Corso di laurea

Data Analytics

Università degli Studi della Campania Luigi Vanvitelli · 26 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

Analysis 1° anno · 2° semestre · 9 CFU · MATH-03/A · 0 file

Conoscenza e capacità di comprensione: Apprendere il linguaggio della logica matematica e gli strumenti classici dell’analisi (limiti, derivate, integrali). Capacità di applicare conoscenza e comprensione: Saper…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione: Apprendere il linguaggio della logica matematica e gli strumenti classici dell’analisi (limiti, derivate, integrali). Capacità di applicare conoscenza e comprensione: Saper formalizzare e risolvere semplici problemi differenziali e integrali per funzioni di una o due variabili. Autonomia di giudizio: Sviluppare la capacità di scegliere le tecniche analitiche più adatte per lo studio di semplici problemi di analisi per funzioni di una o due variabili.
Abilità comunicative: Saper enunciare definizioni e teoremi con rigore logico e precisione formale.
Capacità di apprendere: Acquisire basi solide per affrontare insegnamenti successivi come probabilità, statistica e data mining.

Programma

Programma sintetico

  • Il linguaggio matematico e concetti preliminari
  • Insiemi numerici – Funzioni
  • Successioni e serie numeriche
  • Funzioni di una variabile reale a valori reali
  • Limiti di una funzione reale di una variabile reale, e continuità
  • Calcolo differenziale
  • Calcolo integrale
    Fanno parte integrante del programma esercizi relativi a tutti gli argomenti trattati.
    Alla fine del corso, sarà pubblicato qui il programma dettagliato.

Prerequisiti:
Non ci sono propedeuticità al corso

Metodi didattici:
Il corso è articolato in 56 ore di lezione frontali e 16 ore di esercitazioni, il tutto svolto in aula.
La frequenza non è obbligatoria ma fortemente incoraggiata.
Gli studenti partecipano attivamente, con autonomia di giudizio, esprimendo idee, formulando domande, presentando esempi.
Agli studenti sono anche suggeriti alcuni libri di testo, funzionali all’approfondimento di quanto appreso in aula e allo sviluppo di autonome capacità di apprendimento. Sono anche previste attività di tutoraggio a supporto della didattica.

Programma esteso:
Il linguaggio matematico e concetti preliminari - Quantificatori. Terminologia. Formule e indici: sommatorie e loro proprietà formali, fattoriale.
Insiemi numerici – Funzioni - Numeri naturali. Numeri interi relativi. Numeri razionali. Numeri reali. Numeri complessi.
Massimo e minimo. Estremo superiore e estremo superiore.
Il valore assoluto e le sue proprietà. Insiemi limitati.
Equazioni e disequazioni numeriche di primo e secondo grado. Sistemi di equazioni e disequazioni di primo e secondo grado.
Polinomi: principio di identità, divisione tra polinomi.
Funzioni. Rappresentazione a frecce, e grafico cartesiano.
Successioni e serie numeriche – Successioni convergenti. Definizione di limite. Teorema di unicità del limite. Limitatezza delle successioni convergenti. Successioni divergenti. Successioni regolari.
Operazioni sui limiti e forme indeterminate.
Successioni monotone e loro regolarità. Il numero e. Gerarchia degli infiniti.
Serie numeriche. Definizioni e prime proprietà. Condizione necessaria per la convergenza di una serie e relativi controesempi. Serie geometrica, serie armonica e serie armonica generalizzata.
Serie a termini non negativi: criterio del rapporto, criterio della radice, criterio del confronto.
Serie a segni alterni: criterio di Leibnitz. Assoluta convergenza e sue proprietà.
Funzioni di una variabile reale a valori reali – Rappresentazione cartesiana. Funzioni iniettive, funzioni suriettive e funzioni invertibili. Funzioni lineari. Immagine e anti-immagine. Funzioni monotone. Monotonia delle inverse di funzioni monotone. Funzioni pari, funzioni dispari e funzioni periodiche. Funzioni composte. Massimo, minimo. Funzioni elementari: funzione lineare, funzione polinomio di secondo grado, funzione potenza, funzione radice, funzione esponenziale, funzione logaritmo, funzioni seno, coseno, tangente e arcotangente. Ricerca del dominio di una funzione dotata di espressione elementare.
Limiti di una funzione reale di una variabile reale, e continuità – Intorni di un punto. Definizione di limite, Limite destro e limite sinistro. Funzioni composte. Limiti notevoli.
Funzioni continue e loro proprietà: somma, prodotto, rapporto e composizione di funzioni continue. Continuità di sin x, cos x, |x|.
Limiti delle funzioni composte. Forme indeterminate. Limiti delle funzioni elementari.
Calcolo differenziale - Definizione di derivata e sua interpretazione geometrica. Regole di derivazione: derivata della somma, del prodotto e del rapporto. Derivabilità e continuità. Derivate delle funzioni elementari. Derivate di ordine superiore.
Punti di massimo e punti di minimo relativo.
Caratterizzazione delle funzioni con derivata nulla in un intervallo.
Funzioni concave e funzioni convesse. Punti di flesso.
Teoremi di Rolle, Lagrange, Cauchy de l'Hopital e applicazioni.
Calcolo dei limiti in forma indeterminata. Condizioni sufficienti per gli estremi locali.
La formula di Taylor con il resto nella forma di Peano.
Asintoti. Grafici di funzioni.
Calcolo integrale - Primitiva di una funzione. Integrale indefinito. Proprietà dell’integrale indefinito. Regole di integrazione indefinita: integrazione per parti, integrazione per sostituzione. Integrazione di funzioni razionali.
Integrale definiti. Il teorema fondamentale del calcolo integrale.
I principali teoremi.
Integrali impropri (generalizzati).
Calcolo differenziale per funzioni di due variabili: derivate parziali, piano tangente e differenziabilità; classificazione dei punti critici con l'uso della matrice Hessiana, moltiplicatori di Lagrange.
Fanno parte integrante del programma esercizi relativi a tutti gli argomenti trattati.
Alla fine del corso, il programma dettagliato sarà pubblicato nella pagina e-learning del corso.

Altre informazioni:
Le tracce delle prove scritte d’esame, ed eventuale ulteriore materiale didattico, sono reperibili sulla pagina TEAMS del corso.
Alla fine del corso, nella pagina moodle del TEAMS del corso sarà pubblicato il programma dettagliato.

Modalità d'esame

L’esame prevede una prova scritta (esercizi senza calcolatrice, teoria, definizioni e teoremi) e una prova orale; sono ammessi alla prova orale solo a coloro che superano la prova scritta con una votazione almeno sufficiente. La valutazione è in trentesimi:
Voto Criteri di Valutazione
30 - 30L Eccellente capacità di risoluzione problemi e padronanza assoluta dei teoremi e delle dimostrazioni.
26 - 29 Ottima capacità analitica e corretta applicazione delle regole di derivazione e integrazione.
22 - 25 Buona conoscenza dei concetti base e capacità di svolgere lo studio di funzione.
18 - 21 Conoscenza minima dei limiti e delle derivate fondamentali; sufficiente capacità di calcolo. A partire dalla coorte 2025/26 e come stabilito dal regolamento didattico coloro che non superano l'esame in un appello non saranno ammessi a sostenere l'esame nell'appello immediatamente successivo.
Si ricorda che per partecipare ad un esame è necessario mostrare un documento d'identità.

