statistica e gestione delle informazioni

Il principale obiettivo di questo insegnamento è fornire una preparazione rigorosa sul calcolo differenziale ed integrale in una variabile. Conoscenza e comprensione. Questo insegnamento fornisce conoscenze e capacità di comprensione relativamente a: Linguaggio matematico e metodo di studio per argomenti di carattere matematico Natura dei numeri interi e dei numeri reali, definizione e manipolazione di successioni e serie numeriche Classi di funzioni reali e loro proprietà Natura e proprietà degli integrali e delle funzioni integrali rilevanti in statistica Capacità di applicare conoscenza e comprensione. Alla fine dell'insegnamento e del loro lavoro personale le studentesse / gli studenti saranno in grado di: Schematizzare un problema di carattere tecnico o scientifico, affrontandolo anche attraverso la creazione di opportuni esempi, spezzare il problema in passi e individuare eventuali problemi analoghi che possano fornire indicazioni Comprendere ed usare il linguaggio matematico presente in libri o articoli di matematica o statistica Utilizzare criticamente gli strumenti del calcolo differenziale e del calcolo integrale in una variabile Svolgere autonomamente calcoli relativi a serie numeriche, derivate, integrali, funzioni di distribuzione L'insegnamento consente alle studentesse / agli studenti di acquisire solide basi nell'uso del calcolo differenziale e integrale in una variabile, necessarie in qualsiasi contesto lavorativo, e che rappresentano una base imprescindibile per il proseguimento del percorso universitario. Autonomia di giudizio. L’insegnamento mira a sviluppare la capacità di analisi critica e autonoma di concetti astratti, favorendo: il riconoscimento della struttura logica di un problema matematico; la scelta appropriata degli strumenti analitici per affrontarlo; l’interpretazione rigorosa dei risultati ottenuti. Abilità comunicative. Lo studente sarà incentivato a esprimere con chiarezza argomentazioni matematiche complesse, utilizzando: il linguaggio matematico formale; una esposizione logica e coerente. Capacità di apprendere. Il corso rafforzerà l’attitudine all’apprendimento autonomo e continuo, fornendo: strumenti teorici e metodologici per lo studio di testi avanzati; competenze matematiche per affrontare corsi successivi; l’abitudine alla formalizzazione e alla generalizzazione.

Numeri reali. Proprietà metriche ed aritmetiche. Potenze con esponente reale. Equazioni e disequazioni. Estremo superiore. Limiti di successioni. Successioni monotone. Forme di indecisione. Il numero e. Serie numeriche. La serie geometrica.Limiti di funzioni e proprietà delle funzioni continue. Funzioni composte e loro limiti. Derivate. Studio del comportamento locale e globale di una funzione. Il teorema del valor medio. Derivate successive. Convessità. Sviluppi e serie di Taylor. La serie esponenziale.Integrale di Riemann. Teorema fondamentale del Calcolo Integrale. Tecniche di integrazione.Integrale di Riemann generalizzato: criteri di convergenza. Serie numeriche e integrali generalizzati. La funzione Gamma. Funzioni integrali e loro grafici. Funzioni di ripartizione e loro grafici.

Esame scritto, con eventuale esame orale solo su richiesta del docente o dello studente. La prova orale puo` essere richiesta da uno studente solo se ha conseguito un voto di almeno 18/30 nella prova scritta. Non ci sono prove intermedie. La prova scritta consiste di domande a risposta multipla ed esercizi relativi al programma dell'insegnamento. Scopo della prova scritta è verificare la capacità di svolgere in forma corretta e completa esercizi di analisi, evidenziando sia la capacità di calcolo sia la capacità di ragionamento e di utilizzo autonomo di strumenti acquisiti seguendo l'insegnamento. Durante la prova orale, che generalmente include scrittura su carta, si richiede la conoscenza e la comprensione delle dimostrazioni dei teoremi svolte durante le lezioni, e la capacità di esporre e discutere le definizioni e le tecniche di calcolo introdotte. In relazione all'esito della prova scritta, durante la prova orale può essere richiesto anche lo svolgimento di esercizi.

Libri di testo:M. Bramanti, C. D. Pagani, S. Salsa, Analisi matematica 1, ZanichelliS. Salsa, A. Squellati, Esercizi di Analisi matematica 1, Zanichelli

Il corso si propone di fornire gli strumenti di base per studiare le trasformazioni quantitative e strutturali di una popolazione e approfondire i fattori che ne determinano l’evoluzione. Particolare attenzione viene dedicata alla presentazione dei metodi di analisi dei fenomeni demografici e alle tecniche di previsione. Gli studenti acquisiranno inoltre una professionalità nell'affrontare iniziative di documentazione, analisi e divulgazione dei temi riguardanti la popolazione e le sue dinamiche. Questo insegnamento fornirà conoscenze e capacità per valutare non solo le dinamiche demografiche bensì anche i corrispondenti effetti sul piano degli equilibri socio-economici e politico-culturali. Alla fine del corso gli studenti saranno in grado di utilizzare strumenti per un’analisi critica della realtà demografica e delle sue evoluzioni. Conoscenza e capacità di comprensione.Questo insegnamento fornirà conoscenze e capacità di comprensione relativamente a: lo studio delle trasformazioni quantitative e strutturali della popolazione in riferimento al passato e al presente la definizione di scenari futuri rispetto alle dinamiche demografiche Conoscenza e capacità di comprensione applicate.Alla fine dell'insegnamento gli studenti saranno in grado di: documentare e analizzare i fenomeni demografici analizzare in modo critico le variazioni in atto valutare l'impatto sul piano socio-economico delle trasformazioni in atto Autonomia di giudizio:Tali capacità saranno sviluppate con le attività di laboratorio e la stesura del rapporto della condizione demografica. Abilità comunicative:Tali capacità saranno sviluppate con la stesura del rapporto della condizione demografica. Capacità di apprendere:Sulla piattaforma sono indicati per ogni argomento i capitoli del libro di testo, gli esercizi ed eventuali testi o i materiali per l'approfondimento delle tematiche oggetto del corso per facilitare lo studio anche dei non frequentanti e per permettere a chi vuole di approfondire alcune tematiche.

Introduzione: che cosa è la demografia. Le fonti demografiche:a. nazionalib. internazionali Misure dell’incremento:a. Tasso di incremento aritmeticob. Tasso di incremento geometricoc. Tasso di incremento continuod. Tempi di raddoppio/dimezzamento.e. presentazione tendenze attualif. Laboratorio Struttura di una popolazione: a. Piramide delle etàb. Indicatori della struttura per età (indice di vecchiaia, dipendenza o carico sociale, indice di ricambio della popolazione in età lavorativa)c. Indicatori della struttura per genere (rapporto di mascolinità e rapporto di composizione)d. Presentazione tendenze attualie. Laboratorio L’analisi dei fenomeni demografici strumenti:a. Tassi generici e specificib. Confronto fra tassi.c. diagramma di Lexis, anni compiuti, popolazione media, tassi e probabilità Analisi dei fenomeni: Mortalità a. mortalità infantileb. tassi e probabilità di mortec. tavole di mortalitàd. presentazione tendenze attualie. laboratorio Analisi dei fenomeni: natalità a. La fecondità e natalitàb. intensità (tassi, TFT)c. calendario (età media al parto)d. ordine di nascitae. presentazione andamenti attualif. laboratorio Transizione demografica: a. Fasi della transizione b. Storia della popolazione mondiale Analisi dei fenomeni: mobilità e migrazioni a. Le migrazioni interne e internazionalib. Intensità e calendarioc. Caratteristiche di chi migrad. Stima del saldo migratorioe. Tedenze demografichef. Laboratorio Previsioni della popolazione:a. Metodo analitico (sesso ed età)b. La scelta delle ipotesi di basec. Previsioni della popolazione italiana secondo l'ISTATd. Laboratorio

Esame scritto La prova scritta consiste in esercizi pratici (massimo 20 punti) e domande aperte teoriche sugli argomenti trattati a lezione (massimo 10 punti). Il voto finale è la somma dei punteggi attribuiti a ciascun esercizio o quesito. Tale prova d'esame mira a verificare la capacità di trattamento di dati statistici, la costruzione di indicatori demografici e la conoscenza dei principali metodi di analisi demografica. Sulla base di uno schema fornito a lezione gli studenti devono scrivere una relazione sulla situazione demografica del comune analizzato durante le ore di laboratorio. La relazione sul comune permette di valutare la capacità dello studente di analisi ed interpretazione di dati reali e la stesura di un rapporto di ricerca. La valutazione terrà conto di questi aspetti:la completezza del lavoro (5 laboratori e tutte le consegne), la pertinenza dei commenti, la chiarezza espositiva, la correttezza dei calcoli e gli aspetti di editing (impaginazione, cura del testo, tabelle e grafici).Il voto finale sarà ottenuto come media pesata dei voti ottenuti nella relazione sull'attività di laboratorio (0,3) e nello scritto (0,7). Non sono previste prove in itinere. Considerato il materiale a disposizione e i libri consigliati, l'esame non prevede una modalità diversa tra frequentanti e non frequentanti.

Blangiardo G. C. (2025). Elementi di Demografia, Quarta Edizione Il Mulino, Bologna. Lettura facoltativa:Vignoli e Paterno ( a cura di) (2025). Rapporto sulla popolazione. Verso una demografia positiva. Il Mulino. Documentazione aggiuntiva verrà resa disponibile durante il corso sulla piattaforma e-learning.

Il corso introdurrà concetti di base riguardanti: l’architettura dei computer, l’hardware, il software, i sistemi operativi, il processo di sviluppo del software ed il passaggio dai dati all'informazione. Il corso si focalizzerà sulla costruzione di programmi per l’accesso ai dati, per la manipolazione dell’informazione e la sua rappresentazione. Al termine di questo corso, gli studenti saranno in grado di risolvere i problemi utilizzando un linguaggio di programmazione e gli strumenti di elaborazione automatica delle informazioni.

Elaborazione delle informazioni Cenni di Hardware/Software Sistemi Operativi Command Line Interface e Graphic User Interface Cenni di File System Differenze tra File System Unix e File System Windows Paradigmi di programmazione Introduzione agli algoritmi Dagli algoritmi alla programmazione Linguaggi di programmazione (Interprete e compilatore) Programmazione in Python Ambienti di esecuzione e sviluppo per Python Struttura di un file sorgente Istruzioni Variabili Logica booleana Istruzioni condizionali Input Output Funzioni Parametri formali e parametri attuali Moduli,Package, Package Manager Strutture dati complesse (tuple, liste, dizionari) Strutture dati complesse e iteratori File Trattamento dei file di testo Rappresentazione dell'informazione Focus on data: Uso delle lilierie per la manipolazione delle tabelle Uso delle librerie per la visualizzazione delle informazioni

L’appello consiste in una prova scritta all’elaboratore che richiede la risoluzione di esercizi tramite lo sviluppo di un programma in Python. La natura dell'esame scritto permette di verificare le conoscenze specifiche dello studente e la sua capacità di costruire un percorso logico per affrontare e risolvere un problema. Orale facoltativo (su richiesta del docente o dello studente se sufficiente). L’orale può comportare sia l’aumento che la diminuzione della valutazione della prova scritta.

