B8376 - METODI STATISTICI PER L'INGEGNERIA DELL'INFORMAZIONE LM

Anno Accademico 2025/2026

  • Docente: Marco Chiani
  • Crediti formativi: 6
  • SSD: ING-INF/03
  • Lingua di insegnamento: Italiano
  • Modalità didattica: Convenzionale - Lezioni in presenza
  • Campus: Cesena
  • Corso: Laurea Magistrale in Ingegneria elettronica e dell'informazione (cod. 6715)

Conoscenze e abilità da conseguire

Al termine del corso lo studente possiede competenze avanzate nella detection, stima e modellazione di processi aleatori, con un focus sull’applicazione a problemi nell’ambito dell’ingegneria dell’informazione. Lo studente possiede le conoscenze necessarie per progettare sistemi avanzati di rilevazione e stima di parametri, sfruttando tecniche statistiche per l'analisi di segnali e dati. Particolare attenzione è dedicata a casi di studio concreti, come quelli relativi ai sistemi radar e alle telecomunicazioni.

Contenuti

Il corso introduce i principi e le tecniche dell’inferenza statistica applicata all'ingegneria dell’informazione, con particolare attenzione alla stima di parametri, alla teoria della decisione, al machine learning, e ai metodi di filtraggio stocastico. Le metodologie trattate trovano applicazione in diversi ambiti avanzati, tra cui machine learning, radar, comunicazioni wireless, sistemi MIMO, localizzazione.

Contenuti principali:

Richiami di probabilità e statistica 

Teoria della stima

Teoria della decisione 

Stima di processi aleatori e sistemi dinamici

Machine Learning e inferenza statistica

Applicazioni ai sistemi radar

Applicazione alle comunicazioni wireless e MIMO 

Esercitazioni e casi di studio con Python/Matlab

Testi/Bibliografia

- Appunti del corso forniti dal docente

- S. Kay, Fundamentals of Statistical Signal Processing, Volume I: Estimation Theory, and Volume II: Detection Theory. Prentice Hall 1998 - Van Trees, Detection, Estimation, and Modulation Theory, Part I, second edition. Wiley 2010.  

- T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer, 2017. Free online version

Metodi didattici

Il corso prevede:

  • Lezioni frontali per la presentazione dei contenuti teorici, con l’ausilio di slide e lavagna.

  • Esercitazioni guidate, finalizzate all’applicazione pratica dei metodi statistici a problemi concreti.

  • Sessioni di laboratorio, in cui verranno sviluppati piccoli progetti e simulazioni con linguaggi come Python o Matlab, relativi a stima, filtraggio e classificazione.

È incentivata la partecipazione attiva degli studenti attraverso domande, approfondimenti e brevi esercizi durante le lezioni.


Modalità di verifica e valutazione dell'apprendimento

La verifica dell’apprendimento avviene esclusivamente tramite prova scritta, della durata tipica di 2 ore, comprendente:

  • Domande teoriche (a risposta aperta o breve) sui concetti fondamentali del corso.

  • Esercizi pratici di calcolo, modellazione e simulazione di problemi di stima, filtraggio e decisione.

Non è prevista prova orale.
La valutazione finale è espressa in trentesimi, con possibilità di lode.


Strumenti a supporto della didattica

  • Slide e appunti delle lezioni, disponibili sulla piattaforma e-learning dell’ateneo.

  • Dispense di riferimento e articoli scientifici, selezionati per approfondimenti mirati.

  • Notebook Python/Matlab forniti dal docente per le esercitazioni e simulazioni.

  • Forum o canale Teams per il supporto continuo, risposte a dubbi e interazione tra studenti e docente.

Orario di ricevimento

Consulta il sito web di Marco Chiani

SDGs

Istruzione di qualità Lavoro dignitoso e crescita economica Imprese innovazione e infrastrutture

L'insegnamento contribuisce al perseguimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda 2030 dell'ONU.