Testi di riferimento

  • M. Brokate P. Manchanda, A. H. Siddiqi, Calculus for Scientists and Engineers. Springer Industrial and applied Mathematics, 2013.
  • M. Spivak, Calculus, fourth edition.
    Publish or perish Inc.
  • J. Stewart, Calculus eight edition. Cengage learning.
  • M. BRAMANTI, C.D. PAGANI, S. SALSA, Matematica. Calcolo infinitesimale e Algebra lineare (seconda edizione). Zanichelli Editor, 2004.
    Per esercizi:
  • M. Brokate P. Manchanda, A. H. Siddiqi, Calculus for Scientists and Engineers. Springer Industrial and applied Mathematics, 2013.
  • J. STEWART, Calculus (8th edition), Cengage Learning, 2015.
  • S. Salsa, Squellati Esercizi di analisi Matematica, volume 1.
  • P. MARCELLINI, C. SBORDONE, Esercitazioni di Matematica, volume 1, part one and part two.

Codice insegnamento DEPT-web:data-analytics-006-analysis

Data Visualization and Reporting 1° anno · 1° semestre · 12 CFU · STAT-01/A · 0 file

Al termine dell’insegnamento, lo studente dovrà raggiungere i seguenti risultati: Conoscenza e capacità di comprensione: Conoscere i principi della percezione visiva, della grammatica dei grafici e le regole del…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento, lo studente dovrà raggiungere i seguenti risultati:

  • Conoscenza e capacità di comprensione: Conoscere i principi della percezione visiva, della grammatica dei grafici e le regole del reporting statistico.
  • Utilizzazione delle conoscenze e capacità di comprensione: Produrre infografiche informative e visualizzazioni interattive utilizzando software statistici (R, Python).
  • Capacità di trarre conclusioni (Autonomia di giudizio): Esercitare capacità critica nel valutare e riprogettare grafici statistici esistenti per migliorarne l’efficacia.
  • Abilità comunicative: Sviluppare uno storytelling efficace supportato dai dati e strutturare report professionali auto-esplicativi.
  • Capacità di apprendere: Sintetizzare la letteratura scientifica sulla visualizzazione dati per giustificare le scelte grafiche in contesti professionali.

Programma

L'insegnamento fornisce competenze metodologiche e pratiche per l'analisi visiva e la comunicazione di dati di natura diversa. Il programma integra fondamenti teorici della percezione visiva, della grammatica dei grafici e della progettazione grafica con l'implementazione pratica utilizzando software statistico (R, ggplot, Rmarkdown, Quarto). Gli argomenti trattati includono: principi di visualizzazione efficace, grafici univariati (istogrammi, density plot, box-plot), bivariati (scatter plot, heat-map, bag-plot), trivariati (contour plot, 3D scatter), multidimensionali (mosaic plot, parallel coordinates, tree-map), grafici per strutture particolari (network plot, word cloud, stream graph), e infine i fondamenti della redazione di report statistici efficaci.

Prerequisiti:
Statistica descrittiva e basi di programmazione

Metodi didattici:
48 ore di lezioni frontali con utilizzo di slides e 24 ore di esercitazione con l’utilizzo di software statistico

Programma esteso:
Richiami di Analisi Multivariata e Funzioni Matriciali (0.5 CFU / 4 ore):
Concetti di base di algebra lineare e analisi multivariata applicati alla visualizzazione (0.5 CFU).
Principi Fondamentali di Visualizzazione Grafica (1 CFU / 8 ore):
Percorso evolutivo dei grafici statistici e storia della visualizzazione dati (0.25 CFU).
Principi di percezione visiva e stima visiva (0.25 CFU).
Criteri per realizzare grafici efficaci, evitare distorsioni visive e applicare il "data-ink ratio" (0.25 CFU).
Principi del design grafico applicati alla visualizzazione (0.25 CFU).
Grafici per Dati Univariati (1 CFU / 8 ore):
Dati numerici: istogrammi, density plot (KDE), box-plot, violin plot (0.5 CFU).
Dati categorici: diagrammi a barre, diagrammi a torta (con critica), steam and leaf plot (0.3 CFU).
Serie storiche: diagrammi a spezzata, diagrammi ad area, grafici per dati territoriali (0.2 CFU).
Grafici per Dati Bivariati (1 CFU / 8 ore):
Scatter plot (diagrammi di dispersione) e variazioni (bag-plot) (0.3 CFU).
Heat-map e correlation plot (0.35 CFU).
Density plot bivariati (0.35 CFU).
Grafici per Dati Trivariati (1 CFU / 8 ore):
Scatter plot 3D e density plot 3D (0.4 CFU).
Contour plot e visualizzazioni contour 3D (0.3 CFU).
Introduzione a grafici 4D, interattivi e animati (0.3 CFU).
Visualizzazione di Dati Multidimensionali (1 CFU / 8 ore):
Mosaic plot per dati categorici multidimensionali (0.25 CFU).
Tree-map, dendrogrammi e parallel coordinates (0.4 CFU).
Bi-plot e introduzione all'Analisi in Componenti Principali (PCA) (0.35 CFU).
Grafici per Strutture Particolari di Dati (1 CFU / 8 ore):
Dati reticolari: network plot e visualizzazione di reti (0.35 CFU).
Dati testuali: word cloud e text visualization (0.2 CFU).
Dati di flusso: circular plot, stream graph (0.25 CFU).
Grafici per matrici di distanze (0.2 CFU).
Elementi di Statistical Reporting (3 CFU / 24 ore):
Principi di progettazione di report statistici: struttura, layout, tipografia (1 CFU).
Integrazione di testo, tabelle e grafici nel report (0.75 CFU).
Uso di Rmarkdown e Quarto per la generazione automatica di report (0.75 CFU).
Poster e infografiche: principi di design grafico (0.5 CFU).

Altre informazioni:
Si raccomanda una frequenza costante e partecipativa. Discuteremo, criticheremo e riformuleremo tecniche di visualizzazione, attraverso esercizi pratici, mostreremo diversi software per la grafica statistica, ecc. Non sono argomenti che gli studenti possono riformulare solo studiando le slides. Se uno studente si assenterà a molte lezioni il suo voto ne può risentire.
Oltre ai testi consigliati, il docente fornirà articoli scientifici o divulgativi e dispense su argomenti specifici.
Il laboratorio sarà sviluppato per la maggior parte in R, ma anche altri linguaggi sono ammessi (Matlab, Python).
Laddove possibile, si consiglia di venire a lezione con un notebook.

Modalità d'esame

La verifica prevede due prove integrate e sequenziali:
Quiz (circa 30 quesiti): Test a scelta multipla e risposta breve su tutti gli argomenti del programma (durata circa 60 minuti), mirato a verificare la conoscenza teorica e la comprensione dei principi di visualizzazione, della percezione visiva e delle diverse tecniche grafiche.
Prova orale (30-45 minuti): Discussione dei contenuti teorici del corso con domande aperte su principi di visualizzazione, scelte di design, applicabilità delle tecniche a differenti tipologie di dato, e interpretazione critica delle visualizzazioni. La prova orale verifica la padronanza concettuale, la capacità di argomentazione e la comprensione profonda dei principi affrontati.
Struttura della valutazione:
Accesso all'orale: È necessario ottenere almeno 18/30 nella prova quiz per essere ammessi alla prova orale. Se non si raggiunge questo punteggio, è possibile ripetere il quiz in una sessione successiva.
Voto finale: Il voto finale (in trentesimi) è calcolato come media ponderata: 40% quiz + 60% orale.
Validità quiz: Il voto del quiz rimane valido per l'intera sessione di esame.
Parametri di valutazione: La valutazione considera: (1) correttezza delle risposte al quiz e comprensione teorica, (2) conoscenza profonda dei principi di percezione visiva e grammar of graphics, (3) capacità di argomentazione e giustificazione delle scelte di design, (4) applicazione consapevole dei principi ai diversi tipi di dato, (5) capacità critica di valutare e criticare visualizzazioni esistenti, (6) qualità dell'esposizione e uso del linguaggio specialistico.
VotoDescrittore Criteri di Valutazione (Rubrica)
30 - 30LQuiz: quasi tutte le risposte corrette (28-30/30). Orale: eccellente padronanza di tutti i principi di visualizzazione, percezione visiva e design; argomentazione teorica impeccabile; capacità critica eccellente; applicazione consapevole dei principi a casi complessi e inediti; comunicazione molto fluida e lessico specialistico perfetto.
26 - 29Quiz: buon numero di risposte corrette (26-28/30 circa). Orale: ottima conoscenza dei principi principali; buona capacità di argomentazione; comprensione consapevole dei principi; capacità di applicare le tecniche a problemi specifici; alcuni cenni su argomenti più complessi; buon linguaggio specialistico.
22 - 25Quiz: risposte corrette ai quesiti principali ma con qualche errore (20-23/30 circa). Orale: discreta conoscenza dei principi e delle tecniche; argomentazione adeguata anche se non sempre approfondita; comprensione sufficientemente critica; applicazione corretta delle tecniche ai casi standard; linguaggio tecnico appropriato.
18 - 21Requisiti minimi: Quiz al limite della sufficienza (18-19/30). Orale: conoscenza basilare dei tipi di grafici e principi di visualizzazione essenziali; capacità minima di argomentazione; comprensione elementare dei concetti; applicazione meccanica delle tecniche; difficoltà nel ragionamento critico; linguaggio semplice ma adeguato.