Le slide, gli esercizi ed in generale tutto il materiale presentato a lezione sarà pubblicato su questo sito web. Libri:* Deitel, Introduzione a Python. Per l'informatica e la data science, Pearson. More details here* T. Gaddis, Introduzione a Python. Pearson. Maggiori informazioni qua.* A. Downey, J. Elkner, C. Meyers. “Pensare da informatico, Imparare con Python”, traduzione italiana di “How to Think Like a Computer Scientist”, Green Tea Press, Wellesley, Massachusetts. EBook disponibile in rete (basta effettuare una ricerca su google). Alcuni link: formato pdf, formato html. Le slide presentate a lezione saranno rese disponibili presso questo sitoDurante il corso potrà essere indicato del materiale aggiuntivo

L'obiettivo del corso è quello di presentare i risultati di base dell'algebra lineare che sono fondamentali e propedeutici ai corsi di Calcolo delle Probabilità e Analisi statistica multivariata. In particolare, gli obiettivi formativi descritti nei termini dei Descrittori di Dublino, saranno: Conoscenza e capacità di comprensione (knowledge and understanding): Lo studente acquisirà una conoscenza chiara e sistematica dei principali concetti di algebra lineare: rappresentazione di spazi vettoriali, sistemi di generatori e basi, applicazioni lineari e loro relazione con matrici e sistemi lineari, proiezioni ortogonali, ruolo degli autovalori e autovettori di una matrice Capacità di applicare conoscenza e comprensione (applying knowledge and understanding): Lo studente sarà in grado di applicare i metodi appresi alla risoluzione di esercizi e problemi, anche in contesti applicativi semplici, mostrando padronanza delle tecniche di calcolo e comprensione delle strutture matematiche di base. Saprà studiare applicazioni lineari mediante la teoria delle matrici e dei sistemi lineari, determinare la miglior approssimazione di un elemento di uno spazio vettoriale tra gli elementi di un suo sottospazio, applicare la procedura di diagonalizzazione di matrici Autonomia di giudizio (making judgements): Lo studente svilupperà la capacità di comprendere e valutare criticamente definizioni, enunciati e dimostrazioni, riconoscendo gli strumenti concettuali più adatti per l’analisi e la risoluzione dei problemi proposti. Abilità comunicative (communication skills): Lo studente saprà esporre i concetti fondamentali del corso con chiarezza e rigore, utilizzando correttamente il linguaggio matematico. Capacità di apprendere (learning skills): Lo studente svilupperà le competenze necessarie per proseguire in autonomia lo studio dell’algebra lineare, con capacità di consultazione di testi scientifici e risorse didattiche adeguate. L'insegnamento consente allo studente di acquisire solide basi nell'uso della algebra lineare necessarie in qualsiasi contesto lavorativo e che rappresentano una base imprescindibile per il proseguimento del percorso universitario

Sistemi lineari e loro risoluzione. Algebra delle matrici. Prodotto tra matrici. Invertibilità di una matrice. Rango di una matrice. Spazi vettoriali su R. Combinazioni lineari ed indipendenza. Sistemi di generatori e basi. Dimensione di uno spazio vettoriale. Applicazioni lineari. Studio di applicazioni lineari mediante matrici e sistemi lineari. Teorema di nullità più rango. Determinante e suo calcolo. Autovalori e autovettori. Diagonalizzabilità. Forme bilineari e prodotti scalari. Basi ortonormali. Proiezioni ortogonali. Teorema spettrale e congruenza di matrici Forme quadratiche. Applicazioni alla statistica

L'esame consiste in una prova scritta informatizzata più una eventuale prova orale. La prova d'esame consiste sia di esercizi simili a quelli visti nella piattaforma online di esercizi a casa, sia di quesiti a contenuto più teorico. La prova è informatizzata, ma la risposta ad alcune tipologie di domande/esercizi può essere richiesta anche su carta. La durata della prova è di 2 ore e durante non è consentito l'utilizzo di libri di testo o appunti e dispense. L'uso di calcolatrici programmabili non è consentito. La prova orale non è obbligatoria per tutti. - Gli studenti che ottengano nella prova scritta una votazione di 16 o meno dovranno tornare ad un appello successivo. - La prova orale è obbligatoria per coloro che ottengano nella prova scritta una votazione compresa tra 17 e 19 (estremi inclusi). - La prova orale è facoltativa per chi ottenga un voto nella prova scritta maggiore o uguale a 27: questi studenti possono scegliere se accettare una votazione di 27 oppure sostenere una prova orale al fine di ottenere una votazione maggiore (fermo restando che la prova orale, se insoddisfacente, può portare ad un abbassamento della votazione finale o ad una insufficienza). In pratica se uno studente ottiene 28 nella prova scritta può decidere di verbalizzare il voto senza sostenere la prova orale: in tal caso verrà registrato il voto 27. Altrimenti, lo studente può decidere di sostenere una prova orale: a seconda dell'andamento della prova orale il voto 28 può essere abbassato (fino ad una eventuale insufficienza), confermato, o alzato. - Per chi prenda almeno 17 nella prova scritta: la prova orale deve essere sostenuta in tutti quei casi che venga richiesta o dal docente o dallo studente (che intenda migliorare il voto dello scritto). Ad esempio, uno studente prende 24 nella prova scritta e potrebbe quindi saltare la prova orale, ma decide di farla per migliorare il proprio voto. - La prova orale, ove prevista, va sostenuta nello stesso appello della prova scritta. In ogni caso l’esame finisce nell’appello in cui venga svolta la prova scritta. Durante il periodo del corso sarà possibile gli studenti potranno fare pratica sul sistema informatizzato da casa propria e, nel caso che svolgano tutti gli esercizi nel periodo previsto, potranno accumulare fino a 2 punti di bonus. Questo bonus si aggiungerà al voto dell'esame scritto, permettendo agli studenti di avere un voto migliorato nello scritto.

Schlesinger E., Algebra Lineare e Geometria, Zanichelli, 2017 (seconda edizione) Fioresi R.,Morigi M., Introduzione all'Algebra Lineare, Casa Editrice Ambrosiana, 2021 (seconda edizione) Appunti delle lezioni disponibili sul sito di elearning del corso.

Conoscenza e capacità di comprensione: al termine del corso lo studente possederà gli strumenti concettuali per comprendere le peculiarità del metodo statistico nell'ambito della ricerca biomedica. Conoscenza e capacità di comprensione applicate: al termine del corso lo studente possederà gli strumenti analitici per applicare i metodi statistici nell'ambito della ricerca biomedica. Nello specifico, lo studente sarà in grado di calcolare ed interpretare una misura di frequenza della malattia e dei suoi possibili esiti; calcolare ed interpretare una misura di associazione tra un’esposizione ed un esito; applicare procedure di standardizzazione diretta e indiretta dei tassi; identificare il disegno di studio più appropriato per rispondere ad un determinato quesito di ricerca; interpretare criticamente i risultati di uno studio clinico o epidemiologico. Autonomia di giudizio: lo studente sarà in grado di interpretare criticamente le principali misure epidemiologiche trattate durante il corso. Abilità comunicative: lo studente sarà in grado di comunicare/trasmettere i principali risultati di ricerca ottenuti. Capacita di apprendere: tramite la lettura di articoli scientifici, lo studente si cimenterà nello studio e nell’interpretazione critica dei principali risultati della ricerca.

Ruole delle scienze statistiche nella ricerca e nella pratica clinica Storia naturale della malattia Approccio clinico alla malattia Approccio di sanità pubblica alla malattia Approccio statistico alla malattia Frequenza della malattia e dei suoi possibili esiti Casi incidenti e prevalenti Coorte fissa e popolazione dinamica Tassi e proporzioni Alcune tecniche di uso comune Standardizzazione diretta e indiretta Analisi per coorti Mortalità nel periodo perinatale La ricerca scientifica tra sperimentazione ed osservazione Concetto di causa Ricerca sperimentale Ricerca osservazionale Studi clinici controllati e randomizzati Fasi della sperimentazione clinica Disegni entro pazienti Disegni tra pazienti Studi epidemiologici osservazionali Studi di correlazione Studi di coorte Studi caso-controllo

L’esame consiste in una prova scritta (composta da esercizi numerici) e da una prova orale facoltativa.Non sono previste prove in itinere.

Sulla piattaforma e-learning del corso sarà disponibile tutto il materiale didattico del corso (diapositive delle lezioni ed esercitazioni).

1. Conoscenza e capacità di comprensioneAl termine dell’insegnamento, lo studente avrà acquisito una solida conoscenza dei fondamenti del calcolo delle probabilità, con particolare riferimento alla misurazione dell’incertezza nei processi decisionali. Sarà in grado di comprendere le regole matematiche alla base di un sistema coerente per la quantificazione dell’incertezza, nonché le proprietà e i limiti dei principali modelli probabilistici utilizzati in ambito scientifico e applicativo. Tali competenze teoriche rappresentano una base essenziale per l’analisi statistica dei dati e per la prosecuzione degli studi in ambito quantitativo.2. Conoscenza e capacità di comprensione applicateLo studente sarà in grado di applicare le conoscenze acquisite per riconoscere e descrivere gli elementi essenziali di un processo aleatorio, costruendo modelli probabilistici adeguati a diversi contesti decisionali. Saprà utilizzare tali modelli per elaborare indicatori quantitativi utili al supporto delle decisioni e sarà in grado di integrare il calcolo delle probabilità all’interno dei modelli statistici, in particolare come fondamento per l’analisi inferenziale dei dati. L’applicazione sarà orientata sia alla comprensione teorica che alla risoluzione di problemi pratici.3. Autonomia di giudizioDurante il percorso formativo, lo studente svilupperà una crescente autonomia di giudizio, che si tradurrà nella capacità di valutare criticamente l’adeguatezza e la coerenza di un modello probabilistico rispetto al problema affrontato. Sarà in grado di riflettere sui limiti delle assunzioni adottate e di interpretare in modo consapevole i risultati ottenuti, formulando scelte e valutazioni basate su una solida base quantitativa. Ciò contribuirà a formare un atteggiamento analitico utile sia in ambito accademico che professionale.4. Abilità comunicativeLo studente maturerà la capacità di comunicare in modo chiaro e preciso i concetti appresi, utilizzando un linguaggio tecnico appropriato e coerente con il lessico della probabilità e della statistica. Sarà in grado di presentare e discutere modelli probabilistici e i relativi risultati sia in forma scritta che orale, adattando il registro comunicativo al tipo di interlocutore, specialista o non specialista. Tali abilità contribuiranno a una comunicazione efficace nell’ambito del lavoro di gruppo, della didattica e della divulgazione scientifica.5. Capacità di apprendereInfine, il corso mira a sviluppare nello studente una solida capacità di apprendimento autonomo. Sarà in grado di approfondire in modo indipendente temi avanzati del calcolo delle probabilità e della statistica, di affrontare con maggiore consapevolezza insegnamenti successivi e di aggiornarsi rispetto all’evoluzione degli strumenti quantitativi. Questo apprendimento permanente sarà essenziale sia per il prosieguo degli studi universitari che per l’adattamento a contesti lavorativi in continua trasformazione.

Calcolo combinatorio. Eventi e loro algebra. Misure di probabilità. Regole del calcolo delle probabilità. Assegnazione di una misura di probabilità. Probabilità condizionate. Teorema di Bayes. Indipendenza di eventi. Variabili aleatorie. Funzione di ripartizione, funzione di probabilità e funzione di densità. Sintesi di una variabile aleatoria: valore atteso, varianza, percentili, momenti. Funzione generatrice dei momenti. Distribuzione di funzioni di variabili aleatorie. Particolari leggi di distribuzione discrete: bernoulliana, binomiale, Poisson, geometrica, binomiale negativa, ipergeometrica. Particolari leggi di distribuzione continue (uniforme, normale, esponenziale negativa, gamma, chi-quadrato). Variabili aleatorie bidimensionali e multidimensionali (cenni). Funzioni di vettori aleatori. Teoremi limite del calcolo delle probabilità: legge dei grandi numeri e teorema centrale del limite.

L’esame prevede una prova scritta, comprendente esercizi e domande aperte di teoria, e una prova orale obbligatoria. Accedono all'orale gli studenti che abbiano riportato almeno 18 trentesimi nella prova scritta. Le domande di teoria consentono di verificare la conoscenza e la comprensione delle regole del calcolo delle probabilità e dei principali modelli probabilistici. Gli esercizi consentono di verificare la capacità di analizzare un processo aleatorio, la capacità di scegliere un adeguato modello probabilistico e la capacità di dedurre indicatori sintetici dal modello scelto. Inoltre, sia le domande di teoria sia gli esercizi consentono di verificare la capacità di esprimersi con un linguaggio tecnico adeguato.

Il libro di testo è: Ross, S. M. “Calcolo delle probabilità (terza edizione italiana)”, Maggioli, 2016. Il riferimento al libro di testo è essenziale per seguire lezioni ed esercitazioni. Ulteriore materiale di supporto viene fornito tramite la piattaforma e-learning.

Il corso ha l’obiettivo di fornire agli studenti competenze pratiche nell’uso del linguaggio R per l’analisi e la rappresentazione dei dati. Partendo dall’ambiente di lavoro e dalle strutture dati fondamentali, il corso guiderà gli studenti attraverso le tecniche di importazione, manipolazione e unione di dataset, fino alla produzione di visualizzazioni grafiche efficaci. Al termine del corso, gli studenti saranno in grado di utilizzare R e le principali librerie del suo ecosistema per affrontare autonomamente problemi reali di analisi dei dati.

