Salta al contenuto principale della pagina

STATISTICA E OTTIMIZZAZIONE

CODICE 98670
ANNO ACCADEMICO 2021/2022
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
  • PERIODO 1° Semestre
    MATERIALE DIDATTICO AULAWEB

    PRESENTAZIONE

    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.

    OBIETTIVI E CONTENUTI

    OBIETTIVI FORMATIVI

    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.

    OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

    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.

    PREREQUISITI

    Conoscenze di base di Analisi Matematica e Geometria.

    MODALITA' DIDATTICHE

    Lezioni frontali.

    PROGRAMMA/CONTENUTO

    PARTE DI OTTIMIZZAZIONE

     

    1.         Introduzione alla parte di ottimizzazione

    1.1.      Definizioni di funzione obiettivo e variabili decisionali

    1.2.      Classificazione dei problemi di ottimizzazione

    1.3.      Formulazione matematica di problemi di ottimizzazione

     

    2.         Programmazione lineare a variabili reali

    2.1.      Esempi di problemi di programmazione lineare

    2.2.      Geometria della programmazione lineare

    2.3.      Forma standard di un problema di programmazione lineare

    2.4.      Algoritmo del simplesso

    2.5.      Metodo delle due fasi

     

    3.         Programmazione lineare a variabili intere

    3.1.      Esempi di problemi di programmazione lineare a numeri interi

    3.2.      Metodo del branch and bound

     

    4.         Programmazione matematica non vincolata

    4.1.      Esempi di problemi di programmazione non lineare

    4.2.      Condizioni necessarie di ottimalità e condizioni sufficienti di ottimalità

    4.3.      Algoritmi di discesa

    4.4.      Algoritmo del gradiente

    4.5.      Approccio Lagrangiano per problemi vincolati

    4.6.      Metodo delle funzioni di penalità

     

    5.         Applicativi software per la programmazione matematica

    5.1.      Introduzione generale a Lingo, Matlab, Excel

    5.2.      Esempi di utilizzo dei software per la risoluzione di problemi di programmazione lineare e non lineare

     

    PARTE DI STATISTICA

     

    6.         Introduzione alla parte di statistica

    6.1.      Definizioni preliminari

    6.2.      Cenni storici

     

    7.         Statistica descrittiva

    7.1.      Variabili qualitative

    7.2.      Rappresentazione grafica

    7.3.      Variabili quantitative

    7.4.      Moda, mediana, media, percentili, quartili

    7.5.      Software Matlab per la rappresentazione di dati

     

    8.         Regressione e minimi quadrati

    8.1.      Campioni di dati bivariati

    8.2.      Retta di regressione

    8.3.      Minimi quadrati in generale per l’approssimazione di funzioni

    8.4.      Software Matlab per la regressione lineare e i minimi quadrati

     

    9.         Richiami di calcolo delle probabilità

    9.1.      Calcolo combinatorio

    9.2.      Il concetto di probabilità

    9.3.      Variabili aleatorie

    9.4.      Densità di probabilità

    9.5.      Le più comuni distribuzioni di probabilità

     

    10.       Stime, stimatori, intervalli di confidenza

    10.1.    Stime puntuali e per intervallo

    10.2.    Intervalli di confidenza

    TESTI/BIBLIOGRAFIA

    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.

    DOCENTI E COMMISSIONI

    Commissione d'esame

    MAURO GAGGERO (Presidente)

    MASSIMO PAOLUCCI

    MARCELLO SANGUINETI (Presidente Supplente)

    LEZIONI

    INIZIO LEZIONI

    https://corsi.unige.it/9273/p/studenti-orario

    Come da calendario accademico.

    Orari delle lezioni

    L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.

    ESAMI

    MODALITA' D'ESAME

    Esame scritto eventualmente integrato da esame orale.

    MODALITA' DI ACCERTAMENTO

    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.

    Calendario appelli

    Data Ora Luogo Tipologia Note
    20/12/2021 09:00 GENOVA Scritto
    10/01/2022 09:00 GENOVA Scritto
    01/02/2022 09:00 GENOVA Scritto
    01/06/2022 09:00 GENOVA Scritto
    01/07/2022 09:00 GENOVA Scritto
    05/09/2022 09:00 GENOVA Scritto