Testi di riferimento

Testi consigliati (alcuni sono disponibili gratuitamente dal sito della biblioteca):
Claus O. Wilke, Fundamentals of Data Visualization, O'Reilly
disponibile gratuitamente on line: https://clauswilke.com/dataviz/
R workflow: https://hbiostat.org/rflow/
Edward R. Tufte, “The Visual Display of Quantitative Information”
Leland Wilkinson, The Grammar of Graphics, 2nd edition, Springer
AA.VV., Handbook of Data Visualization, Springer
Websites:
https://ggplot2.tidyverse.org/
https://matplotlib.org/
https://seaborn.pydata.org/
https://towardsdatascience.com/data-visualization/home

Codice insegnamento UC387214

Data mining and big data 1° anno · Annuale · 12 CFU · STAT-01/A · 0 file

Al termine dell’insegnamento, lo studente dovrà aver acquisito: Conoscenza e capacità di comprensione: Comprendere gli aspetti metodologici del data mining, conoscere i fondamenti matematici e statistici delle tecniche…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento, lo studente dovrà aver acquisito:
Conoscenza e capacità di comprensione: Comprendere gli aspetti metodologici del data mining, conoscere i fondamenti matematici e statistici delle tecniche di estrazione di conoscenza dai dati.
Utilizzazione delle conoscenze e capacità di comprensione: Saper applicare le principali tecniche di data mining a problemi reali; implementare algoritmi di classificazione, clustering e associazione mediante software specialistico (R, Python).
Capacità di trarre conclusioni (Autonomia di giudizio): Valutare criticamente i risultati delle analisi e scegliere le tecniche più appropriate al contesto; disporre di capacità autonoma nel prendere decisioni su problemi complessi di estrazione di conoscenza dai dati.
Abilità comunicative: Saper esprimere i risultati delle analisi di data mining utilizzando un linguaggio tecnico-scientifico; comunicare efficacemente i findings a un pubblico tecnico e non tecnico.
Capacità di apprendere: Sviluppare abilità autonome per l’aggiornamento continuo delle tecniche di data mining; capacità di consultare fonti bibliografiche in inglese e internazionali per acquisire nuove competenze.

Programma

L’insegnamento annuale fornisce competenze approfondite in tecniche di analisi e trattamento dei dati, con particolare enfasi su data mining e big data analytics. Il programma integra fondamenti teorici con applicazioni pratiche e utilizzo di software specialistico (R, Python). Sono trattati: introduzione al data mining e Knowledge Discovery in Databases (KDD), analisi esplorativa dei dati, metodi fattoriali multivariati (PCA, analisi delle corrispondenze), classificazione (alberi decisionali, k-NN, Naïve Bayes, ensemble methods), associazione (market basket analysis), clustering (k-means, clustering gerarchico, metodi basati su densità), anomaly detection, e strategie di imputazione dei dati mancanti.

Prerequisiti:
Sono richieste conoscenze di analisi matematica, algebra lineare, statistica descrittiva e inferenziale.

Metodi didattici:
L’insegnamento annuale prevede 96 ore totali (12 CFU), così articolate: - Lezioni frontali (40 ore) con utilizzo di slide e materiale didattico fornito dal docente. - Esercitazioni in aula (24 ore) per l’apprendimento dei concetti attraverso problemi e case study. - Sessioni di laboratorio (32 ore) dedicate all’implementazione pratica in R e Python e all’analisi di dataset reali. La frequenza è caldamente consigliata; le presenze sono registrate tramite firma o procedure informatiche di Ateneo.

Programma esteso:
1.Introduzione al Data Mining (1 CFU / 8 ore):mData Mining versus Knowledge Discovery in Databases (KDD) (0.3 CFU).
oAnalisi esplorativa dei dati (0.7 CFU).
2.Metodi Fattoriali Multivariati (1.5 CFU / 12 ore): Analisi in Componenti Principali (PCA) (0.5 CFU);Analisi delle Corrispondenze (0.5 CFU); Analisi delle Corrispondenze Multiple (0.5 CFU);
3.Classificazione (2.5 CFU / 20 ore): Concetti base della classificazione (0.5 CFU); Classificatori basati su regole e alberi decisionali (0.7 CFU);Classificatori k-NN e Naïve Bayes (0.6 CFU); Metodi ensemble (0.7 CFU).
4.Analisi di Associazione (2 CFU / 16 ore): Association Rule Mining e generazione di regole (0.7 CFU); Misure di Support e Confidence (0.4 CFU).
oRegole multi-livello e Pattern discovery (0.9 CFU).
5.Analisi dei Cluster (3 CFU / 24 ore): Metodi partitivi: K-means (0.8 CFU); Clustering gerarchico (0.8 CFU); Metodi basati su densità e modelli di miscela (0.8 CFU); Validazione dei cluster (0.6 CFU).
6.Anomaly Detection e Trattamento Dati (1 CFU / 8 ore): Individuazione di dati anomali e rumore (0.5 CFU); Imputazione di dati mancanti (0.5 CFU).
7.Laboratorio Pratico con R e Python (1 CFU / 8 ore):Implementazione pratica degli algoritmi su dataset reali (1 CFU).

Altre informazioni:
Il materiale didattico (slide, dataset pubblici, script R e Python) sarà reso disponibile sulla piattaforma Teams. È prevista l’analisi di dataset estratti da pubbliche banche dati (es. UCI Machine Learning Repository, Kaggle). Attività di tutoraggio sono disponibili su richiesta.

Modalità d'esame

La verifica prevede due componenti integrate:
Tesina scritta (deliverable da sviluppare durante il corso): Rapporto tecnico sugli aspetti metodologici delle tecniche di data mining apprese, con presentazione commentata dei risultati delle elaborazioni di dati estratti da un dataset pubblico. La tesina deve illustrare le scelte metodologiche, l’implementazione degli algoritmi e l’interpretazione critica dei risultati. Requisiti formali: lunghezza indicativa 20-30 pagine, formato A4, font 11pt, spazi 1.5; consegna entro data stabilita.
Prova orale (30 minuti): Discussione dei contenuti teorici e dei risultati della tesina; verifica della padronanza concettuale delle tecniche affrontate e della capacità di argomentazione critica.
Struttura della valutazione: Il voto finale (in trentesimi) è calcolato come media ponderata: 40% della tesina + 60% della prova orale.
Parametri di valutazione: La valutazione considera: (1) correttezza metodologica nell’applicazione delle tecniche, (2) qualità dell’analisi critica, (3) proprietà di linguaggio specialistico, (4) capacità di sintesi e approfondimento, (5) completezza nella trattazione dei risultati.