Introduzione a R e RStudio Ambiente di lavoro: console, script, workspace R come calcolatrice: operatori aritmetici e funzioni matematiche Oggetti e variabili: creazione, ispezione e cancellazione Progetti R e organizzazione riproducibile delle cartelle di lavoro Strutture dati in R: tutto è un vettore* Scalari* Vettori: creazione, indicizzazione, operazioni* Progressioni aritmetiche e sequenze Data frame: struttura e creazione Importazione di dati da file CSV Esplorazione di un data frame: struttura, dimensioni e statistiche descrittive Estrazione di colonne e sottoinsiemi di righe Valori mancanti: identificazione, conteggio e rimozione Concatenazione di data frame per righe Fusione di data frame: inner join e outer join La grammatica della grafica: il pacchetto ggplot2 Struttura di un grafico ggplot2: dati, estetica, geometrie Principali tipi di grafico e personalizzazione

L’appello consiste in una prova scritta all’elaboratore che richiede la risoluzione di esercizi tramite lo sviluppo di un programma in R.La natura dell’esame scritto permette di verificare le conoscenze specifiche dello studente e la sua capacità di costruire un percorso logico per affrontare e risolvere un problema di analisi dei dati. Orale facoltativo (su richiesta del docente o dello studente se sufficiente). L’orale può comportare sia l’aumento che la diminuzione della valutazione della prova scritta.

Le slide, gli esercizi ed in generale tutto il materiale presentato a lezione sarà pubblicato su questo sito web.

Il corso di Statistica I, in quanto primo corso di statistica nell’ambito del CdL di Statistica e Gestione delle Informazioni, ha come obiettivo quello di introdurre gli studenti alle conoscenze ed alle competenze teorico-pratiche iniziali della statistica che costituiscono le basi del corso di laurea medesimo. Conoscenza e comprensione Gli studenti dovranno essere in grado di saper riconoscere la natura delle variabili statistiche sapendole estrarre da un data base. Dovranno inoltre saper rappresentare graficamente in modo opportuno e saper sintetizzare attraverso indicatori adeguati le informazioni che possono essere sia di tipo univariato che bivariato. Capacità di applicare conoscenza e comprensione Si richiederà che lo studente sappia eseguire semplici analisi dei dati (statistica descrittiva) e abbia sviluppato la capacità di esprimersi in modo chiaro e con proprietà di linguaggio in modo da potere interagire anche con figure professionali non necessariamente preparate sulla disciplina statistica.

La statistica come scienza Popolazione e unità statistiche Variabili statistiche e scale di misura Rappresentazioni grafiche Distribuzioni di frequenza univariate Indici di posizione e medie Variabilità e sua misura Standardizzazione degli indici Studio della forma di una distribuzione (asimmetria e curtosi) Distribuzioni di frequenza bivariate Connessione e dipendenza in media Correlazione.

È prevista una prova scritta che comprende 10 domande di teoria ed alcuni esercizi. Per superare la prova è necessario raggiungere la sufficienza (18/30) in entrambe le parti che compongono la verifica scritta.Il voto finale della prova scritta è dato dalla media artimetica dei due voti solo se entrambi sufficienti. Prova orale facoltativa su richiesta del docente. Lo studente può richiederla solo se la prova scritta è sufficiente. La verifica scritta si compone di domande di teoria semi aperte e di esercizi numerici (da svolgere con la calcolatrice). Le domande teoriche consentono di verificare la conoscenza dei principali indicatori statistici uni e bivarianti. Gli esercizi consentono di verificare la capacità di scelta, di calcolo e di commento degli opportuni indicatori statistici nel contesto di semplici problemi pratici. Inoltre, le domande teoriche e gli esercizi (con i relativi commenti) consentono di verificare la capacità di esprimersi con un adeguato linguaggio tecnico. La prova orale consiste nell'esposizione di argomenti di teoria. Lo studente deve saper esporre ed argomentare concetti teorici sapendo anche effettuare collegamenti fra argomenti diversi.

G. Boari, G. Cantaluppi, Note di statistica descrittiva e primi elementi di calcolo delle probabilità, EDUCatt Università Cattolica, Milano, 2020 L. Deldossi, R. Paroli, Lezioni di statistica, G. Giappichelli Editore, Torino, 2015 G. Leti, L. Cerbara, Elementi di statistica descrittiva, Il Mulino, Bologna 2009 F. Mecatti, Statistica di base - Come, quando, perchè, McGraw-Hill, Milano 2022 L. Santamaria, Statistica descrittiva – Applicazioni economiche e aziendali, Vita e Pensiero, Milano 2006 A. Zanella, Elementi di statistica descrittiva, CUSL, Milano 2000

**Conoscenza e comprensione **. Questo insegnamento è di servizio, cioè fornisce conoscenze propedeutiche per i corsi che trattano argomenti più specifici al corso di laurea in Statistica e Gestione delle informazioni. In particolare, il corso di Analisi Matematica II è la prosecuzione del corso di Analisi Matematica I, perciò ne condivide gli obbiettivi di base. La differenza sostanziale sta nel tipo di funzioni che verranno considerate e studiate, che dipenderanno da due o più variabili invece che di una. Capacità di applicare conoscenza e comprensione. I dati spesso si presentano come vari numeri associati ad ogni osservazione di un esperimento. Lo studiarli com plessivamente invece che individualmente richiede oggetti matematici chiamati funzioni a più variabili. Essi costituiscono la base del corso di Analisi Matematica II, perciò la capacità di stabilire quando utilizzare tali strumenti ed il modo migliore per farlo, sono alla base per la comprensione degli argomenti trattati nei corsi caratterizzanti del Corso di Laurea.

Numeri Complessi. Definizione di numero complesso: forma al-gebrica. Forma trigonometrica e esponenziale. Significato geometricodelle operazioni algebriche (somma prodotto quoziente). Serie di Fourier. Richiami a : spazi vettoriali dotati di prodotto scalare. Ortogonalità e Teorema di Pitagora generalizzato. Vettori ortonormali e procedura di ortonomalizzazione di Gram-Schmidt Polinomi trigonometrici in forma reale e complessa. Serie di Fourier associata ad una funzione periodica. Disuguaglianza di Bessel e formula di Parseval. Teorema di Riemann-Lebesgue sui coefficienti di Fourier. Calcolo differenziale in più variabili. Preliminari Derivate parziali. Funzioni differenziabili. Derivate direzionali. Massimi e minimi in insiemi aperti. Matrici definite/semidefinite positive/negative. Riconoscimento dei massimi e minimi relativi mediante la matrice Hes-siana. Massimi e minimi vincolati. Calcolo integrale in più variabili. Definizione di integrale di Riemann di una funzione di due variabili reali a valori reali. Proprietà degli integrali. Domini x-semplici e y-semplici in R^2. Definizione di integrale per funzioni da R^n in R. Cambio di variabili negli integrali doppi: coordinate polari, matrice Jacobiana. Coordinate cilindriche e sferiche in R3. Calcolo delvolume della sfera. Integrali impropri. Calcolo dell'integrale di Gaussiane.. .

Esame scritto, con eventuale esame orale solo su richiesta del docente o dello studente. La prova orale puo' essere richiesta da uno studente solo se ha conseguito un voto di almeno 18/30 nella prova scritta. Non ci sono prove intermedie. La prova scritta consiste di esercizi relativi al programma dell'insegnamento. Scopo della prova scritta è verificare la capacità di svolgere esercizi, evidenziando sia la capacità di calcolo sia la capacità di ragionamento e di utilizzo autonomo di strumenti acquisiti seguendo l'insegnamento. Durante la prova orale, può venire richiesta la conoscenza e la comprensione delle dimostrazioni dei teoremi svolte durante le lezioni, la capacità di esporre e discutere le definizioni e le tecniche di calcolo introdotte. In relazione all'esito della prova scritta ed anche lo svolgimento di esercizi.

Marco Bramanti, Carlo Domenico Pagani, Sandro Salsa. Analisi matematica 2. Zanichelli.

Il Corso intende creare le necessarie conoscenze, sotto il profilo tecnico e metodologico, che consentano la comprensione del modello di una base di dati relazionale per il supporto decisionale (Relational and Non-relational database) quale risorsa strategica essenziale al raggiungimento degli obiettivi di un’organizzazione aziendale. Il corso inoltre intende fornire le competenze tecniche per l'interrogazione mediante il linguaggio SQL.

· Progettazione di basi di dati o Metodologie e modelli per il progetto o Introduzione alla progettazione: il ciclo di vita dei sistemi informativi, metodologie di progettazione e basi di dati. o Il modello Entità – Relazione: i costrutti principali del modello, panoramica finale del modello E-R o Documentazione di schemi E-R, regole aziendali, tecniche di documentazione. · La progettazione concettuale e logica o L’analisi e la specifica dei requisiti o Strategie di progetto: strategia top- down, strategia bottom- up, strategia inside-out, strategia mista o Qualità di uno schema concettuale o Strumenti CASE per la progettazione di basi di dati · La normalizzazione o Ridondanze e anomalie o Dipendenze funzionali o Progettazione di basi di dati e normalizzazione: verifiche di normalizzazione su entità e su associazioni, ulteriori decomposizioni di associazioni, ulteriori decomposizioni di schemi concettuali · Basi di dati per il supporto alle decisioni o Architetture e paradigmi per l’analisi dei dati o Data mining: il processo di data mining, problemi di data mining, prospettive del data mining o Database NoSQL (Graph-db e documentali) Eventuali variazioni saranno comunicate dal docente in aula.

La modalità di verifica si basa su una prova scritta obbligatoria (orale facoltativo). La prova scritta si svolge al computer ed è composta da domande aperte e chiuse e risposta multipla su tutti gli argomenti del corso. In sede di valutazione viene considerata la capacità dello studente di rispondere a quesiti specifici facendo riferimento agli aspetti teorici e pratici (mediante esempi) connessi all'argomento richiesto. La prova scritta è comune sia per gli studenti frequentanti sia per i non frequentanti. La prova orale è mirata ad accertare la conoscenza teorica dello studente sugli argomenti del corso. Saranno quindi valutate le capacità di ragionare e approfondire le tematiche proposte in sede di esame e il rigore metodologico del loro sviluppo.

Il libro di testo adottato è “Basi di dati, Modelli e Linguaggi di interrogazione”, Atzeni, Ceri, Paraboschi, Torlone, McGraw-Hill.

Il corso si propone di fornire gli strumenti per l’analisi dei fenomeni sociali attraverso la presentazione delle modalità di conduzione di indagini sul campo e costruzione di indicatori sintetici e di scale di atteggiamenti. Questo insegnamento fornisce le conoscenze e capacità di comprensione relativamente: alla gestione di una indagine all'analisi delle variabili presenti in un questionario alla costruzione di scale e indicatori sintetici. Alla fine dell'insegnamento gli studenti saranno in grado di: implementare un questionario, definire una scala di atteggiamento e costruire misure di valutazione, scegliere gli appropriati metodi per costruire indicatori di sintesi ed interpretarli (Conoscenza e capacità di comprensione applicate; autonomia di giudizio) comunicare e presentare i risultati derivanti dalle analisi mediante la produzione di un elaborato (Abilità comunicative). L'insegnamento consente allo studente di acquisire solide basi nell'uso della statistica descrittiva ed esplorativa necessarie in qualsiasi contesto lavorativo e che rappresentano una base imprescindibile per il proseguimento del percorso universitario (Capacità di apprendere).

