. McGraw-Hill, 2004.
[2] D. Bertsimas, J.N. Tsitsiklis – Introduction to linear optimization. Athena Scientific, 1999.
[3] D. Luenberger, Y. Ye – Linear and nonlinear programming. Springer, 2008.
[4] D. Bertsekas – Nonlinear Programming. Athena Scientific, 1999.
[5] S.M. Ross – Probabilità e statistica per l’ingegneria e le scienze, Apogeo, 2014.
[6] P. Newbold, W.L. Carlson, B. Thorne – Statistica, Pearson, 2010.
Ricevimento: Students may take appointment via email sent to mauro.gaggero@cnr.it
MAURO GAGGERO (Presidente)
MASSIMO PAOLUCCI
MARCELLO SANGUINETI (Presidente Supplente)
Lezioni frontali.
Come da calendario accademico.
Esame scritto eventualmente integrato da esame orale.
Al termine dell’insegnamento lo studente dovrà dimostrare di aver compreso i concetti visti a lezione ed essere capace di esporli con un linguaggio adeguato. Inoltre, lo studente dovrà dimostrare capacità di costruire un modello matematico di un processo decisionale e di scegliere e applicare l’algoritmo migliore per la sua soluzione. Infine, lo studente dovrà essere in grado di descrivere un insieme di dati raccolti sul campo e di estrarre informazioni da essi attraverso gli strumenti più opportuni.
Data | Ora | Luogo | Tipologia | Note |
---|---|---|---|---|
11/01/2021 | 09:00 | GENOVA | Scritto | |
01/02/2021 | 09:00 | GENOVA | Scritto | |
08/06/2021 | 09:00 | GENOVA | Scritto | |
01/07/2021 | 09:00 | GENOVA | Scritto | |
01/09/2021 | 09:00 | GENOVA | Scritto |
Nessuna.