Testi di riferimento

P.-N. Tan, M. Steinbach, A. Karpatne, V. Kumar, Introduction to Data Mining, 2nd ed., Boston, Pearson 2019, pp. 1016.
T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed., New York, Springer 2009, pp. 745.
Materiale didattico, slide e script forniti dal docente sulla piattaforma e-learning di Ateneo.

Codice insegnamento UC387220

Databases and Information Systems 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

Obiettivo del corso è fornire agli studenti gli strumenti metodologici per progettare e utilizzare le basi di dati e per comprendere le principali problematiche relative alle basi di dati relazionali e non relazionali.

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo del corso è fornire agli studenti gli strumenti metodologici per progettare e utilizzare le basi di dati e per comprendere le principali problematiche relative alle basi di dati relazionali e non relazionali.

Programma

Il corso introduce i sistemi informativi e gli aspetti principali relativi ai DBMS, alla progettazione e realizzazione delle basi di dati, all’uso delle basi di dati con approccio relazionale e non relazionale.

Prerequisiti:
Si assumono la conoscenza di base della modellazione con approccio orientato agli oggetti e dei fondamenti della programmazione.

Metodi didattici:
Lezioni, esercitazioni.

Programma esteso:
INTRODUZIONE AI SISTEMI INFORMATIVI
Sistemi informativi, informazioni e dati. L'impatto dei sistemi informativi sull'azienda. Basi di dati e sistemi di gestione delle basi di dati. Modelli di dati. Schemi e istanze. Livelli di astrazione nei DBMS. Indipendenza dei dati. Linguaggi di database e utenti.
PARTE PRIMA: IL MODELLO RELAZIONALE
Il modello relazionale: strutture del modello relazionale; relazioni e tabelle; relazioni e database; vincoli di integrità; chiavi; vincoli di integrità referenziale;
operatori dell'algebra relazionale: unione, intersezione e differenza; selezione e proiezione; join.
SQL: tipi di dati in SQL; definizione dei dati in SQL; manipolazione dei dati in SQL; query SELECT, INSERT e UPDATE, query set; query join; query annidate.
PARTE SECONDA: PROGETTAZIONE DEL DATABASE
Metodologie e modelli per il progetto: metodologie e modelli per il progetto; introduzione alla progettazione; cenni sul ciclo di vita dei sistemi informativi; cenni sulle metodologie di progettazione e sulle basi di dati; il modello Entità-Relazioni.
Progettazione logica: panoramica sull'analisi delle prestazioni degli schemi E-R; ristrutturazione degli schemi E-R; analisi delle ridondanze; eliminazione delle generalizzazioni; scelta degli identificatori principali; traduzione verso il modello relazionale; entità e associazioni molti-a-molti; associazioni uno-a-molti; entità con identificatore esterno; associazioni uno-a-uno; traduzioni di schemi complessi; normalizzazione.
PARTE TERZA: Caratteristiche e utilità dei database NoSQL; teorema CAP; tipi di database NoSQL; principali soluzioni.

Altre informazioni:
Nessuna.

Modalità d'esame

Prova scritta (preselettiva) e prova orale

Testi di riferimento

Atzeni, Ceri, Paraboschi, Torlone, Database Systems - Concepts, Languages and Architectures, McGraw-Hill.
Materiali didattici di approfondimento forniti dai docenti durante il corso.

Codice insegnamento UC387222

Economics 1° anno · 2° semestre · 6 CFU · ECON-01/A · 0 file

Lo scopo principale del corso è di fornire agli studenti una buona comprensione di base delle teorie e i metodi dell'economia, da una prospettiva pluralistica. In particolare il corso si propone di: (a) fornire agli…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo principale del corso è di fornire agli studenti una buona comprensione di base delle teorie e i metodi dell'economia, da una prospettiva pluralistica. In particolare il corso si propone di: (a) fornire agli studenti una solida base conoscitiva dei principali concetti e strumenti dell'economia; (b) preparare gli studenti ad utilizzare questi concetti e questi strumenti a problemi economici reali; (c) permettere agli studenti di pensare in modo critico all'economia e il modo in cui viene analizzata. In particolare, il Corso ha gli obiettivi seguenti:
1) Conoscenza e capacità di comprensione: Gli studenti dovranno dimostrare matura conoscenza e capacità di comprensione logica degli argomenti affrontati a lezione. Gli studenti dovranno altresì saper valutare in maniera autonoma e critica le nozioni acquisite;
2) Conoscenza e capacità di comprensione applicate: Al termine dell’insegnamento gli studenti saranno in grado di comprendere le rilevanti questioni teoriche ed empiriche connesse all'economia e di individuare strumenti per la soluzione dei problemi analizzati, tenendo in considerazione le varie teorie presentate in classe;
3) Autonomia di giudizio: Gli studenti dovranno dimostrare di essere in grado di gestire la complessità delle materie oggetto dell’insegnamento, di integrare i dati acquisiti, anche attraverso un accesso autonomo alle fonti. Gli studenti dovranno acquisire capacità critiche e di analisi ed esprimere giudizi autonomi sui temi trattati;
4) Abilità comunicative: L’insegnamento intende promuovere negli studenti la capacità di utilizzare in modo appropriato il linguaggio economico e di argomentare in modo chiaro, tecnico e convincente;
5) Capacità di apprendere: Gli studenti dovranno dimostrare di sapere studiare in modo autonomo, muovendosi tra concetti, teorie e osservazioni empiriche, con padronanza e metodologie logiche e di apprendimento proprie.

Programma

Questo è un corso di introduzione all'economia, trattando delle principali tematiche in micro e macroeconomia (in particolare il funzionamento dei mercati, i comportamenti degli agenti economici e la politica economica).

Prerequisiti:
Non ci sono prequisiti formali per questo corso.

Metodi didattici:
Lezioni frontali (100% della didattica).

Programma esteso:
Introduction, part 1: What is economics? What is capitalism? (0.35 cfu);
Introduction, part 2: How can we understand the economic foundations of our world (0.35 cfu);
Foundations of neoclassical microeconomics: the market, part 1.
Benefits from trade (0.35 cfu);
Foundations of neoclassical microeconomics: the market, part 2. Supply and demand (0.35 cfu);
Foundations of neoclassical microeconomics: the market, part 3. Elasticity and efficiency (0.35 cfu);
Foundations of economic behavior. From homo economicus to homo sapiens (0.35 cfu);
Consumer behavior: preferences and budget constraint (0.35 cfu);
Theory of the firm: from neoclassical economics to heterodox economics (0.35 cfu);
Inputs and costs in the neoclassical production function (0.35 cfu);
“Imperfect” market structures: monopoly vs. Competition, oligopoly and imperfect competition (0.35 cfu);
Market failures and government intervention(0.35 cfu);
Basic macroeconomic concepts: GDP and growth (0.35 cfu); Inflation, unemployment and the labour market (0.35 cfu);
Long-term economic growth & Short-term economic fluctuations (0.35 cfu);
Aggregate demand and supply (0.35 cfu);
Fiscal policy, unemployment and growth (0.35 cfu);
Money and financial markets (0.35 cfu);
Monetary policy (0.35 cfu).

Altre informazioni:
La frequenza non è obbligatoria ma è vivamente consigliata.