Prima parte Indagini campionarie, implementazione del disegno complessivo. Misure e modalità di raccolta dei dati. Struttura di un questionario. Domande e categorie di risposte. Aspetti psicologici e di fraseggio Domande delicate. Effetti risposta; effetti d’ordine La tecnica delle scale: Scala di Bogardus, scalogramma di Guttman, Scala di Thurstone, scala di Likert, Differenziale semantico di Osgood, cenni altre tipologie di scale Esempi di scale: Sensation Seeking Scale (SSS), Test v-Lot-R, Buss Durkee Hostility Inventory – BDHI Seconda parte Informazioni di base sugli indicatori sociali. Gli Indici di Sviluppo Umano e misure di Gap. Rassegna dei principali siti nazionali e internazionali. Simulazione di un percorso di ricerca, scelta di una area tematica: fonti statistiche analisi di trend Dai dati grezzi alla costruzione degli indicatori, gestione missing values, costruzione indicatori e definizione pesi Verifiche della adeguatezza della batteria degli indicatori Elementi per un’analisi della qualità dei dati e di un rapporto di ricerca

La prova d'esame consiste in uno scritto (riguardante la prima parte del programma, cioè il questionario e le scale) contenente sia esercizi sia domande teoriche e un elaborato pratico (il cui contenuto verrà esposto a lezione e in parte elaborato durante le lezioni) da consegnare prima dell'appello d’esame in accordo con il docente. La prova orale è facoltativa , riguarda tutto il programma svolto a lezione e vi possono accedere coloro che hanno ottenuto almeno la sufficienza nelle prove scritto+elaborato. Prevista una prova in itinere per lo scritto durante il periodo di interruzione (febbraio). Le domande teoriche nella prova scritta consentono di verificare la conoscenza delle problematiche legate al questionario e alle scale. Gli esercizi consentono di verificare la capacità di scelta, di calcolo e di interpretazione dell'opportuno indicatore/scala nel contesto di semplici problemi pratici. Inoltre, le domande teoriche e gli esercizi consentono di verificare la capacità di esprimersi con un adeguato linguaggio tecnico. La valutazione è espressa in trentesimi. Il voto finale deriva dalla media ponderata della prova scritta e dell'elaborato pratico (scritto 2/3, elaborato 1/3); l'accesso all'eventuale prova orale richiede il raggiungimento della sufficienza (18/30) nell'insieme di scritto ed elaborato. Nello scritto, le domande teoriche valutano la padronanza concettuale e la proprietà di linguaggio tecnico, mentre gli esercizi valutano la correttezza del procedimento, dell'applicazione del metodo e dell'interpretazione dei risultati; nell'elaborato si valutano l'appropriatezza delle scelte metodologiche, la correttezza delle analisi e la chiarezza espositiva. La graduazione dei voti tiene conto del grado di completezza e correttezza: 18–23 indicano una preparazione sufficiente ma con lacune o imprecisioni; 24–27 una preparazione buona e complessivamente corretta; 28–30 e lode una preparazione ottima, con piena autonomia critica e padronanza del linguaggio tecnico. La prova orale facoltativa può modificare il voto in aumento o in diminuzione.

• Vanda Zammuner (1998), Tecniche dell’intervista e del questionario, il Mulino, Bologna. • Handbook on Constructing Composite Indicators METHODOLOGY AND USER GUIDE, OECD, European Commission, 2008 (cap. 1, pag. 19-33; cap 2, pag. 44-49; parte II pag. 83-88, pag. 102-104). Disponibile al seguente link: https://www.oecd.org/en/publications/handbook-on-constructing-composite-indicators-methodology-and-user-guide_9789264043466-en.html. • Letture integrative e documentazione di lavoro saranno distribuite durante il corso sulla piattaforma e-learning

Introdurre gli studenti alle principali metodologie di trattamento di strutture dati temporali e spaziali, approfondendo sia i fondamentali teorici che gli aspetti operativi ed applicativi.

PARTE A. Analisi di dati temporali Serie storiche: tipologie, struttura ed esempi. Le componenti di una serie storica: Trend, Ciclo, Stagionalità e Innovazione. Processi stocastici a varianza finita e stazionari: struttura matematica, funzioni di autocovarianza, autocorrelazione e autocorrelazione parziale. Teorema di Wold e rappresentazioni ARMA. Modelli ARMA, ARIMA e SARIMA per serie storiche univariate: identificazione, stima e validazione. Previsione mediante modelli ARMA/ARIMA/SARIMA. Decomposizione e previsione di serie storiche univariate mediante modelli strutturali a componenti non osservabili (ETS, BATS/TBATS e UCM). Forma state-space e filtro di Kalman. Modelli con regressori esterni. Cenno ai modelli per serie storiche multivariate. L'analisi spettrale delle serie storiche univariate: stima dello spettro e costruzione di filtri lineari. Cluster analysis su serie storiche. PARTE B - Analisi di dati spaziali Tipi di dati spaziali. Visualizzazione di dati spaziali. Random fields a processi di punto. Correlazione spaziale. Previsione spaziale e kriging. Regressione spaziale.

Esame orale.Non sono previste prove intermedie. Criteri di valutazione: Conoscenza dei concetti fondamentali del corso. Padronanza delle tecniche fondamentali di modellizzazione di dati temporali e spaziali. Copertura degli argomenti. Capacità di collegare le differenti parti del corso e di discuterle e confrontarle criticamente.

Dispensa del corso fornita dal docente

Il corso si propone quale naturale proseguimento del corso di Statistica I. Vengono ripresi alcuni concetti relativi alle distribuzioni bivariate approfondendo gli aspetti legati alla definizione e verifica della bontà di adattamento di modelli matematici, quali funzioni polinomiali o modelli linearizzabili, in un contesto descrittivo tali da permettere la definizione del legame funzionale esistente fra due (o più) caratteri. Per la stima dei coefficienti dei modelli si ricorre al metodo dei minimi quadrati. Conoscenza e comprensione Questo insegnamento fornirà conoscenze e capacità di comprensione relativamente a: Stimare, utilizzando il metodo dei minimi quadrati, i parametri di differenti modelli di regressione polinomiale e linearizzabili (caso bivariato e piano di regressione) Saper valutare la bontà di adattamento dei modelli ai dati (caso bivariato e piano di regressione) Capacità di applicare conoscenza e comprensione Alla fine dell'insegnamento gli studenti saranno in grado di: Scegliere il modello che meglio si adatta ai dati Interpretare il modello per finalità descrittive del fenomeno e commentare i risultati ottenuti L'insegnamento consente allo studente di acquisire solide basi nell'uso della statistica descrittiva necessarie in qualsiasi contesto lavorativo e che rappresentano una base imprescindibile per il prosieguo del percorso universitario.

Regressione polinomiale Metodo dei minimi quadrati Adattamento del modello ai dati Residui di interpolazione Indice di miglioramento Piano di regressione Coefficiente di correlazione parziale

È prevista una prova scritta che comprende 10 domande di teoria ed alcuni esercizi. Per superare la prova è necessario raggiungere la sufficienza (18/30) in entrambe le parti che compongono la verifica scritta.Il voto finale della prova scritta è dato dalla media artimetica dei due voti solo se entrambi sufficienti. Prova orale facoltativa su richiesta del docente. Lo studente può richiederla solo se la prova scritta è sufficiente. La verifica scritta si compone di domande di teoria semi aperte e di esercizi numerici (da svolgere con la calcolatrice). Le domande teoriche consentono di verificare la conoscenza del metodo dei minimi quadrati applicato alla stima dei parametri di differenti modelli di regressione e delle loro principali caratteristiche. Gli esercizi consentono di verificare la capacità di scelta, di calcolo e di commento dei modelli di regressione nel contesto di semplici problemi pratici. Inoltre, le domande teoriche e gli esercizi (con i relativi commenti) consentono di verificare la capacità di esprimersi con un adeguato linguaggio tecnico. La prova orale consiste nell'esposizione di argomenti di teoria. Lo studente deve saper esporre ed argomentare concetti teorici sapendo anche effettuare collegamenti fra argomenti diversi.

G. Boari, G. Cantaluppi, Note di statistica descrittiva e primi elementi di calcolo delle probabilità, EDUCatt Università Cattolica, Milano, 2020 G. Leti, L. Cerbara, Elementi di statistica descrittiva, Il Mulino, Bologna 2009 F. Mecatti, Statistica di base - Come, quando, perchè, McGraw-Hill, Milano 2022 L. Santamaria, Statistica descrittiva – Applicazioni economiche e aziendali, Vita e Pensiero, Milano 2006 Zanella, Elementi di statistica descrittiva, CUSL, Milano 2000

Il Corso intende fornire agli studenti un’adeguata padronanza delle metodologie di inferenza statistica per l’analisi di fenomeni univariati rappresentabili tramite modelli stocastici. Alla fine del corso, lo studente sarà in grado di: applicare le tecniche per la stima puntuale e intervallare dei parametri della distribuzione di una variabile casuale costruire test statistici idonei a verificare ipotesi sulla distribuzione di una variabile casuale normale e individuare approssimazioni adeguate nel caso di variabili casuali qualsiasi utilizzare il software R per lo svolgimento di alcuni esercizi di tipo inferenziale

Il corso si articola in macro argomenti: La nozione di campione e lo spazio campionario. La stima puntuale. Proprietà degli stimatori: correttezza, consistenza, efficienza assoluta e relativa. Il teorema di Rao-Cramér. L’errore quadratico medio. Metodi di stima: il metodo della massima verosimiglianza e il metodo dei momenti. Stima intervallare e metodi per la determinazione dell'intervallo di confidenza. La quantità pivotale. La verifica statistica delle ipotesi. I test di significatività. I principali test statistici: il test Z, il test T, il test chi-quadrato, il test F. Le basi della teoria di Neyman-Pearson. Errore di prima e di seconda specie. Il test più potente e il lemma di Neyman-Pearson. I test uniformemente più potenti. I test basati sul rapporto di verosimiglianza. I test per il confronto tra popolazioni, inclusa l'Analisi della Varianza (ANOVA).

La modalità di verifica si basa sua una prova scritta. La prova scritta è mirata ad accertare le capacità di problem solving dello studente. Sarà quindi costituita da esercizi di tipo sia applicativo che teorico. In sede di valutazione viene considerata la capacità dello studente di: formalizzare il problema proposto in termini di inferenza statistica, identificare le procedure idonee alla sua soluzione e discutere in modo critico le procedure utilizzate e i risultati conseguiti. Durante la prova scritta non è ammesso l'uso di testi o altro materiale con l'esclusione delle tavole della variabili e di un formulario messo a disposizione dal docente. Durante la prova non è ammesso l'uso del cellulare o di altro dispositivo elettronico. A chi ne faccia richiesta, e previo consenso del docente, è consentito di sostenere un'integrazione orale della prova d'esame.

Piccolo, D. (2000). Statistica, Bologna. Il Mulino. Ulteriore materiale (esercizi e dispense su argomenti specifici) sarà messo a disposizione sulla pagina e-learning del corso

Il corso intende fornire le competenze (metodologiche e tecnici) e gli strumenti per la comprensione e la realizzazione di soluzioni per il processamento di Big Data (strutturati e non), attraverso l'uso degli algoritmi e tool di AI per l'estrazione e rappresentazione della conoscenza da dati reali. Inoltre, il corso intende fornire gli strumenti tecnici per la modellazione e realizzazione di data model in accordo con il paradigma NoSQL, focalizzando principalmente sui graph-database e databaseNoSQL. Infine, si forniranno competenze tecniche e metodologiche relativamente ad algoritmi di explainable AI per la comprensione di algoritmi di machine learning black box

Introduction to AI and Big Data Analytics Goal and rationale of AI. The relation between Big Data and AI The value of knowledge – digital economy and data-driven decision making Getting knowledge from data Word Embedding (static and contextual) Word embedding in real-world applications - Modelling and Querying the Resulting knowledge through NoSQL 1. introduction to NoSQL data stores2. Document Databases Explainable AI (global and local interpretation models) Introduction to XAI, local/global interpretation models. model agnostic-specific algorithms XAI techniques as in the state of the art (eg. LIME, SHAP, etc)

La modalità di verifica si basa su una prova scritta ed una eventuale prova orale. La prova scritta si svolge al computer ed è composta da domande aperte e chiuse e risposta multipla su tutti gli argomenti del corso. In sede di valutazione viene considerata la capacità dello studente di rispondere a quesiti specifici facendo riferimento agli aspetti teorici e pratici (mediante esempi) connessi all'argomento richiesto. La prova scritta è comune sia per gli studenti frequentanti sia per i non frequentanti. La prova orale è mirata ad accertare la conoscenza teorica dello studente sugli argomenti del corso. Saranno quindi valutate le capacità di ragionare e approfondire le tematiche proposte in sede di esame e il rigore metodologico del loro sviluppo.

Lezioni con l'ausilio di slide, laboratorio e casi applicativi. Articoli scientifici di riferimento saranno forniti dal docente. Il Software utilizzato sarà open-source

Il corso si propone di introdurre al concetto di variabile latente e ai più importanti modelli con variabili latenti. A lezioni frontali si alterneranno lezioni in laboratorio con SAS ed R in modo da permettere di imparare l’utilizzo di pacchetti statistici e poter quindi applicare le tecniche apprese.

