Laboratorio di astronomia
A.A. 2024/2025
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 l'insegnamento 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
Al termine dell'insegnamento lo studente sarà in grado di
1. Formulare un modello fisico e statistico di un problema astronomico ben
posto.
2. Comprendere e essere in grado di applicare tecniche di inferenza statistica
Bayesiana.
3. Utilizzare dati dei maggiori archivi astronomici e effettuare con essi
delle analisi preliminari per la comprensione fisica e statistica di un
sistema.
4. Conoscere le basi di programmazione scientifica nel linguaggio Python e
essere in grado di implementare programmi per effettuare inferenza Bayesiana a
partire da dati simulati e reali.
5. Apprezzare l'importanza della stabilità numerica e dell'efficenza di
algoritmi, specialmente se applicati a sistemi caratterizzati da un grande
volume di dati.
1. Formulare un modello fisico e statistico di un problema astronomico ben
posto.
2. Comprendere e essere in grado di applicare tecniche di inferenza statistica
Bayesiana.
3. Utilizzare dati dei maggiori archivi astronomici e effettuare con essi
delle analisi preliminari per la comprensione fisica e statistica di un
sistema.
4. Conoscere le basi di programmazione scientifica nel linguaggio Python e
essere in grado di implementare programmi per effettuare inferenza Bayesiana a
partire da dati simulati e reali.
5. Apprezzare l'importanza della stabilità numerica e dell'efficenza di
algoritmi, specialmente se applicati a sistemi caratterizzati da un grande
volume di dati.
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento può essere seguito come corso singolo.
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
Non sono richiesti prerequisiti specifici in aggiunta a quelli forniti dai corsi obbligatori del primi due anni della laurea triennale in Fisica.
Metodi didattici
Il corso prevede una serie di lezioni frontali in cui vengono fornite le basi statistiche necessarie. Durante le prime lezioni viene anche brevemente introdotta la programmazione nel linguaggio Python. Successivamente, all'inizio di ciascuna esperienza, viene brevemente descritto il problema astrofisico che si intende risolvere in modo che gli studenti siano in grado di affrontarne l'analisi indipendentemente.
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
Modalità di verifica dell’apprendimento e criteri di valutazione
Durante le esercitazioni di laboratorio gli studenti, divisi in gruppi, dovranno autonomamente svolgere il compito loro assegnato. I risultati ottenuti dovranno poi essere presentati da ciascun gruppo in una breve relazione, che verrà valutata. La valutazione finale terrà conto dei voti ottenuti da ciascuno studente nelle relazioni e dal risultato di un esame orale (della durata di circa 45 minuti).
FIS/01 - FISICA SPERIMENTALE - CFU: 3
FIS/05 - ASTRONOMIA E ASTROFISICA - CFU: 3
FIS/05 - ASTRONOMIA E ASTROFISICA - CFU: 3
Laboratori: 54 ore
Lezioni: 12 ore
Lezioni: 12 ore
Docenti:
Archidiacono Maria, Lombardi Marco
Docente/i
Ricevimento:
Mercoledì, 14-15
Ufficio personale presso il Dipartimento di Fisica