Modalità d'esame

L’esame è composto da una prova scritta obbligatoria e una prova orale facoltativa, con votazione in trentesimi. L’esame orale consiste in un colloquio sul programma di esame incentrato su almeno tre domande. L’esame scritto consiste in un test, della durata di 60 minuti, con 5 domande a risposta multipla e 3 domande a risposta aperta sul programma di esame.
Il voto minimo per superare l’esame è di 18/30. L'esame è volto a verificare il livello di conoscenza degli argomenti del programma e il livello di padronanza del linguaggio specialistico.
La valutazione dell’esame avverrà sulla base dei seguenti criteri:

  • Esito eccellente 30-30 e lode: lo studente dimostra ottima conoscenza degli argomenti, ottima proprietà di linguaggio e ottima capacità analitica.
  • Esito molto buono 26-29: lo studente dimostra buona conoscenza degli argomenti, buona proprietà di linguaggio e buona capacità analitica.
  • Esito buono 24-25: lo studente presenta conoscenza di base dei principali argomenti e discreta proprietà di linguaggio.
  • Esito soddisfacente 21-23: lo studente non mostra piena padronanza degli argomenti principali dell'insegnamento, pur mostrando l'acquisizione di conoscenze fondamentali e una sufficiente proprietà di linguaggio.
  • Esito sufficiente 18-20: lo studente dimostra una conoscenza minima degli argomenti principali dell'insegnamento e del linguaggio tecnico.
  • Esito insufficiente: lo studente non possiede una conoscenza accettabile dei contenuti dei diversi argomenti in programma.

Testi di riferimento

Il corso utilizza due testi.
Un primo testo è il seguente: Schneider, Geoffrey (2022), Economic Principles and Problems. A Pluralistic Introduction. Editore Routledge (London).
Il secondo testo à un manuale online di economia, accessibile gratuitamente al sito www.core-econ.org

Codice insegnamento DEPT-web:data-analytics-004-economics

English for Mathematics, Statistics and Computer Science 1° anno · 2° semestre · 6 CFU · ANGL-01/C · 0 file
Financial Mathematics 1° anno · 1° semestre · 6 CFU · STAT-04/A · 0 file

Obiettivi formativi (risultati di apprendimento attesi) Al termine dell’insegnamento, lo studente dovrà raggiungere i seguenti risultati: - Conoscenza e capacità di comprensione: Conoscere le tecniche matematiche di base…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi formativi (risultati di apprendimento attesi)
Al termine dell’insegnamento, lo studente dovrà raggiungere i seguenti risultati: - Conoscenza e capacità di comprensione: Conoscere le tecniche matematiche di base per la soluzione di problemi di natura economica e finanziaria. - Utilizzazione delle conoscenze e capacità di comprensione: Saper formalizzare e risolvere problemi pratici relativi a prestiti, mutui e mercati del reddito fisso. - Capacità di trarre conclusioni (Autonomia di giudizio): Valutare criticamente le diverse opzioni di investimento e finanziamento in base ai regimi e tassi di interesse. - Abilità comunicative: Saper comunicare i risultati delle analisi finanziarie utilizzando una notazione matematica chiara e appropriata. - Capacità di apprendere: Acquisire basi solide per affrontare studi avanzati di finanza quantitativa e gestione del rischio.

Programma

L’insegnamento introduce le tecniche del calcolo finanziario deterministico, analizzando regimi finanziari, rendite, ammortamenti e la valutazione dei titoli obbligazionari. Vengono inoltre forniti strumenti di ottimizzazione matematica applicata a problemi finanziari.

Prerequisiti:
Sono richieste le conoscenze di base dell'Analisi Matematica.

Metodi didattici:
L’insegnamento prevede 48 ore di lezioni frontali. Circa la metà delle ore è dedicata a esempi pratici ed esercizi svolte dal docente.

Programma esteso:
Programma per esteso
L’insegnamento è articolato nei seguenti moduli (pesi stimati): 1. Ottimizzazione (1 CFU / 8 ore): Algebra lineare, ottimizzazione multivariabile e vincolata. 2. Calcolo Finanziario (2 CFU / 16 ore): Modello deterministico, interesse e sconto (semplice e composto), forza dell’interesse. 3. Rendite e Prestiti (1.5 CFU / 12 ore): Annualità, perpetuità, piani di ammortamento, mutui. 4. Titoli e Tassi (1.5 CFU / 12 ore): Zero coupon bonds, coupon bonds, struttura a termine dei tassi, duration e immunizzazione.

Altre informazioni:
La frequenza non è obbligatoria ma fortemente consigliata. Non sono previste prove intercorso.

Modalità d'esame

L’esame consiste in una prova scritta obbligatoria (domande a risposta multipla e aperte su teoria ed esercizi). La prova orale è facoltativa. La valutazione segue questa griglia:
Voto Descrittore Criteri di Valutazione
30 - 30L Eccellente capacità di risoluzione di problemi finanziari complessi; rigore assoluto nella notazione matematica.
26 - 29 Ottima comprensione delle leggi finanziarie e capacità di calcolo accurata in regimi semplici e composti.
22 - 25 Buona conoscenza dei piani di ammortamento e delle rendite; capacità di risolvere esercizi standard.
18 - 21 Conoscenza minima dei concetti di interesse e sconto; sufficiente capacità di impostazione dei problemi base.

Testi di riferimento

Sheldon, M. Ross, 2011, An elementary Introduction to Mathematical Finance (3rd ed.), Cambridge Uni Press.
Romagnoli S, 2020, Mathematical Finance Theory, Esculapio
Romagnoli S, 2020, Mathematical Finance Practice, Esculapio
Joshi M.S., 2021, The concepts and Practice of Mathematical Finance, Cambridge Univ. Press
Davis, M.H., 2021, Mathematical Finance, a very short introduction, Oxford Univ Press

Codice insegnamento DEPT-web:data-analytics-010-financial-mathematics

French for Math, Stat and Computer Science 1° anno · 1° semestre · 6 CFU · FRAN-01/B · 0 file
Fundamentals of computer science 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

L'obiettivo del corso è introdurre gli studenti alle problematiche generali relative ai modelli teorici, ai principi architetturali e ai problemi dei calcolatori, con particolare attenzione alle prestazioni. Gli studenti…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è introdurre gli studenti alle problematiche generali relative ai modelli teorici, ai principi architetturali e ai problemi dei calcolatori, con particolare attenzione alle prestazioni. Gli studenti saranno in grado di comprendere gli aspetti principali dei sistemi informatici e di valutare i principali vantaggi e svantaggi delle diverse soluzioni.

Programma

INTRODUZIONE
Introduzione all'informatica. Organizzazione e architettura dei computer. Evoluzione e prestazioni dei computer. Una tassonomia dei sistemi informatici moderni.
MODELLI TEORICI PER I CALCOLATRICI
Macchine combinatorie, macchine sequenziali e automi, la macchina di Turing, il modello di Von Neumann.
ARCHITETTURA DEL CALCOLATORE
Componenti e funzioni del computer. Interconnessioni.
L'UNITÀ CENTRALE DI ELABORAZIONE
Concetti principali. Struttura e funzione del processore. Pipelining. Architetture X86 e ARM in breve. RISC e CISC. Processori superscalari. Problemi di prestazioni. Programmazione in linguaggio assembly.
MEMORIA
Gerarchia di memoria. Memoria primaria: organizzazione e tecnologie. Memoria secondaria: organizzazione e tecnologie. Caching: organizzazione e tecnologie. Problemi di prestazioni.
INPUT/OUTPUT
Concetti principali e organizzazione.
SOFTWARE
I sistemi operativi: organizzazione e funzione. Scheduling. Gestione della memoria. Software applicativo. Problemi di prestazioni.
RETI DI COMPUTER
Introduzione alle reti di computer. Classificazione delle reti. Reti locali. Interconnessione. ISO/OSI e TCP/IP. Internet. Reti ad alte prestazioni. Problemi di prestazioni.
SISTEMI PARALLELI
Sistemi multiprocessore e organizzazione. NUMA e UMA. Problemi di cache. Processori vettoriali. Cluster di computer. Computer multicore. Problemi di prestazioni.
WAREHOUSE SCALE COMPUTER
Introduzione. Problemi principali. Organizzazione del data center. Cloud computing. Problemi di prestazioni.