Introduzione al significato di causalità in statisticaSpurious correlationModelli strutturali con variabili osservate. path analysis. Esempi ed esercitazioni con SAS ed RDiversi significati di variabile latenteModello fattoriale: Ipotesi. Comunalità : significato e calcolo. Metodi per ricavaresoluzioni: significato e metodi.Metodi di stima dei fattori Interpretazione dei risultati .Metodi per ricavare punteggi fattoriali. Non unicità soluzioni fattoriali: non identificabilità dei parametri e indeterminatezza dei punteggi fattoriali. Metodi di stima e Verifica di ipotesi.Esempi ed esercitazioni con SAS ed RDifferenze di analisi dei fattori con metodo delle componenti principaliModelli strutturali con variabili latenti. Nessi con path analysis e analisi dei fattori. Soluzione e loror interpretazione. Non unicità soluzioni. Metodi di stima e verifica di ipotesi. Esempi ed esercitazioni con SAS ed R

Esame scritto, 2 domande di teoria e 1 esercizio di analisi dei dati svolto mediante SAS ed R

Slides e appunti del corsoAlwin, Duane F.and Robert M. Hauser (1975) “The decomposition of effects in path analysis”. American Sociological Review, vol. 40 ( February ): 37-40.factor pattern. Rotazione delleBlalock, Hubert M., Jr. (1965) “Path analysis: sociological examples”. American Journal of Sociology 72 (July): 1-16.Blalock, Hubert M., Jr. (1971)“Path analysis: sociological examples (addenda)”. Pp. 136-8 in Hubert M. Blalock, Jr., (ed.), Causal Models in the Social Sciences. Chicago: Aldine-Atherton.Duncan, Otis Dudley, David L. Featherman and Beverly Duncan (1971) Socioeconomic Background and Achievement. New York: Academic Press.Land, Kenneth C., (1969.) “Principles of path analysis”. Pp. 3-37 in Edgar F. Borgatta (ed.), Sociological Methodology, San Francisco: Jossey-Bass.Saris, W.E., & Stronkhorst, L.H.. (1984). Causal Modelling in Nonexperimental Research. Sociometrical Research Foundation. Amsterdam, The Nederlands.Werts, C. E., & Linn. R. L. (1970) Path analysis: Psychological examples. Psychological Bulletin, ,67, 193-212. Lawley, D. N. and Maxwell, A.E. (1971) Factor Analysis as a Statistical Method, American Elsevier, New York.Hauser, R. M., Goldberger,A. S. The treatment of unobservable variables in path analysis. In H. L. Costner (Ed.), Sociological methodology. London: Jossey-Bass, 1971. In K. G. Jöreskog, & H. Wold (Eds.). Sustems under indirect observation Causality structure prediction New York: North HollandLawley, D. N. and Maxwell, A. E. (1971) Factor Analysis as a Statistical Method, American Elsevier, New York.Hauser, R. M., Goldberger,A. S. The treatment of unobservable variables in path analysis. In H. L. Costner (Ed.), Sociological methodology. London: Jossey-Bass, 1971.In K. G. Jöreskog, & H. Wold (Eds.). Systems under indirect observation Causality structure prediction New York: North Holland

Data Mining e Machine Learning (Esame Unico 15 cfu, 120 ore: 8 ore per CFU) Materiale: https://elearning.unimib.it/course/view.php?id=67389 Sezione Data MiningL'obiettivo principale è introdurre metodologie avanzate anche di tipo non analitico/algoritmico ad alta complessità computazionale per disegnare ed eseguire analisi di dati . Sezione Machine learningTale sezione intende fornire un’introduzione alle principali tecniche statistiche di Machine learning attraverso le più moderne tecniche e strategie per l’analisi di grandi moli di dati, illustrando le problematiche connesse. Alla fine del corso lo studente avrà la possibiltà di conoscere i principali algoritmi di DM e ML, discernendo pregi e difetti, essendo in grado di sperimentare ed applicare le conoscenze acquisite su dati reali con R studio. In particolare si perseguono i seguenti obiettivi specifici: Conoscenza e capacità di comprensione (teoria del data mining e del machine learning); Conoscenza e capacità di comprensione applicate (attraverso le lezioni in laboratorio e il project work in gruppo); Autonomia di giudizio (attraverso il project work da presentare all’esame, quiz in classe e data analysis da svolgere autonomamente); Abilita comunicative (attraverso l’esposizione del project work svolto per l’esame durante l’orale); Capacita di apprendere (attraverso materiali di approfondimento forniti sul moodle che lo studente può affrontare in autonomia sulla base delle conoscenze acquisite durante la parte comune).

Data mining sectionCostruzione di un modello (stimatore) robusto a partire dalla stima di un modello base. (1) R and dplyr (overview) (2) Interpretazione di Modelli lineari complessi (Anova, Ancova, GLM) con interazioni, trasformate, (3) Robust methods (Bootstrap, Jacknife, Robust Regression, IRLS, WLS, nonparametric regression, loess smoothing and splines) (4) Passi per costruzione di un modello Robusto (5) missing data mechanism, missing imputation, (y, X)-transformation, misure di Influenza, diagnostiche, heteroschedaticità, model selection. (6) multilevel models for longitudinal data and hierachcal data (cenni) Machine Learning section Problematiche connesse a grandi moli di dati, robustezza, overfitting e problematiche di validazione dei risultati, Regole associative, Modelli statistici per la classificazione supervisionata (modello lineare, analisi discriminante parametrica, modello logistico politomico e ordinale), Algoritmi per la classificazione supervisionata (Naive Bayes, Nearest Neighbour, Neural Network, Alberi decisionali e Classificativi, PLS, Bagging, Boosting e Random forest)

PROVA ORALE SU UN ELABORATO SVOLTO da portare all'orale (PROJECT WORK) e SUGLI ARGOMENTI SVOLTI A LEZIONE PROJECT WORK (Sviluppo di un progetto originale a partire da una semplice idea o dall’analisi di un caso esistente) Lavoro applicativo da svolgere autonomamente o in gruppo di max 3 persone su dataset scelti dallo studente (R o SAS) su cui applicare i principali argomenti svolti a lezione . Di seguito le analisi da svolgere nei due project work (composto da due parti, sezione Data Mining e sezione Machine Learning): Project work Data MiningAnalisi target quantitativo: costruzione di un modello robusto (analisi descrittive, trasformazioni, diagnostiche, model selection, heteroskedasticità, inferenza robusta) e una breve analisi con target binario (stampare output di una regressione logistica). Oppure usare un mdellopiù complesso per dati logitudinali o gerarchici e usare mutitlvel models o sample selection models in casi di campione troncato Project work Machine learningAnalisi con con target binario (classificazione) (Analisi descrittive, preprocessing, proposta diversi modelli, validation strategies, tuning modelli, confronto modelli, studio della soglia, score di nuovi dati) Il dataset delle due parti può essere lo stesso (nel PW di Machine learning potete binarizzare il target quantitativo del PW di Data mining o scegliere un'altra variabile) SOLO SE DI ADEGUATA COMPLESSITA' Portali per la scelta dei dataset: https://archive.ics.uci.edu/ml/datasets www.kaggle.com SVOLGIMENTO PROVA ORALE I principali output del PROJECT WORK (svolto nelle settimane precedenti la data dell'orale) vanno stampati e portati all'orale. L'esame orale, per ciascuna sezione (DM, ML) consta di domande sulla TEORIA affrontata a lezione e sul commento degli output del lavoro applicativo per verificare la comprensione dei principali strumenti adottati e il conseguente "modus operandi" dell'analisi statistica svolta. Lo studente deve dimostrare di aver appreso il funzionamento dei principali algoritmi, essendo in grado di comprenderne pregi e difetti e di applicare tali strumenti su dati reali.LO SVOLGIMENTO DEL PROJECT WORK, ANCHE SE RITENUTO DI OTTIMA FATTURA, NON COMPORTA IL SUPERAMENTO DELL'ESAME, QUALORA EMERGESSERO CARENZE SUGLI ARGOMENTI TEORICI **PROVA IN ITINERE DI DM**E' prevista una prova-esame in itinere a novembre alla fine del modulo di DM (nella settimana dedicata agli appelli del I periodo).(Project work da svolgere in gruppo e prova orale individuale)Lo studente deve dimostrare di aver appreso COME RENDERE UN MODELLO ROBUSTO empriricamente (PW) e di conoscere la teoria statistica sottostante. Le prove orali sono individuali, sebbene per comodità il docente tenderà ad interrogare congiuntamente tutti i componenti del gruppo che han svolto il project work (e che si presenteranno all'orale).

Data Mining Carter Hill, William E. Griffiths, Guay C. Lim.Principles of Econometrics (chapters 2, 4 ,6 ,8 9, 12, 13) An Introduction to Statistical Learning with Applications in R (Chapter 3 (no section 3.5), Chapter/section 4.1, 4.2, 4.3 , 6.1, 6.2, chapter 7)https://hastie.su.domains/ISLR2/ISLRv2_corrected_June_2023.pdf.download.html Lucidi del docente ConsigliatiPrinciples of Econometrics associate R bookhttps://bookdown.org/ccolonescu/RPoE4/ A Handbook of Statistical Analyses Using R (2nd Edition) Chapters 5,6,7,8,10https://www.google.com/url?sa=t&source=web&rct=j&opi=89978449&url=https://www.ehu.eus/ccwintco/uploads/9/93/A_Handbook_of_Statistical_Analyses_Using_R_Second_Edition.pdf&ved=2ahUKEwjLzbfZq-WGAxWvgv0HHRx7AzAQFnoECBEQAQ&usg=AOvVaw0P4Jf6CnMmRwFth4y5zQsh Machine LearningGareth, Witten, Hastie, Tibshirani, An Introduction to Statistical Learning with Applications in R (Chapter 2-4-5-6-8-10.1, 10.2, 12(parte PCA))https://hastie.su.domains/ISLR2/ISLRv2_corrected_June_2023.pdf.download.htmlLucidi sul moodle

Introdurre gli studenti alle moderne tecniche statistiche di classificazione non-supervisionata e riduzione della dimensionalità dei dati, con particolare enfasi su: 1. L'unita della struttura concettuale del problema e il legame tra questa e le tecniche statistiche. 2. La struttura logica e matematica sottostante gli algoritmi. 3. Le differenze e le diverse caratteristiche delle tecniche e degli algoritmi, con il relativo riflesso sui criteri di utilizzo nell'analisi dei dati. 4. I limiti intrinseci degli algoritmi statistici In sintesi, l'obiettivo è fornire agli studenti una conoscenza e una competenza allo stato dell'arte degli strumenti di classificazione non-supervisionata, insieme ad una comprensione profonda della struttura delle tecniche e ad una capacità critica per quanto riguarda il loro utilizzo, in termini di concettualizzazione del problema da affrontare, scelta degli algoritmi, loro implementazione e validazione, analisi e interpretazione dei risultati. In tal modo, l'insegnamento permette l'acquisizione di solide basi per le applicazioni in campo demografico, socio-economico, biostatistico e, in generale, in tutti gli ambiti in cui devono essere analizzati sistemi complessi e multidimensionali di dati.

Il problema della classificazione non-supervisionata e della riduzione della dimensionalità dei dati: esempi di analisi di dati sociali, di dati economici e di dati provenienti da discipline umanistiche. Richiami di algebra lineare: spazi vettoriali, prodotti scalari, proiezioni ortogonali, norme matriciali. Tecniche di analisi lineari: Decomposizione a Valori Singolari (SVD) e suo legame con l'analisi delle Componenti Principali. Non-negative Matrix Factorization e suo confronto con SVD. Il lemma di Johnson-Lindestrauss e la riduzione della dimensionalità a distorsione limitata: Proiezioni Casuali Multidimensional Scaling. Tecniche non-lineari: Dati su varietà differenziabili: Isomap Self-organizing map (SOM) Entropia, divergenza di Kullback-Liebler e riduzione della dimensionalità: SNE e t-SNE Dati categoriali e parzialmente ordinati: Analisi delle Corrispondenze Estrazione di ranking da dati multidimensionali Formal Concept Analysis

Esame orale, per verificare, la comprensione delle logiche di fondo delle metodologie studiate e la loro formalizzazione analitica. La scelta di questa modalità di verifica è dettata da: 1. La tipologia di contenuti del corso, di natura metodologica. 2. L'importanza che gli studenti acquisiscano una capacità argomentativa e di organizzazione del pensiero e siano in grado di effettuare collegamenti analogici fra le parti del programma, sollecitati dalle domande del docente. Non sono previste modalità alternative di esame per i non frequentanti, né prove in itinere. Criteri di valutazione: Conoscenza dei concetti fondamentali del corso. Padrionanza delle tecniche fondamentali di riduzione della dimensionalità Copertura degli argomenti. Capacità di collegare le differenti parti del corso e di discuterle e confrontarle criticamente.

