Laboratorio di astronomia
A.A. 2018/2019
Obiettivi formativi
Sviluppo di competenze statistiche e informatiche che consentano di affrontare problemi astrofisici rilevanti, con particolare riguardo a indagini scientifiche su grandi quantità di dati (big data science; si pensi ad esempio alla missione astrometrica Gaia). Durante il corso verranno discusse tecniche statistiche, con particolare riguardo a quelle di inferenza bayesiana, e semplici elementi di programmazione con un'introduzione al linguaggio Python. Gli esempi di problemi affrontati privilegeranno lo sviluppo di capacità di problem solving in ambito astrofisico (principalmente con dati ottenuti da telescopi ottici), ma fruibili anche da studenti di interessi scientifici diversi.
Risultati apprendimento attesi
Non definiti
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Secondo semestre
Programma
Introduzione alla teoria della probabilità
· Variabili casuali e distribuzioni di probabilità
· Significato della probabilità: interpretazione frequentista e bayesiana
· Variabili casuali correlate, momenti, variabili dipendenti
· Teorema di Bayes e sua interpretazione
· Inferenza bayesiana
· Massima verosimiglianza (likelihood)
· Metodo di Laplace
· Algoritmi di clustering
· Confronto di modelli in statistica bayesiana
· Metodi Monte Carlo
Esempli di applicazioni
· Ammassi di stelle locali da Gaia DR1 e 2
· Eventi di microlensing da OGLE
· Distanza della Grande Nube di Magellano da variabili ad eclisse
· Misura di H0 da cefeidi HST
· Curve di rotazione di una galassia a spirale da dati MUSE
· Analisi di una lente gravitazionale
· Piano fondamentale da dati SLOAN Digital Sky Survey
· Variabili casuali e distribuzioni di probabilità
· Significato della probabilità: interpretazione frequentista e bayesiana
· Variabili casuali correlate, momenti, variabili dipendenti
· Teorema di Bayes e sua interpretazione
· Inferenza bayesiana
· Massima verosimiglianza (likelihood)
· Metodo di Laplace
· Algoritmi di clustering
· Confronto di modelli in statistica bayesiana
· Metodi Monte Carlo
Esempli di applicazioni
· Ammassi di stelle locali da Gaia DR1 e 2
· Eventi di microlensing da OGLE
· Distanza della Grande Nube di Magellano da variabili ad eclisse
· Misura di H0 da cefeidi HST
· Curve di rotazione di una galassia a spirale da dati MUSE
· Analisi di una lente gravitazionale
· Piano fondamentale da dati SLOAN Digital Sky Survey
Prerequisiti
Nessun prerequisito specifico.
Esame consistente in una serie di relazioni da completare durante lo svolgimento del corso e da una prova orale.
Esame consistente in una serie di relazioni da completare durante lo svolgimento del corso e da una prova orale.
Materiale di riferimento
Testo di riferimento:
David MacKay, "Information Theory, Inference, and Learning Algorithms", Cambridge University Press, 2003
disponibile anche online alla pagina
http://www.inference.org.uk/mackay/itila/
Per alcuni problemi affrontati può essere utile una lettura di alcune parti di
Peter Schneider, "Extragalactic Astronomy and Cosmology", Springer, 2006
David MacKay, "Information Theory, Inference, and Learning Algorithms", Cambridge University Press, 2003
disponibile anche online alla pagina
http://www.inference.org.uk/mackay/itila/
Per alcuni problemi affrontati può essere utile una lettura di alcune parti di
Peter Schneider, "Extragalactic Astronomy and Cosmology", Springer, 2006
FIS/01 - FISICA SPERIMENTALE
FIS/05 - ASTRONOMIA E ASTROFISICA
FIS/05 - ASTRONOMIA E ASTROFISICA
Laboratori: 54 ore
Lezioni: 12 ore
Lezioni: 12 ore
Docenti:
Grillo Claudio, Lombardi Marco
Docente/i
Ricevimento:
Venerdì, 14:30-17:30 (su appuntamento)
Dipartimento di Fisica, via Giovanni Celoria, 16, 20133 Milano
Ricevimento:
Mercoledì, 14-15
Ufficio personale presso il Dipartimento di Fisica