Prerequisiti:
Nessuno.

Metodi didattici:
Lezioni.

Programma esteso:
INTRODUZIONE
Introduzione all'informatica. Organizzazione e architettura dei computer. Evoluzione e prestazioni dei computer. Una tassonomia dei sistemi informatici moderni.
MODELLI TEORICI PER I CALCOLATRICI
Macchine combinatorie, macchine sequenziali e automi, la macchina di Turing, il modello di Von Neumann.
ARCHITETTURA DEL CALCOLATORE
Componenti e funzioni del computer. Interconnessioni.
L'UNITÀ CENTRALE DI ELABORAZIONE
Concetti principali. Struttura e funzione del processore. Pipelining. Architetture X86 e ARM in breve. RISC e CISC. Processori superscalari. Problemi di prestazioni. Programmazione in linguaggio assembly.
MEMORIA
Gerarchia di memoria. Memoria primaria: organizzazione e tecnologie. Memoria secondaria: organizzazione e tecnologie. Caching: organizzazione e tecnologie. Problemi di prestazioni.
INPUT/OUTPUT
Concetti principali e organizzazione.
SOFTWARE
I sistemi operativi: organizzazione e funzione. Scheduling. Gestione della memoria. Software applicativo. Problemi di prestazioni.
RETI DI COMPUTER
Introduzione alle reti di computer. Classificazione delle reti. Reti locali. Interconnessione. ISO/OSI e TCP/IP. Internet. Reti ad alte prestazioni. Problemi di prestazioni.
SISTEMI PARALLELI
Sistemi multiprocessore e organizzazione. NUMA e UMA. Problemi di cache. Processori vettoriali. Cluster di computer. Computer multicore. Problemi di prestazioni.
WAREHOUSE SCALE COMPUTER
Introduzione. Problemi principali. Organizzazione del data center. Cloud computing. Problemi di prestazioni.

Altre informazioni:
Nessuna.

Modalità d'esame

Prova scritta, prova orale.

Testi di riferimento

William Stallings, "Computer organization and architecture, designing for performances" 10th edition, Pearson; John L. Hennessy, David A. Patterson, "Computer architecture, a quantitative approach" 6th edition, Morgan Kaufmann

Codice insegnamento UC387206

Fundamentals of programming 1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

Obiettivi: 1) Gli studenti devono essere in grado di progettare un algoritmo per un problema dato, utilizzando gli strumenti e gli standard di rappresentazione appropriati (ad esempio, diagrammi di flusso); 2)gli…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi:
1) Gli studenti devono essere in grado di progettare un algoritmo per un problema dato, utilizzando gli strumenti e gli standard di rappresentazione appropriati (ad esempio, diagrammi di flusso);
2)gli studenti devono conoscere le strutture dati più importanti e le strategie per ottimizzarne la gestione;
3)gli studenti devono essere in grado di progettare e implementare nel linguaggio di programmazione Python algoritmi utilizzando le strutture appropriate come unità funzionali (funzioni), strutture di controllo (sequenze, cicli e condizioni) e variabili semplici e strutturate;
4) gli studenti devono comprendere il significato della complessità computazionale di un algoritmo, sia nella dimensione temporale che spaziale.

Programma

In questo corso si affrontano i concetti basilari della programmazione di un calcolatore, quali:

  • la rappresentazione delle informazioni e dei dati;
  • la progettazione e la modellazione di un algoritmo
  • i processi di codifica ed esecuzione di un algoritmo in un programma
    -valutazione delle prestazioni e della complessità computazionale
    -codifica in linguaggio Python.

Prerequisiti:
Conoscenze basilari sull'utilizzo di un calcolatore e di strumenti di editing.

Metodi didattici:
Lezioni frontali, spiegazioni teoriche, esempi pratici, laboratori pratici, lezioni aggiuntive fornite come video e materiali di studio ed esempi.

Programma esteso:
Prima parte: Fondamenti di programmazione
-Algoritmi
-Problemi
-Misure di complessità
--Variabili
-Tipi di dati
-Strutture di dati

  • Rappresentazione degli algoritmi:
    Diagrammi FlowChart e PseuCode.
    Seconda parte: Fondamenti di programmazione in linguaggio Python
    Introduzione alla programmazione. Definizioni di base: Programmazione, codifica, algoritmo, calcolo e complessità computazionale. Panoramica del ciclo di programmazione: Definizione del problema, progettazione dell'algoritmo, codifica, test e debug, distribuzione. Programmazione strutturata: 1) Programmazione procedurale; 2) Programmazione orientata agli oggetti. Panoramica sui linguaggi di programmazione: Linguaggi imperativi e dichiarativi. Compilatori e interpreti.
    Programmazione strutturata (Parte 1): Moduli, sottomoduli, funzioni, procedure. Principio del divide et impera. Composizione, cooperazione e orchestrazione di moduli.
    Programmazione strutturata (Parte 2): Teorema di Bohm-Jacopini. Sottoprogrammi; principali strutture di controllo: sequenza, condizione, iterazione.
    Ciclo di programmazione con un caso pratico di matematica. "Equazioni di secondo grado": Definizione del problema; identificazione di una soluzione; descrizione di una soluzione. Formalizzazione di una soluzione come algoritmo.
    Formalizzazione di un algoritmo: Pseudo-codice; diagrammi di flusso: Sintassi e semantica; strumenti software per implementare i diagrammi di flusso. Caso di studio: Modellazione del ciclo di lavoro di un distributore di caramelle e implementazione tramite pseudocodice e diagrammi di flusso.
    Introduzione al linguaggio di programmazione Python. Ambiente Python.
    Strutture di dati (DS): classificazione e tipologie principali, statiche e dinamiche. DS lineari e DS non lineari. Array, liste collegate. Rappresentazione della memoria principale della macchina.
    Strutture dati a matrice, stack, heap, coda.
    DS ad albero: alberi binari.
    Albero DS: Albero di dati a ricerca binaria.
    Set e mappe: HashMap DS.
    Strategie di visita DS.
    Teoria della complessità di calcolo. Complessità spaziale. Complessità temporale.
    Fondamenti dei problemi di complessità computazionale: Macchine di Turing.
  • Configurazione dell'ambiente Python
  • Nozioni di base della riga di comando
  • Variabili. Tipi di dati
    -Operazioni aritmetiche e logiche
    -Strutture di controllo
    -Strutture di iterazione
    -Funzioni e moduli
    -Funzione principale
    -Importazione di moduli esterni
    -Compilazione ed esecuzione di uno script Python
    -Esercizi pratici

Altre informazioni:
Nessuna

Modalità d'esame

Prova scritta e verifica con Colloquio Orale.

Testi di riferimento

Cay Horstmann, Rance D. Necaise. Python- Introduction to Programming. 2023, Maggioli Editore.
Data Structures & Algorithms in Python - John Canning,Alan Broder, 2023 Ed.

Codice insegnamento UC387202

Inferential Statistics 1° anno · 1° semestre · 9 CFU · STAT-01/A · 0 file

Al termine dell’insegnamento, lo studente dovrà raggiungere i seguenti risultati: - Conoscenza e capacità di comprensione: Comprendere le basi metodologiche dell’inferenza classica, la teoria della stima e della verifica…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento, lo studente dovrà raggiungere i seguenti risultati: - Conoscenza e capacità di comprensione: Comprendere le basi metodologiche dell’inferenza classica, la teoria della stima e della verifica delle ipotesi. - Utilizzazione delle conoscenze e capacità di comprensione: Saper applicare metodi inferenziali a problemi reali e utilizzare correttamente il software R. - Capacità di trarre conclusioni (Autonomia di giudizio): Saper scegliere criticamente il metodo inferenziale più adatto per la risoluzione di problemi empirici. - Abilità comunicative: Saper riportare le stime di quantità esprimendo correttamente l’incertezza dei risultati. - Capacità di apprendere: Essere in grado di lavorare autonomamente su progetti di analisi dati nel mondo reale applicando i metodi illustrati.