Geometric Structure of High-Dimensional Data and Dimensionality Reduction, Wang J. - Springer 2012. Methods of Multivariate Analysis, Rencher A. C., Wiley 2002 Introduction to Lattices and Order (second edition), Davey B.A:, Priestley H. A., CUP 2002 (capitolo 1). Dispense e articoli forniti dal docente in modalità online.

Il corso si propone di fornire le basi concettuali e gli strumenti sia per la costruzione di disegni campionari di base in ambito di popolazioni finite sia per la pianificazione, l’analisi e l’interpretazione statistica di un esperimento. Alla fine del corso lo studente deve essere in grado di sapersi orientare basilarmente sia nell'applicazione di un piano di campinamento che nello svolgimento di un disegno sperimentale. Conoscenza e comprensione Questo insegnamento fornirà conoscenze e capacità di comprensione relativamente a: Principali piani di campionamento da popolazioni finite (caso variabili continue e dicotomiche) Costruzione dello stimatore del totale/media/frazione per i differenti piani di campionamento Principali disegni sperimentali Analisi della varianza (ANOVA) nel contesto del disegno degli esperimenti Capacità di applicare conoscenza e comprensione Alla fine dell'insegnamento gli studenti saranno in grado di: Saper applicare il corretto piano di campionamento in base alla struttura della popolazione ed il tipo di variabile rilevabile Saper costruire uno stimatore corretto e riconoscerne le proprietà Saper costruire un corretto piano sperimentale Saper svolgere l’analisi della varianza L'insegnamento consente allo studente di acquisire solide basi nell'applicazione della statistica al contesto lavorativo biostatistico/statistico/demografico.

Campionamento da popolazioni finite Campione causale semplice Cenni alla stima della proporzione Campionamento stratificato Campionamento a grappoli Cenni al campionamento a panel Disegno completamente randomizzato (un solo fattore) ANOVA ad una via; ANOVA a due o più vie Disegni fattoriali 2ᵏ Disegni a blocchi randomizzati completi.

L’esame prevede una prova scritta comprendente esercizi e domande di teoria a risposta aperta che riguardano sia la parte di teoria dei campioni che di disegno degli esperimenti. Prova orale facoltativa su richiesta del docente. Lo studente può richiedere la prova orale solo se lo scritto è sufficiente (18/30). La verifica scritta si compone di domande di teoria aperte e di esercizi numerici (da svolgere con la calcolatrice). Le domande teoriche consentono di verificare la conoscenza dei principali piani di campionamento e disegni sperimentali con le relative caratteristiche e proprietà. Gli esercizi consentono di verificare la capacità di scelta, di calcolo e di commento degli opportuni piani di campionamento (e dei relativi stimatori), dei piani sperimentali e dell’ANOVA nel contesto di semplici problemi pratici. Inoltre, le domande teoriche e gli esercizi (con i relativi commenti) consentono di verificare la capacità di esprimersi con un adeguato linguaggio tecnico. La prova orale consiste nell'esposizione di argomenti di teoria. Lo studente deve saper esporre ed argomentare concetti teorici sapendo anche effettuare collegamenti fra argomenti diversi.

Per la parte di campionamento: Frosini B.V., Montinaro M., Nicolini G., Il campionamento da popolazioni finite, UTET, 1999 ; Cochran W.G., Sampling Techniques, J. Wiley, New York, 1977. Per la parte di disegno degli esperimenti: Cochran W.G., Cox M.G., Experimental Designs, II ed. Wiley, New York, 1992 Montgomery, D.C., Progettazione e analisi degli esperimenti, McGraw-Hill, Milano, 2005

Il corso si propone di fornire le basi concettuali e gli strumenti per la pianificazione e l’interpretazione statistica di uno studio epidemiologico. Alla fine del corso lo studente deve essere in grado di impostare correttamente il piano di uno studio epidemiologico orientandosi tra diversi disegni osservazionali e di fornire un contributo statistico alla stesura di un rapporto di ricerca. Per alcuni argomenti sono previste esercitazioni pratiche condotte prevalentemente in ambiente SAS. L'insegnamento consente allo studente di acquisire solide basi nell'applicazione della statistica al contesto lavorativo biostatistico. Conoscenza e comprensione Questo insegnamento fornirà conoscenze e capacità di comprensione relativamente a: Il ragionamento epidemiologico Gli indicatori e i disegni epidemiologici Principali errori degli studi epidemiologici Capacità di applicare conoscenza e comprensione Alla fine dell'insegnamento gli studenti saranno in grado di: Leggere in modo critico i risultati di uno studio epidemiologico Analizzare correttamente i dati provenienti da uno studio epidemiologico Interpretare sinteticamente e con linguaggio tecnico le misure di sintesi ottenute

Concetto di causa in epidemiologia Metodi di osservazione in epidemiologia Studi ecologici; l’errore ecologico; studi di correlazione geografica; studi di correlazione temporale Studi analitici; studi di coorte (razionale; periodo di followup e tempi di induzione-latenza); studi caso-controllo (razionale; base dello studio; scelta dei casi e dei controlli); studi ambidirezionali (caso-coorte e caso-controllo innestati nella coorte) Misure di frequenza di malattia. Misure di associazione. Misure di impatto potenziale Validità e precisione delle stime: distorsione da selezione, da informazione (misclassificazione differenziale e non differenziale) e da confondimento Metodi esatti e approssimati per la stima intervallare delle misure epidemiologiche Introduzione alla meta-analisi Introduzione alla farmacoepidemiologia Metodi di valutazione per le malattie infettive

Modalità prova finale per frequentantiLa prova finale sarà costituita da due momenti. Nel primo momento (tendenzialmente uguale per tutti) i gruppi di lavoro presenteranno un breve seminario dell'attività pratica svolta, organizzato come un articolo scientifico: introduzione al problema, materiali e metodi usati, principali risultati, discussione e conclusioni. Ogni componente del gruppo avrà circa 5 minuti a disposizione per commentare le slide che ha prodotto. Il voto attribuito al seminario sintetizzerà le capacità organizzative e di comunicazione degli studenti oltre alla chiarezza espositiva e alla correttezza delle metodologie statistiche utilizzate e delle conclusioni tratte dalle analisi. In un secondo momento ciascuno studente sosterrà un esame orale in cui verrà verificata la conoscenza degli argomenti trattati nel corso (con minore enfasi per quelli già trattati nel seminario in cui si è cimentato lo studente), la capacità di comunicare con un linguaggio tecnico appropriato e la capacità di ragionamento in particolari scenari proposti dal docente. Anche l'orale produrrà un voto. Il voto finale attribuito allo studente sarà una media del voto del seminario e della prova orale purchè entrambe siano sufficienti. Modalità prova finale per non frequentanti La prova finale sarà identica a quella dei frequentanti per quanto riguarda la prova orale. Il seminario sarà sostituito da un lavoro di approfondimento individuale (tesina) su un argomento a scelta dello studente tra quelli trattati nel corso. La tesina potrà avere un taglio teorico e/o pratico. La tesina dovrà essere inviata al docente contestualmente alla prova orale. Il voto finale attribuito allo studente sarà una media del voto della tesina e della prova orale purchè entrambe siano sufficienti. Se dovesse esserci un periodo di emergenza gli esami orali saranno online e, generalmente, verranno svolti utilizzando la piattaforma WebEx e nella pagina e-learning dell'insegnamento verrà riportato un link pubblico per l'accesso all'esame .

Materiale per i frequentanti. -A. Zambon. Lucidi dell'anno accademico in corso. Materiale scaricabile dalla piattaforma didattica online. Per alcune parti del corso verrà fornito ulteriore materiale ad integrazione dei lucidi. Materiale per i non frequentanti. -Materiale disponibile per i frequentanti. -Rothman KJ. 2004. Epidemiology: an introduction. New York: Oxford University Press

Il corso intende fornire le conoscenze teoriche e operative necessarie per progettare, sviluppare e gestire sistemi informativi aziendali a supporto dei processi decisionali. Particolare attenzione è dedicata alla gestione delle informazioni, all'analisi dei dati strutturati e non strutturati e all'utilizzo di strumenti informatici per il supporto alle decisioni nelle organizzazioni pubbliche e private. Conoscenza e capacità di comprensioneL'insegnamento consente allo studente di acquisire solide basi sulla teoria dei sistemi informativi e delle tecniche di gestione della conoscenza e analisi dei dati da utilizzare nel contesto lavorativo biostatistico/statistico/demografico.Questo insegnamento fornirà conoscenze e capacità di comprensione relativamente a: Progettazione di sistemi informativi per l’analisi dati e di supporto decisionale, Identificazione delle fonti dati di un sistema informativo aziendale, Gestione di dati strutturati e non strutturati.Lo studente acquisirà inoltre conoscenze relative ai principali strumenti informatici utilizzati nelle organizzazioni pubbliche e private, ai sistemi di supporto alle decisioni e alle architetture per la gestione di grandi quantità di dati. Conoscenza e capacità di comprensione applicateGli studenti partecipano a esercitazioni pratiche con software di analisi dei dati e strumenti per il trattamento delle informazioni, applicati a casi reali.Attraverso attività individuali e di gruppo gli studenti acquisiranno la capacità di: utilizzare software per l'analisi di dati strutturati e non strutturati; interrogare e gestire basi dati e fonti informative eterogenee; utilizzare strumenti per la visualizzazione e l'esplorazione dei dati; applicare tecniche di text analytics e text mining; interpretare i risultati delle analisi a supporto dei processi decisionali; progettare semplici soluzioni informative coerenti con le esigenze organizzative. Autonomia di giudizioAttraverso l'analisi dei dati gli studenti sono chiamati a formulare giudizi e valutare le strategie aziendali di comunicazione, di CRM o di marketing basato sulle tecnologie web. Le discussioni in aula e i feedback dei docenti sui progetti, supportano lo sviluppo della capacità di valutazione autonoma dei casi aziendali. Abilità comunicativeGli studenti devono presentare oralmente i progetti di gruppo davanti ai colleghi e ai docenti, sviluppando capacità di comunicazione chiara, sintetica ed efficace. Durante le lezioni interattive e le discussioni di casi, viene incentivata la partecipazione attiva e il confronto.Gli studenti sono inoltre chiamati a valutare criticamente la qualità delle fonti informative e l'adeguatezza delle tecniche utilizzate per l'analisi dei dati. Capacità di apprendereIl corso fornisce strumenti metodologici e operativi che consentono agli studenti di aggiornare autonomamente le proprie competenze nell'ambito dei sistemi informativi, dell'analisi dei dati e delle tecnologie digitali. Attraverso esercitazioni, attività progettuali e l'utilizzo di software specialistici, gli studenti sviluppano la capacità di reperire nuove fonti informative, apprendere l'utilizzo di nuovi strumenti e trasferire le competenze acquisite a contesti applicativi differenti.

