English
ItalianoNavigazione di Sezione:
Statistical Data Analysis 2025/2026
Programma di Statistical Data Analysis:
Lunghezza. 18h (in laboratorio al calcolatore con esercitazioni pratiche)
Questo modulo ha lo scopo di fornire:
- una conoscenza di base del linguaggio di programmazione C++ e del toolkit di analisi dei dati ROOT;
- la capacità di eseguire operazioni quali l'I/O dei dati e l'elaborazione computazionale, che sono alla base dell'analisi scientifica dei dati;
- la capacità di integrare le classi ROOT all'interno di codici di analisi personalizzati.
Gli argomenti trattati all'interno del modulo sono:
1) Le basi del linguaggio C++: Funzioni del programma, Variabili e tipi, controllo del flusso, statements;
2) Puntatori e referenze, arrays e vettori, allocazione dinamica della memoria, files e loro uso;
3) Tipi definiti dall’utente: struct e classi. Modularità. Cenni di programmazione a oggetti: ereditarietà, overload di funzioni, smart pointers;
4) Modularità e compilazione, makefile. Introduzione al framework di analisi dati ROOT. Uso e proprietà degli istogrammi (TH1 class)
5) La classe TTree e il suo utilizzo. Lettura e scrittura su file in ROOT.
6) La classe TF1 e TMath e loro utilizzo. La classe TRandom per la generazione di numeri casuali e il loro utilizzo per simulare esperimenti.
Bibliografia:
"Un tour di C++", Bjarne Stroustrup, Addison-Wesley
"C++ guida essenziale per il programmatore", Bjarne Stroustrup, Pearson Italia (è la versione tradotta del libro sopra)
Documentazione ROOT all'https://root.cern.ch/
Modulo 2: Analisi statistica dei dati (Prof. Umberto De Sanctis)
Durata: 20h lezioni frontali
- 1^ lezione “Fundamental concepts in statistics and probability”
- 2^ lezione “Probability density functions”
- 3^ lezione “Convergence theorems and Monte Carlo method”
- 4^ lezione “Statistical tests”
- 5^ lezione “Hypotheses test and goodness-of-fit”
- 6^ lezione “Estimators and the Maximum-Likelihood method”
- 7^ lezione “Still on Maximum Likelihood method”
- 8^ lezione “The Least-Squares method”
- 9^ lezione “Confidence intervals and limits”
- 10^ lezione “Confidence intervals and limits (2)”
Bibliografia:
• F. James, "Statistical methods in experimental physics" 2a edizione, World Scientific, 2006
• G. Cowan, "Statistical data analysis" Oxford Science Publications, 1998
Modulo 3 : modelli e trattamento sistematico delle incertezze (Dr. Marco Vanadia e Prof. Umberto De Sanctis)
Lunghezza: 12h (in laboratorio al calcolatore con esercitazioni pratiche)
Gli studenti eseguiranno un esercizio sulla misurazione di un parametro fisico tramite un modello di binned maximum likelihood fit, con particolare attenzione all'impatto delle incertezze sistematiche sulla misurazione e sulla modellizzazione delle loro correlazioni
L’esercizio consta di 4 lezioni:
- 1^ lezione “Introduzione alla misura di sezione d’urto top-antitop”
- 2^ lezione “Introduzione all’uso di T-Rex-Fitter”
- 3^ lezione “Selezione del segnale”
- 4^ lezione “Estrazione della sezione d’urto top-antitop e valutazione dei vincoli alle incertezze sistematiche”
- ”
Modulo 4: Classificazione segnale/fondo con tecniche di Machine Learning. Lunghezza: 12h (2h lezione + 10h esercizio) In questo modulo verrà studiato un classico esempio di classificazione eventi tra segnale e fondo, stima della frazione di segnale e valutazione dell'errore. Diversi metodi di classificazione basati su approcci di Machine Learning verranno illustrati e uno o più di questi verranno implementati per la risoluzione di un problema reale di fisica.
L’esercizio consta di 4 lezioni:
- 1^ lezione “Introduzione alla discriminazione tra segnale e fondo”
- 2^ lezione ”Il discriminante Likelihood Ratio”
- 3^ lezione “Introduzione alle tecniche multivariate di classificazione e al Boosted Decision Tree (BDT)”
4^ lezione “Implementazione del BDT e valutazione delle performance”
Fonte: GOMP