Programma

I. Dall’analisi dei dati all’inferenza statistica classica
Metodi di campionamento e disegno sperimentale per la produzione dei dati. Fondamenti del ragionamento inferenziale.
II. Inferenza sulle variabili
Inferenza per la media e per le proporzioni di una popolazione. Problemi con uno e due campioni. Intervalli di confidenza e test di ipotesi per variabili quantitative e categoriali.
III. Inferenza sulle relazioni tra variabili
Test del Chi-quadrato per variabili categoriche e tabelle di contingenza. Misure di associazione e analisi della dipendenza statistica tra variabili.
IV. Inferenza statistica nell’era del computer
Inferenza computazionale con R.

Prerequisiti:
È richiesta la conoscenza di Statistica descrittiva e Probabilità (corsi propedeutici).

Metodi didattici:
L’insegnamento prevede 72 ore totali: 56 ore di lezioni frontali e 16 ore di esercitazioni pratiche con R su casi studio.

Programma esteso:
1. Introduzione all’Inferenza Statistica (1.5 CFU / 12 ore)
Introduzione ai principi fondamentali dell’inferenza statistica e al ruolo della statistica nell’analisi dei dati. Richiami di probabilità, variabili casuali e distribuzioni di probabilità discrete e continue. Produzione, raccolta e qualità dei dati; studi osservazionali ed esperimenti controllati. Tecniche di campionamento e problematiche legate alla rappresentatività del campione. Distribuzioni campionarie e introduzione al concetto di variabilità statistica. Fondamenti dei test di significatività statistica, formulazione delle ipotesi nulla e alternativa, interpretazione del p-value ed errori di I e II tipo.
2. Distribuzioni, Stima e Intervalli di Confidenza (2 CFU / 16 ore)
Parametri di popolazione e statistiche campionarie. Proprietà degli stimatori: correttezza, consistenza ed efficienza. Legge dei grandi numeri e teorema del limite centrale. Distribuzione della media campionaria e approssimazione normale. Costruzione e interpretazione degli intervalli di confidenza per medie e proporzioni. Livello di confidenza, margine di errore e dimensione campionaria. Introduzione alla potenza statistica e relazione tra dimensione dell’effetto, numerosità campionaria e probabilità di rifiuto dell’ipotesi nulla.
3. Inferenza su Medie e Proporzioni (3 CFU / 24 ore)
Distribuzione t di Student e inferenza parametrica in presenza di varianza ignota. Test t a un campione e a due campioni indipendenti; confronto tra medie e verifica delle ipotesi statistiche. Intervalli di confidenza e test per differenze tra medie. Robustezza dei metodi parametrici rispetto alle violazioni delle ipotesi teoriche. Inferenza per proporzioni singole e confronto tra proporzioni. Applicazioni pratiche dell’inferenza statistica attraverso esercitazioni e interpretazione critica dei risultati.
4. Relazioni tra Variabili e Metodi Computazionali con R (2.5 CFU / 20 ore)
Analisi delle relazioni tra variabili categoriali mediante tabelle di contingenza e test chi-quadrato di indipendenza. Misure di associazione e interpretazione dei risultati. Introduzione ai metodi computazionali per l’analisi statistica dei dati e all’utilizzo del software R per la manipolazione, visualizzazione ed elaborazione dei dati. Elementi introduttivi di algoritmi statistici per big data, simulazioni e approcci computazionali all’inferenza. Applicazioni pratiche e sviluppo di semplici workflow di analisi statistica in ambiente R.

Altre informazioni:
La frequenza è fortemente suggerita.

Modalità d'esame

L’esame prevede due prove scritte (intermedia e finale); il voto finale è la media delle due. In alternativa, test scritto e prova orale.

Testi di riferimento

  • D. S. Moore, The Basic Practice of Statistics, New York, W. H. Freeman and Company, 2021.
  • B. Efron, T. Hastie, Computer Age Statistical Inference: Algorithms, Evidence, and Data Science, Cambridge, Cambridge University Press, 2016.
  • G. J. Kerns, Introduction to Probability and Statistics Using R, Online, 2010.

Codice insegnamento DEPT-web:data-analytics-011-inferential-statistics

Insegnamento a Scelta 1 1° anno · Annuale · 6 CFU · 0 file
Insegnamento a Scelta 2 1° anno · Annuale · 6 CFU · 0 file
Internship/Stage 1° anno · 2° semestre · 8 CFU · 0 file
Linear algebra 1° anno · 1° semestre · 6 CFU · MATH-02/B · 0 file

Conoscenza e capacità di comprensione: Apprendere i fondamenti del calcolo matriciale, la teoria degli spazi vettoriali e le proprietà di autovalori e autovettori. Capacità di applicare conoscenza e comprensione:…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione: Apprendere i fondamenti del calcolo matriciale, la teoria degli spazi vettoriali e le proprietà di autovalori e autovettori.
Capacità di applicare conoscenza e comprensione: Essere in grado di risolvere sistemi lineari complessi, calcolare inverse di matrici e applicare la diagonalizzazione a problemi reali.
Autonomia di giudizio: Saper valutare l’applicabilità di diversi metodi risolutivi (Gauss, Cramer) in base alla struttura del problema.
Abilità comunicative: Utilizzare un linguaggio matematico rigoroso per descrivere trasformazioni lineari e proprietà algebriche.
Capacità di apprendere: Acquisire gli strumenti matematici necessari per affrontare corsi avanzati di Data Mining e Machine Learning.

Programma

Il corso fornisce una solida conoscenza dei concetti e dei metodi dell’algebra matriciale e dell’algebra lineare. Gli argomenti principali includono lo studio delle matrici, dei determinanti, dei sistemi di equazioni lineari, degli spazi vettoriali e delle loro applicazioni pratiche.

Prerequisiti:
Nessun prerequisito formale richiesto.

Metodi didattici:

  • Lezioni interattive basate sull’uso di note fornite dal docente dopo ogni singola lezione.
  • Esercitazioni in aula dedicate alla preparazione delle prove scritte.

Programma esteso:
Matrici: Operazioni tra matrici.
Determinanti e Rango.
Sistemi Lineari: Teorema di Rouché-Capelli, Metodo di Cramer e eliminazione di Gauss.
Spazi Vettoriali: sottospazi, basi e dimensione.
Autovettori e Autovalori.
Applicazioni lineari.

Altre informazioni:
Il gruppo TEAM associato all’insegnamento è il punto di riferimento on-line per tutte le informazioni e il materiale inerente al corso, tra cui: Tutte le slides eventualmente usate nelle lezioni frontali; materiale per esercitazioni da svolgersi nello studio individuale che poi verrà discusso nelle esercitazioni con il docente; annunci ed avvisi sul corso; materiale per la preparazione di prove in itinere o di esami scritti. Le ore di esercitazione verranno completate da attività di tutoraggio.

Modalità d'esame

L’esame può essere sostenuto in due modalità:
Prove intercorso: Una prova scritta intermedia e una finale, con esame orale facoltativo.
Esame standard: Prova scritta e prova orale obbligatoria secondo il calendario didattico.
La valutazione è in trentesimi secondo la seguente rubrica:
Voto Criteri di Valutazione
30 - 30L Padronanza eccellente di tutti i concetti, precisione assoluta nei calcoli e rigore teorico.
26 - 29 Ottima conoscenza della materia e capacità di risolvere problemi applicativi complessi.
22 - 25 Buona comprensione dei concetti base e corretto svolgimento degli esercizi standard.
18 - 21 Conoscenza minima delle definizioni e capacità di risolvere sistemi lineari semplici.