Architetture applicative e tecnologiche dei sistemi informativi: - Processi di elaborazione e basi dati - Architetture distribuite, client server, di rete, internet e World Wide Web Applicazioni informatiche e l’analisi del sistema informativo: - Il portafoglio applicativo nelle aziende industriali e di servizi - CRM Progettazione del sistema informativo per l’analisi dati e di supporto direzionale: Progetto dei processi e dei dati BPR Analisi delle attività e delle informazioni Data – warehouse e data mining Sistemi informativi e social media Evoluzione dei sistemi informativi aziendali Social Media Marketing Introduzione alla Social Media Analytics: Sentiment Analysis Big Data e tecniche di trattamento dei dati non strutturati Text Mining e Text Analytics

La modalità di verifica si basa su una prova scritta. La prova scritta si svolge al computer ed è composta da 2 domande aperte (brevi saggi) e 10 domande chiuse a risposta multipla (VERO/FALSO). Le domande aperte hanno l'obiettivo di valutare le capacità di ragionamento e di discussione critica di un argomento. Le domande chiuse hanno l'obiettivo di valutare la preparazione su tutti gli argomenti del corso. Le domande aperte hanno un peso maggiore nel computo del voto finale. In sede di valutazione viene considerata la capacità dello studente di rispondere a quesiti specifici facendo riferimento agli aspetti teorici e pratici (mediante esempi) connessi all'argomento richiesto. La prova d'esame è comune sia per gli studenti frequentanti sia per i non frequentanti.Non sono previste prove intermedie.Durante il laboratorio gli studenti sono invitati a svolgere un progetto in gruppo, non è obbligatorio, chi lo porta a termine avrà qualche punto in più all'esame. Gli studenti non frequentanti possono liberamente scegliere se svolgere il progetto. La valutazione finale tiene conto: della correttezza delle conoscenze teoriche; della capacità di applicare i concetti ai casi proposti; della capacità di interpretazione dei risultati delle analisi; dell'utilizzo appropriato della terminologia disciplinare; della capacità di collegare i diversi argomenti trattati nel corso. Per il raggiungimento della sufficienza è richiesta una conoscenza adeguata dei concetti fondamentali del corso. Le valutazioni più elevate vengono attribuite agli studenti che dimostrano piena padronanza degli argomenti, capacità critica e autonomia nell'applicazione delle metodologie illustrate.

G. Bracchi, C. Francalanci, G. Motta. Sistemi informativi d’impresa. McGraw-Hill, 2010. V. Cosenza, "Social media ROI", Apogeo, 2012, ebook acquistabile in rete, capitoli: 1, 2, 4, 5 (i concetti fondamentali). Nel corso delle lezioni sarà indicato dai docenti ulteriore materiale (slide, articoli…).

L’obiettivo del corso è fornire gli strumenti metodologici e operativi necessari per impostare, gestire e analizzare dati biomedici ed epidemiologici, con particolare attenzione al passaggio dal protocollo di ricerca al dataset analitico, all’analisi dei dati di sopravvivenza, all’introduzione ai modelli diagnostici e prognostici, al controllo qualità dei dati e alla produzione di tabelle, figure descrittive e brevi report statistici. Conoscenza e capacità di comprensioneQuesto insegnamento fornirà conoscenze e capacità di comprensione relativamente a: struttura di un protocollo di ricerca e sua traduzione in una scheda di raccolta dati (Case Report Form, CRF) e dataset analitico; principi di dimensione campionaria e potenza statistica; metodi per l’analisi dei dati di sopravvivenza; elementi introduttivi dei modelli diagnostici e prognostici; principi di controllo qualità dei dati; criteri per la produzione di tabelle e figure descrittive e per la redazione di un breve report statistico. Capacità di applicare conoscenza e comprensioneAlla fine dell’insegnamento gli studenti saranno in grado di: impostare gli elementi essenziali di un dataset a partire da un protocollo di ricerca; riconoscere gli elementi essenziali relativi alla dimensione campionaria e alla potenza statistica; analizzare dati di sopravvivenza mediante curve di Kaplan-Meier, log-rank test e modelli di Cox; interpretare curve di sopravvivenza, hazard ratio e assunzione di proporzionalità dei rischi; comprendere il ruolo dei modelli diagnostici e prognostici nella classificazione e nella predizione del rischio; effettuare controlli di completezza, plausibilità e coerenza sui dati; identificare valori anomali, dati mancanti e incongruenze; produrre tabelle e figure descrittive coerenti con il tipo di studio e con la natura delle variabili; redigere un breve report statistico. Autonomia di giudizioAttraverso esercitazioni pratiche su dati biomedici ed epidemiologici, gli studenti svilupperanno capacità critiche nella valutazione della qualità dei dati, nella scelta dei metodi statistici appropriati e nell’interpretazione dei risultati, tenendo conto del disegno dello studio, della struttura del dataset, della natura delle variabili e dei limiti delle analisi condotte. Abilità comunicativeGli studenti saranno guidati nella produzione di tabelle, figure e brevi testi di commento ai risultati. La redazione di un breve report statistico consentirà di sviluppare la capacità di comunicare in modo chiaro e con linguaggio tecnico appropriato obiettivi, dati, metodi, risultati e limiti dell’analisi. Capacità di apprendereIl corso fornirà agli studenti strumenti concettuali e operativi per proseguire autonomamente l’approfondimento dei metodi statistici applicati alla ricerca biomedica ed epidemiologica, attraverso l’utilizzo di software statistico, dataset di esercitazione, script e documentazione tecnica.L’insegnamento consente allo studente di acquisire competenze applicative nell’utilizzo della statistica nel contesto lavorativo biostatistico ed epidemiologico.

1. Dal protocollo di ricerca al dataset analiticoStruttura essenziale di un protocollo di ricerca in ambito biomedico ed epidemiologico. Definizione del quesito di ricerca, della popolazione in studio, dei criteri di inclusione ed esclusione, dell’esposizione, dell’intervento o del test in studio, degli esiti e delle covariate. Dimensione campionaria e potenza statistica. Differenze operative tra studi prospettici e retrospettivi nella raccolta dei dati. Traduzione del protocollo in una CRF. Principi generali di organizzazione del dataset analitico. 2. Analisi dei dati di sopravvivenzaCaratteristiche dei dati di tipo tempo all’evento. Tempo di origine, tempo di follow-up, evento, censura e troncamento. Funzione di sopravvivenza, funzione di rischio e rischio cumulativo. Stima non parametrica della sopravvivenza mediante metodo di Kaplan-Meier. Rappresentazione grafica e interpretazione delle curve di sopravvivenza. Confronto tra gruppi mediante log-rank test. Modello di Cox a rischi proporzionali, inclusione di covariate, interpretazione dell’hazard ratio e valutazione dell’assunto di proporzionalità dei rischi. 3. Introduzione ai modelli diagnostici e prognosticiFinalità e ambiti di applicazione dei modelli diagnostici e prognostici in ambito biomedico ed epidemiologico. Differenza tra diagnosi di una condizione presente e prognosi di un evento futuro. Definizione della popolazione target, dell’outcome, dei predittori e dell’orizzonte temporale di predizione. Costruzione, interpretazione e valutazione di modelli statistici per la classificazione e la predizione del rischio. Introduzione ai concetti di performance predittiva, validazione e applicabilità dei modelli nella pratica clinica ed epidemiologica. Cenni all’utilizzo dei modelli per dati di sopravvivenza nella stima del rischio individuale a tempi prefissati. 4. Controllo qualità dei dati, tabelle descrittive e report statisticoControlli di completezza, plausibilità e coerenza sui dati raccolti. Identificazione e gestione di valori anomali, dati mancanti e incongruenze. Costruzione del dataset analitico finale. Produzione di tabelle descrittive coerenti con il tipo di studio e con la natura delle variabili in analisi. Struttura di un breve report di analisi statistica.

Non sono previste prove in itinere.L’esame si svolgerà in un solo giorno e sarà diviso in due sezioni:• nella prima sezione, gli studenti dovranno rispondere per iscritto a domande chiuse e/o aperte sugli argomenti del corso;• nella seconda sezione, al computer, verranno presentati uno o più problemi basati su dati reali o simulati, da risolvere usando il software statistico SAS. La prima sezione è finalizzata a verificare la conoscenza e la comprensione dei concetti metodologici trattati nel corso, nonché la capacità di interpretarli correttamente in ambito biomedico ed epidemiologico.La seconda sezione è finalizzata a verificare la capacità di applicare i metodi statistici a dati reali o simulati, produrre e interpretare output statistici, effettuare controlli sui dati, costruire tabelle e grafici e commentare in modo appropriato i risultati ottenuti.La valutazione terrà conto della correttezza metodologica delle risposte e delle analisi svolte, dell’appropriatezza delle procedure statistiche utilizzate, della capacità di interpretare criticamente gli output, della chiarezza espositiva e dell’uso corretto del linguaggio tecnico. La modalità di esame è identica per studenti frequentanti e non frequentanti.

Il materiale didattico sarà reso disponibile sulla piattaforma e-learning del corso e comprenderà slide, esercitazioni, dataset, script, articoli scientifici e ulteriori materiali di approfondimento.

L'obiettivo del corso è completare la formazione teorica e pratica sulle tecniche di analisi dei fenomeni demografici con particolare attenzione alle specificità e ai problemi introdotti dalle variabili spaziali Conoscenza e comprensioneQuesto insegnamento fornirà conoscenze e capacità di comprensione relativamente a: La natura spaziale dei fenomeni demo-sociali Le tecniche di elaborazione dei dati spaziali Conoscenza e capacità di comprensione applicateAlla fine dell'insegnamento gli studenti saranno in grado di: Scegliere, tra le numerose tecniche illustrate, la misura adeguata all'analisi di ciascun fenomeno con componente spaziale oggetto delle applicazioni proposte; Misurare le relazioni tra le variabili sul territorio: applicare correttamente le misure, con attenzione alla scelta della scala territoriale; Interpretare correttamente i risultati ottenuti, evitando di incorrere nell'errore ecologico. Autonomia di giudizioGli studenti sono chiamati a svolgere 5 esercitazioni individuali o in piccoli gruppi (massimo 4 studenti) sugli argomenti del corso; gli studenti scelgono l'ambito geografico di riferimento, e sviluppano le analisi redigendo dei report di ricerca strutturati sulla base di un modello fornito dal docente. Abilità comunicativeI 5 report di ricerca consentono agli studenti di affinare progressivamente le proprie capacità di comunicare obiettivi, metodi, risultati e conclusioni sui diversi temi affrontati. Capacità di apprendereIl docente fornisce gli strumenti di base, dati, metodi e software, per lo svolgimento delle esercitazioni, ma invita gli studenti ad estendere le analisi, armonizzandole con risultati relativi a contesti diversi, pubblicati dagli enti di ricerca accreditati. L'insegnamento consente allo studente di acquisire solide basi nell'applicazione della statistica al contesto lavorativo biostatistico/statistico/demografico.

Strumenti per l’analisi spaziale in demografia distribuzione e concentrazione; accessibilità; composizione della popolazione; associazione geografica; migrazioni; modelli log-lineari per le migrazioni; diversità e segregazione. Introduzione ai GIS QGis GeoDA GeoSegregation Analyzer Introduzione all’autocorrelazione spaziale*Indici Join Count, Moran, LISA Studi demografici territoriali in Italia approccio atomistico (la classificazione del territorio rurale - urbano; lettura dei processi insediativi; aree di malessere demografico); approccio contestuale: definizione di area metropolitana in Italia; aree di attrazione; distanza funzionale, tempi medi di primo passaggio.

Frequentantiesame orale: COLLOQUIO SUGLI ARGOMENTI SVOLTI A LEZIONE, con 5 prove intermedie individuali/gruppo (RELAZIONE DI LABORATORIO SCIENTIFICO).L'esame orale verte sulla conoscenza e comprensione degli argomenti teorici affrontati nel corso, sulla discussione delle prove intermedie svolte in autonomia, e sulla verifica del contributo individuale se le prove sono svolte in gruppo.La valutazione delle relazioni di laboratorio scientifico (punteggio da 0 a 6, ciascuna) riguarda: la capacità di applicare gli strumenti alla trattazione di argomenti concreti di ricerca; la capacità di scrivere un breve report di ricerca.Le valutazioni delle 5 prove di cumulano e concorrono al voto finale. Non frequentantiesame orale: COLLOQUIO SUGLI ARGOMENTI SVOLTI A LEZIONE.L'esame verte sulla conoscenza approfondita e sulla comprensione degli argomenti affrontati durante le lezioni e sulla discussione di problemi di ricerca applicata. L'esame ha l'obiettivo di valutare la competenza teorica e la capacità di trasferire tale conoscenza sul piano pratico.

Darmofal, D. 2015. Spatial Analysis for the Social Sciences. Cambridge University Press. Ebdon, D. 1985. Statistics in Geography – Second Edition, Blackwell Publishing. Plane, D.A. and Rogerson, P.A.. 1994. The geographical analysis of population. With application to planning and business, John Wiley & Sons, New York. Rogerson, P. A. (2019). Statistical methods for geography: a student's guide. SAGE. Siegel, J. S. and Swanson, D. A. 2004. The Methods and Material of Demography – Second Edition, Elsevier Academic Press, London. Dispense a cura del docente.

