97462 - LABORATORIO DI MATEMATICA E FISICA APPLICATA P-BO

Conoscenze e abilità da conseguire

Al termine del laboratorio lo studente conosce i fondamenti di un programma di calcolo simbolico e numerico e lo utilizza per risolvere semplici problemi di calcolo, algebra lineare e modellizzazione matematica. Lo studente acquisisce manualità con la strumentazione di misura e la trattazione degli errori. Inoltre approccia il calcolo numerico e statistico con rigore professionale.

Contenuti

Introduzione al linguaggio Python

• Installazione e ambienti di sviluppo consigliati (Jupyter, Colab, Spyder)

• Tipi di dati, strutture di controllo, funzioni

• Librerie per l’elaborazione numerica e statistica (NumPy, pandas, matplotlib)

Teoria degli errori

• Tipologie di errore (sistematico, casuale)

• Propagazione degli errori

• Errore assoluto e relativo

• Rappresentazione e stima dell'incertezza sperimentale

Statistica descrittiva

• Misure di tendenza centrale: media, mediana, moda

• Misure di dispersione: varianza, deviazione standard, range

• Misure di posizione: percentili, quartili

• Analisi bivariata: covarianza, coefficiente di correlazione

Probabilità e distribuzioni

• Concetti base di probabilità

• Variabili casuali discrete: distribuzioni binomiale e di Poisson

• Variabili casuali continue: distribuzioni normale e uniforme

• Teorema del limite centrale, errore di campionamento, errore standard

Il corso include attività di laboratorio finalizzate all’applicazione dei contenuti teorici:

• Implementazione in Python di script per il calcolo delle statistiche descritte;

• Simulazione di distribuzioni di probabilità e propagazione dell’errore;

• Analisi di dataset reali o simulati;

• Verifica sperimentale di concetti teorici tramite esempi pratici. 

 

Si suggerisce agli studenti non frequentanti di integrare lo studio individuale con esercitazioni pratiche disponibili in formato digitale (notebook Python guidati) per svolgere in autonomia gli esercizi proposti durante il corso.

Testi/Bibliografia

Tutto il materiale necessario alla preparazione del corso e dell’esame è reso disponibile sulla piattaforma Virtuale.

 
Il materiale si compone di:

• Slides delle lezioni con la parte teorica sviluppata durante il corso;

• Notebook Jupyter contenenti esempi di codice Python, esercizi guidati e applicazioni pratiche dei concetti trattati (statistica, errori, distribuzioni, regressioni, ecc.).

Il materiale è organizzato in unità tematiche corrispondenti agli argomenti del programma e viene aggiornato regolarmente durante il corso.

Non è richiesto l’acquisto di testi obbligatori. Tuttavia, per chi desidera approfondire gli argomenti trattati, si consiglia:

• "Propedeutica alla scienze sperimentali. Introduzione al metodo scientifico e all'inferenza statistica",  Leopoldo Trieste; Aracne 2024

• “Think Stats: Probability and Statistics for Programmers”, Allen B. Downey, O’Reilly Media – (disponibile all'indirizzo https://allendowney.github.io/ThinkStats/) – utile per integrare teoria e pratica in Python. 

Metodi didattici

Il corso prevede:

1. Lezioni frontali per lo sviluppo della parte teorica, con approfondimenti sui concetti fondamentali del programma;

2. Esercitazioni pratiche in laboratorio, svolte utilizzando il linguaggio Python, mirate a consolidare le conoscenze acquisite;

3. Attività individuali e di gruppo, per stimolare la partecipazione attiva, la collaborazione tra studenti e il problem-solving autonomo.

 

In considerazione della tipologia di attività e dei metodi didattici adottati, la frequenza di questa attività formativa richiede la preventiva partecipazione di tutti gli studenti ai moduli 1 e 2 di formazione sulla sicurezza nei luoghi di studio, in modalità e-learning.

 

Modalità di verifica e valutazione dell'apprendimento

La prova orale si articola in due parti consecutive:

1. Presentazione di un progetto sviluppato in Python - Gli studenti e le studentesse dovranno presentare un progetto realizzato autonomamente volto all’applicazione pratica dei concetti appresi durante il corso. La presentazione avrà una durata massima di 15 minuti e potrà essere esposta tramite slides (PDF) o notebook Jupyter, contenenti una descrizione del problema affrontato, la spiegazione del codice sviluppato, l'analisi dei dati e discussione dei risultati. Durante la presentazione, il docente porrà domande di approfondimento legate al progetto stesso, per verificare la comprensione dei metodi utilizzati e l’autenticità del lavoro svolto.
2. Domande teoriche sugli argomenti trattati a lezione - La seconda parte della prova consisterà in due domande su concetti teorici presentati nel corso. Le domande mirano a verificare la conoscenza dei fondamenti teorici, la capacità di collegarli a casi pratici e l’uso corretto della terminologia scientifica.

 

 

Il voto finale è espresso in trentesimi e riflette la valutazione congiunta delle due parti della prova:

• 18–19/30 Progetto minimale o incompleto; comprensione limitata. Risposte teoriche superficiali. Espressione faticosa o poco chiara.
• 20–24/30 Progetto corretto ma con debolezze concettuali. Buona esposizione. Risposte teoriche soddisfacenti ma poco articolate.
• 25–29/30 Progetto ben sviluppato e motivato, codice efficace. Buona capacità di argomentazione. Risposte teoriche accurate.
• 30–30L Progetto originale, ben strutturato e ben presentato. Padronanza totale del linguaggio tecnico e delle teorie. Ottima capacità critica e riflessiva.

 

Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento

Strumenti a supporto della didattica

Videoproiettore, python notebook

Orario di ricevimento

Consulta il sito web di Carmela Lardo