OBIETTIVI FORMATIVI

Il corso si prefigge di consolidare ed ampliare le competenze di calcolo, analisi statistica e programmazione, finalizzate all’analisi e acquisizione dati in esperienze di laboratorio.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Il corso si occupa di fisica computazionale, affrontando la soluzione numerica delle equazioni differenziali ordinarie e alle derivate parziali, e di analisi dati avanzata, trattando rudimenti di simulazione Monte Carlo, approfondendo le tecniche di best-fit e accennando a tecniche multivariate di separazione di segnale dal fondo.

Il corso si prefigge inoltre di estendere le conoscenze informatiche acquisite a Laboratorio di Calcolo affrontando più approfonditamente la programmazione Object-Oriented in C++ e fornendo rudimenti di Python e shell scripting. Quando necessario si useranno pacchetti di più alto livello (ROOT, Octave/Matlab).

Al termine dell'insegnamento lo studente sarà in grado, sfruttando la programmazione in C++, python o Matlab, di:

• risolvere numericamente equazioni differenziali alle derivate ordinarie e parziali 
• affrontare semplici simulazioni o integrazioni con il metodo di MonteCarlo
• eseguire fit di chi-quadro e maximum likelihood di vari livelli di complessità
• valutare intervalli di confidenza ed effettuare test d'ipotesi

PREREQUISITI

Il corso parte dando per acquisite le competenze di calcolo contenute nel corso del primo anno.

MODALITA' DIDATTICHE

Lezioni frontali ed esercitazioni di laboratorio.

PROGRAMMA/CONTENUTO

Programma delle lezioni:

• Programmazione OO (ereditarietà, polimorfismo), shell scripting e Python, esemplificazione dell'uso di pacchetti/librerie specifiche (ROOT, Octave/Matlab)
• Soluzione numerica delle equazioni differenziali ordinarie. Applicazioni alla fisica classica e alla meccanica quantistica (metodo di Numerov per l'equazione di Schrodinger).
• Soluzione numerica delle equazioni differenziali alle derivate parziale. Applicazioni a eletromagnetismo e propagazione del calore.
• Introduzione alla generazione di variabile aleatorie e alla simulazione Monte Carlo
• Estrazione di grandezze di interesse da un campione di dati: Likelihood binned e unbinned. Stima puntuale, intervalli di confidenza. Test d'ipotesi. Limiti.
• Cenni a tecniche di classificazione multivariata (Likelihood ratio, reti neurali).

TESTI/BIBLIOGRAFIA

Sono forniti appunti/slides durante il corso. Un'elenco di possibili testi per approfondimenti è disponibile sulla pagina del corso su Aulaweb.