Obiettivo del corso è fornire allo studente le basi per pianificare accuratamente un esperimento o un’osservazione in ambito biomedico, per scegliere adeguatamente i metodi di raccolta dei dati e di analisi statistica, e per interpretare correttamente i risultati ottenuti. Conoscenza e comprensione Questo insegnamento fornirà conoscenze e capacità di comprensione relativamente a: - riconoscere la natura delle variabili di risposta e dei fattori potenzialmente associati alla risposta in uno studio condotto in ambito biomedico - scegliere i metodi di analisi adeguati sulla base della natura delle variabili di interesse e dell'obiettivo dello studio Capacità di applicare conoscenza e comprensione Alla fine dell'insegnamento gli studenti saranno in grado di: - pianificare e condurre l'analisi statistica dei dati in funzione della natura delle variabili di interesse - interpretare e discutere criticamente i risultati dell'analisi L'insegnamento consente allo studente di acquisire solide basi nell'applicazione dei metodi statistici nel contesto lavorativo delle scienze biomediche.

1. Introduzione 1.1 Introduzione al corso: i passi della ricerca in campo biologico e medico 1.2 Introduzione al software SAS per la gestione e l'analisi di dati biomedici 2. Metodi per l’analisi di risposte continue 2.1 Test t e analisi della Varianza (ANOVA) 2.2 Verifica degli assunti per l’analisi parametrica e trasformazione di variabili 2.3 Metodi non parametrici 2.4 Regressione lineare semplice e multipla 3. Metodi per l’analisi di risposte binarie 3.1 Analisi delle tabelle di contingenza 3.2 Regressione logistica semplice e multipla 3.3 Stima della relazione dose-risposta 4. Metodi per l’analisi di risposte conteggio 4.1 Caratteristiche dei dati di tipo conteggio 4.2 Misure di frequenza basate su eventi e tempo-persona 4.3. Modelli di regressione per dati di conteggio

L'esame si svolgerà in un solo giorno e sarà diviso in due sezioni:- nella prima sezione, si dovrà rispondere per iscritto a domande aperte sugli argomenti del corso;- nella seconda sezione, al computer, verranno presentati uno o più problemi basati su dati reali o simulati; per risolverli, si potrà utilizzare il software SAS.In entrambe le sezioni, non sarà possibile consultare alcun tipo di materiale, né accedere al web.

Martin Bland - Statistica Medica - Apogeo

Il corso si propone di introdurre le principali tecniche descrittive e di modellazione dei dati longitudinali. Alla fine del corso lo studente avrà la possibilità di riconoscere i dati longitudinali, i relativi aspetti caratterizzanti e criticità. Inoltre, lo studente acquisirà dimestichezza circa i principali modelli per l’analisi dei dati longitudinali, individuando i contesti applicativi in cui ciascun modello si può applicare, ed essendo in grado di sperimentare ed applicare le conoscenze acquisite su dati reali con R.In particolare, gli obiettivi specifici sono i seguenti: Conoscenza e capacità di comprensione della teoria dei modelli per dati longitudinali Conoscenza e capacità di comprensione di tipo applicato, ovvero sapere stimare ed interpretare i modelli a seconda del contesto applicativo, affrontando le peculiarità dei dati longitudinali Capacità di apprendere e approfondire nuove conoscenze attraverso materiali di approfondimento indicati durante il corso che lo studente può affrontare in autonomia sulla base delle conoscenze acquisite.

Tutti gli argomenti saranno integrati da esempi applicativi con il software R. Concetti fondamentali: il cambiamento nel tempo, variazioni between- e within- Definizione e descrizione dei dati longitudinali: creazione di un dataset longitudinale, statistica decrittiva Modelli ad effetti fissi e modelli ad effetti casuali per dati longitudinali Il modello multilevel: livelli di analisi stima, interpretazione Specificazioni flessibili della dimensione temporale: panel sbilanciati, predittori che variano nel tempo Cambiamenti non lineari

Esame scritto da svolgersi in laboratorio con domande teoriche e problemi pratici da risolvere usando R.

Testi principali• Singer, J. D., & Willett, J. B. (2003). Applied longitudinal data analysis: Modeling change and event occurrence. Oxford university press.• Fitzmaurice, G. M., Laird, N. M., & Ware, J. H. (2012). Applied longitudinal analysis. John Wiley & Sons.• Hedeker, D., & Gibbons, R. D. (2006). Longitudinal data analysis. John Wiley & Sons. Ulteriori riferimenti• Snijders, T. A., & Bosker, R. (2011). Multilevel analysis: An introduction to basic and advanced multilevel modeling.• Greene W (2018) Econometric Analysis• Wooldridge, J (2010). Econometric analysis of cross section and panel data. MIT press.• Baltagi, B (2008). "Econometric analysis of panel data." Rohn Wiley .

Alla fine del corso gli studenti saranno in grado di discutere e analizzare i fattori che influenzano i fenomeni demografici nei paesi delle diverse aree del mondo. Conoscenza e comprensioneQuesto insegnamento fornirà conoscenze e capacità di comprensione relativamente a: le teorie che spiegano i fenomeni demografici e le loro dinamiche metodi statistici per analizzare il legame tra fattori sociali e fenomeni demografici valutare lo stato di avanzamento verso gli Obiettivi di Sviluppo Sostenibile Conoscenza e capacità di comprensione applicateAlla fine dell'insegnamento gli studenti saranno in grado di: discutere le teorie che spiegano i fenomeni demografici e le loro dinamiche descrivere e comunicare l'evoluzione demografica di un paese analizzare, interpretare e comunicare il legame tra fattori sociali e fenomeni demografici descrivere e valutare gli indicatori interessati dal rapporto tra sviluppo sostenibile e demografia Autonomia di giudizioGli studenti svilupperanno queste competenze attraverso la produzione di: 3 relazioni sulle esercitazioni svolte individualmente o in piccoli gruppi, sui diversi temi affrontati nel corso una presentazione di approfondimento su un particolare tema concordato con i docenti. Abilità comunicativeGli studenti svilupperanno le abilità comunicative attraverso la produzione e l'esposizione della presentazione scelta. Capacità di apprenderePartendo dalle indicazioni essenziali per lo svolgimento delle relazioni (struttura, bibliografia e sitografia essenziale, metodi di analisi), gli studenti saranno invitati a sviluppare i temi approfondendo in autonomia sia i contenuti, sia i metodi. L'insegnamento consente allo studente di acquisire solide basi nell'applicazione della statistica al contestolavorativo biostatistico/statistico/demografico.

Classificazione dei paesi secondo il grado di sviluppo Definizioni Criteri usati da organizzazioni internazionali per classificare i paesi secondo il loro livello di sviluppo Transizione demografica: definizione ed esempi nei paesi di antica e contemporanea transizione fattori, processi e conseguenze della transizione demografica seconda transizione demografica Popolazione e sviluppo: crescita della popolazione massimo di popolazione fattori di costrizione e di scelta il modello malthusiano (teoria e formalizzazione) i modelli post-malthusiani La popolazione mondiale e la cornice popolazione-sviluppo Il dividendo demografico e i suoi rischi Politiche demografiche: fattori che influenzano la fecondità domanda ed offerta di figli fecondità nei paesi asiatici, africani e latino-americani contraccezione e politiche di family planning teorie microeconomiche per spiegare la fecondità India e Cina – politiche e traiettorie Disuguaglianze: disuguaglianza secondaria, oggetto della misura economie/diseconomie di scala scale di equivalenza Genere e sviluppo: quadro generale Asia, Africa e America Latina: condizione femminile ed empowerment Il ruolo delle migrazioni internazionali Le migrazioni come riequilibrio dei differenziali Nord/Sud Chi migra e perché (la «gobba migratoria», place utility) Effetti sulle popolazioni d’arrivo Genere e migrazioni

Frequentanti:esame orale: COLLOQUIO SUGLI ARGOMENTI SVOLTI A LEZIONE, con prove intermedie di gruppo (RELAZIONE DI LABORATORIO SCIENTIFICO).I frequentanti dovranno preparare, per ciascuna esercitazione, un breve report con i risultati delle analisi che verranno effettuate durante le esercitazioni e una presentazione di approfondimento su un argomento selezionato.L'esame orale sarà una discussione sugli argomenti del corso e sugli elaborati.La valutazione relazioni di laboratorio scientifico riguarda: la capacità di applicare gli strumenti alla trattazione di argomenti concreti di ricerca; la capacità di scrivere un breve report di ricerca.L'esame orale ha l'obiettivo di valutare la competenza teorica sugli argomenti trattati. Non frequentanti:esame orale: COLLOQUIO SUGLI ARGOMENTI DEL CORSOL'esame verte sulla conoscenza approfondita e sulla comprensione degli argomenti affrontati. L'esame ha l'obiettivo di valutare la competenza teorica e la capacità di trasferire tale conoscenza sul piano pratico.

Testi di riferimento: Per i frequentanti: Slides e materiale disponibile sulla pagina e-learning. Angeli, A., Salvini, S. (2018). Popolazione mondiale e sviluppo sostenibile. Il Mulino Livi Bacci, M. (2020). Storia minima della popolazione del mondo. Società editrice il Mulino Dyson, T. (2010). Population and development: the demographic transition. Bloomsbury Publishing Micheli G. (2011). Demografie. Mc-Graw Hill. Capitoli: 1,4,5,6 Per i non frequentanti: Slides e materiale disponibile sulla pagina e-learning. Angeli, A., Salvini, S. (2018). Popolazione mondiale e sviluppo sostenibile. Il Mulino Livi Bacci, M. (2020). Storia minima della popolazione del mondo. Società editrice il Mulino Dyson, T. (2010). Population and development: the demographic transition. Bloomsbury Publishing Micheli G. (2011). Demografie. Mc-Graw Hill. Capitoli: 1,4,5,6

Il corso si propone di descrivere il fenomeno della mobilità territoriale, le sue cause e caratteristiche. Verranno individuati gli strumenti adatti per valutare l’intensità dei flussi migratori ed introdotta la metodologia per quantificare la presenza complessiva (regolari e non regolari). Il tema verrà approfondito tramite lo studio del caso italiano. Questo insegnamento fornirà conoscenze e capacità di comprensione relativamente a: definizione del target della popolazione di riferimento , fonti (ufficiali o campionarie) , identificazioni di domande di ricerca e variabili esplicative appropriate Alla fine dell'insegnamento gli studenti saranno in grado di: Scegliere le opportune fonti ed indicatori per analizzare un fenomeno migratorio; Definire appropriate domande di ricerca per analizzare un fenomeno di mobilità (Conoscenza e capacità di comprensione applicate; autonomia di giudizio) Interpretare i risultati ottenuti entro un contesto migratorio (Abilità comunicative). L'insegnamento consente allo studente di acquisire solide basi nell'applicazione della statistica al contesto lavorativo demografico (capacità di apprendere)

Definizioni di mobilità e migrazione Fonti Campionamento cattura-ricattura Campionamento snowball-Risposte casualizzate Tecnica di campionamento delle unità abitative Tecnica di campionamento dei centri di aggregazione Risposte casualizzate Migrazioni nelle società moderne Emigrazione internazionale e interna: il caso italiano Cicli, fasi e tipologie Teorie sulle migrazioni Integrazione: dimensioni e misure Metodi di stima dell’ammontare degli stranieri irregolari Stock e flussi migratori: il caso italiano

L'esame consiste in una prova orale al fine di poter valutare la preparazione metodologica e la conoscenza del fenomeno in esame appresa a lezione e/o dai materiali didattici messi a disposizione durante il corso. Per i frequentanti l'esame prevede un colloquio su un elaborato concordato con la docente durante le ore di laboratorio e sugli argomenti svolti a lezione. Per i non frequentanti l'esame prevede un colloquio sugli argomenti relativi al programma e sul materiale didattico indicato nella sezione apposita. La prova orale consente di verificare la conoscenza dei diversi aspetti del fenomeno migratorio e la capacità degli studenti di esprimersi con un adeguato linguaggio tecnico. La valutazione si basa sulla correttezza, la completezza e l'argomentazione delle risposte. Non sono previste prove in itinere.

· C. Bonifazi, L'Italia delle migrazioni, Il Mulino, 2013 · M. Ambrosini, Sociologia delle migrazioni, Il Mulino, 2020 (terza edizione). Ad esclusione di: cap III, par. 3-6; cap V; parte quarta (cap. X, XI e XII) · World Migration Report 2026, IOM: https://publications.iom.int/books/world-migration-report-2026 Materiale messo a disposizione durante le lezioni su piattaforma e-learning (slides, articoli, rapporti, ecc)