Bayesian Linear Regression for estimation of the Fractal Dimension of the Cerebral Cortex

The cerebral cortex presents self-similarity in a proper interval of spatial scales, a property typical of natural objects exhibiting fractal geometry. Its complexity therefore can be characterized by the value of its fractal dimension (FD). In the computation of this metric, it has usually been employed a frequentist approach to probability, with point estimator methods yielding only the optimal values of the FD. In our study, we aimed at retrieving a more complete evaluation of the FD by utilizing a Bayesian model for the linear regression analysis of the box-counting algorithm. We used T1-weighted MRI data of 86 healthy subjects (age 44.2 ± 17.1 years, mean ± standard deviation, 48% males) in order to gain insights into the confidence of our measure and investigate the relationship between mean Bayesian FD and age. Our approach yielded a stronger and significant (P < .001) correlation between mean Bayesian FD and age as compared to the previous implementation. Thus, our results make us suppose that the Bayesian FD is a more truthful estimation for the fractal dimension of the cerebral cortex compared to the frequentist FD.

Rappresentazione della caratteristiche spaziali di eventi temporaleschi di elevata intensità attraverso l'uso combinato di misure da pluviometro e da radar

Il presente lavoro di Tesi si inserisce nell’ambito della previsione e caratterizzazione spaziale di fenomeni convettivi, tipicamente intensi e a carattere locale, come i sistemi temporaleschi organizzati che spesso sono i protagonisti di eventi calamitosi importanti. Lo studio è stato condotto in modo tale da poter apportare un contributo ai sistemi previsionali, i quali attualmente non consentono una valutazione accurata ed una caratterizzazione spaziale attendibile di detti fenomeni temporaleschi (Elisabetta Trovatore, Ecoscienza, numero 4, 2012). Lo scopo è stato quello di verificare l’esistenza caratteristiche spaziali comuni a questa tipologia di eventi di precipitazione mediante un confronto tra la curva di riduzione della precipitazione media all’area, ottenuta dalle mappe di precipitazione cumulata oraria desunte da radar meteorologici e da mappe corrispondenti ricavate a partire dai dati pluviometrici osservati al suolo servendosi di tre modelli di interpolazione spaziale: Kriging ordinario (con variogramma desunto da dati ai pluviometri e da dati al radar), Inverso delle Distanze Pesate (Inverse Distance Weighted, IDW) e Poligoni di Voronoi.Le conclusioni del lavoro di Tesi hanno evidenziato che: - la curva di riduzione della precipitazione valutata da dati radar viene in generale meglio approssimata da due metodi: il Kriging ordinario, che utilizza come modello di variogramma teorico quello dedotto da misure ai pluviometri, e le distanze inverse pesate (IDW, Inverse Distance Weighted); - paragonando le curve di riduzione della precipitazione media all’area dedotte da radar si è potuta notare l’esistenza di quattro curve, di cui tre relative ad eventi che hanno registrato valori elevati di intensità di precipitazione (superiori ai 140 mm/h), che presentano un comportamento analogo, mentre nella porzione superiore del grafico sono presenti due curve che non seguono tale andamento e che sono relative ad eventi convettivi meno intensi; - non esiste una distanza alla quale tutti i variogrammi, desunti da dati radar, raggiungono la stazionarietà ma si è visto come questa, per i sei casi di studio, vari tra 10000 e 25000 metri.

Weighted geometric mean of large-scale matrices: numerical analysis and algorithms

Computing the weighted geometric mean of large sparse matrices is an operation that tends to become rapidly intractable, when the size of the matrices involved grows. However, if we are not interested in the computation of the matrix function itself, but just in that of its product times a vector, the problem turns simpler and there is a chance to solve it even when the matrix mean would actually be impossible to compute. Our interest is motivated by the fact that this calculation has some practical applications, related to the preconditioning of some operators arising in domain decomposition of elliptic problems. In this thesis, we explore how such a computation can be efficiently performed. First, we exploit the properties of the weighted geometric mean and find several equivalent ways to express it through real powers of a matrix. Hence, we focus our attention on matrix powers and examine how well-known techniques can be adapted to the solution of the problem at hand. In particular, we consider two broad families of approaches for the computation of f(A) v, namely quadrature formulae and Krylov subspace methods, and generalize them to the pencil case f(A\B) v. Finally, we provide an extensive experimental evaluation of the proposed algorithms and also try to assess how convergence speed and execution time are influenced by some characteristics of the input matrices. Our results suggest that a few elements have some bearing on the performance and that, although there is no best choice in general, knowing the conditioning and the sparsity of the arguments beforehand can considerably help in choosing the best strategy to tackle the problem.