Testi di riferimento

Mike X Cohen, "Practical Linear Algebra for Data Science", O'Reilly Media, Inc., 2022
G. Strang, "Introduction to Linear Algebra", 5th edition, Wellesley-Cambridge Press, 2016
D.J.S. Robinson, “A course in Linear Algebra with Applications”, 2nd Edition, World Scientific Publishing Co. Pte. Ltd., 2006

Codice insegnamento DEPT-web:data-analytics-002-linear-algebra

Methodology of social research 1° anno · 2° semestre · 6 CFU · GSPS-05/A · 0 file
Numerical methods for data analysis and Neural Networks 1° anno · 2° semestre · 18 CFU · MATH-05/A · 0 file
Object oriented programming 1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file

Il Corso intende fornire la conoscenza dei principi di programmazione ad oggetti e loro applicazione al linguaggio Python. Durante il corso, lo studente dovrà essere in grado di acquisire la capacità di analizzare…

Scheda dell'insegnamento

Obiettivi formativi

Il Corso intende fornire la conoscenza dei principi di programmazione ad oggetti e loro applicazione al linguaggio Python.
Durante il corso, lo studente dovrà essere in grado di acquisire la capacità di analizzare semplici problemi e di progettare strutture di classi ed algoritmi per la loro risoluzione automatica, così come la capacità di implementare tali algoritmi in programmi e di usare gli strumenti software adeguati (editor, compilatori, linker, etc.).
Inoltre, obiettivo del corso sarà quello di fare in modo che lo studente sia in grado di motivare le scelte progettuali ed implementative effettuate in modo logico ed argomentato, oltrechè usare la terminologia propria della programmazione a oggetti.

Programma

Principi di progettazione e programmazione orientata agli oggetti. Modellazione di Problemi reali mediante approccio basato su definizione di entità, proprietà, relazioni e comportamenti degli oggetti.

Prerequisiti:
Lo studente deve avere sia delle buone abilità informatiche sia una buona conoscenza della matematica di base.
Consolidata conoscenza dei fondamenti del linguaggio di programmazione Python.

Metodi didattici:
Il corso prevede ore teoriche in cui verranno illustrate le tecniche di programmazione ad oggetti e i dettagli del linguaggio Python; ed ore in laboratorio in cui verranno proposte le risoluzioni di esercizi e problemi applicativi.

Programma esteso:
Paradigma di programmazione a oggetti e linguaggio Python:
-Introduzione al paradigma di programmazione orientato agli oggetti.
-Progettazione di sistemi orientati agli oggetti: processo di analisi e modellazione.
-Concetti base: incapsulamento, ereditarietà, poliformismo, astrazione.
-Classi, attributi, metodi e costruttori, oggetti.

Altre informazioni:
E’ previsto il caricamento on-line di materiale didattico, esercitazioni e programmi di esempio.

Modalità d'esame

L’esame si compone di una prova pratica.
La prova pratica mira ad accertarsi delle competenze legate all’analisi ed allo sviluppo di programmi scritti in Python in accordo con i dettami della Programmazione ad Oggetti. La prova pratica potrà essere tenuta sotto forma di elaborato da consegnare e da discutere all’esame e/o in forma di prova a tempo al calcolatore.
Non sono previste prove di esonero durante il corso.
Gli studenti dovranno presentarsi alla prova muniti di documento di riconoscimento. Non sarà consentita la consultazione di materiale didattico e/o elettronico personale (smartphone, tablet, etc..).

Testi di riferimento

Steven F. Lott, Dusty Phillips. Python Object-Oriented Programming - Fourth Edition: Build robust and maintainable object-oriented Python applications and libraries. Packt Publishing.

Codice insegnamento UC387213

Operational research 1° anno · 2° semestre · 6 CFU · MATH-06/A · 0 file

Al termine dell’insegnamento, lo studente dovrà aver acquisito: Conoscenza e capacità di comprensione: Comprendere i concetti fondamentali della programmazione lineare e della teoria dell’ottimizzazione; conoscere i…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento, lo studente dovrà aver acquisito:
Conoscenza e capacità di comprensione: Comprendere i concetti fondamentali della programmazione lineare e della teoria dell’ottimizzazione; conoscere i principali algoritmi risolutivi.
Utilizzazione delle conoscenze e capacità di comprensione: Saper formulare problemi reali in modelli matematici e saper selezionare e applicare correttamente i metodi di base utilizzando strumenti software appropriati (Excel, MATLAB, Python).
Capacità di trarre conclusioni (Autonomia di giudizio): Valutare criticamente la robustezza delle soluzioni ottenute e interpretare l’analisi di sensitività nel contesto del problema reale.
Abilità comunicative: saper esprimere formulazioni matematiche di problemi di decisione, saper illustrare i metodi e gli strumenti appropriati per la loro risoluzione, saper comunicare i risultati ottenuti utilizzando un linguaggio tecnico-scientifico adeguato.
Capacità di apprendere: Disporre degli strumenti metodologici per approfondire autonomamente tecniche avanzate di ottimizzazione e nuove applicazioni della ricerca operativa.

Programma

L’insegnamento introduce metodologie e algoritmi di ottimizzazione applicati a problemi reali di ricerca operativa. Il programma affronta: (1) Richiami di algebra lineare e geometria dello spazio; (2) Formulazione matematica di problemi di decisione e ottimizzazione; (3) Programmazione lineare, con enfasi sul metodo del simplesso e sulla teoria della dualità; (4) Analisi di sensibilità per valutare la robustezza delle soluzioni.

Prerequisiti:
Si raccomanda la conoscenza solida dei contenuti dei corsi di Algebra lineare e Analisi Matematica.

Metodi didattici:
L’insegnamento prevede 48 ore totali (6 CFU), così ripartite:
Lezioni frontali (40 ore) articolate nei seguenti moduli didattici:
Moduli teorici frontali: presentazione della teoria dell’ottimizzazione e delle metodologie per la risoluzione numerica di problemi di programmazione lineare.
Moduli laboratoriali: attività di "learning by doing", simulazioni e applicazione pratica delle conoscenze acquisite.
Esercitazioni (8 ore): risoluzione pratica di esercizi tratti dai test di riferimento, inclusi test intermedi e finali per la verifica del livello di apprendimento.
La frequenza non è obbligatoria ma è fortemente consigliata.

Programma esteso:
Preliminari Matematici (0.5 CFU / 4 ore):
Richiami di algebra lineare e geometria dello spazio (0.5 CFU).
Introduzione all’Ottimizzazione ( 0.75 CFU / 6 ore):
Problemi di decisione e modelli di ottimizzazione. Definizione di minimo locale e globale. Condizioni di ottimalità. (0.25 CFU).
Passaggio da un problema concreto alla formulazione matematica. Primi esempi di problemi di programmazione lineare (il problema della dieta, il problema del trasporto, il problema di produzione). Forma standard di un problema di programmazione lineare (0.5 CFU).
Programmazione Lineare (3.25 CFU / 26 ore):
Geometria della programmazione lineare e teorema fondamentale (0.5 CFU).
Metodo di risoluzione grafica (0.5 CFU).
Definizione di un metodo iterativo di discesa. Metodo del simplesso in forma standard, metodo del simplesso revisionato e relativa complessità computazionale (1 CFU).
Metodo del simplesso in forma tabellare (0.25).
Utilizzo di software in ambiente Excel, Matlab e Python per la risoluzione di problemi di programmazione lineare (1 CFU).
Teoria della dualità (0.75 CFU / 6 ore):
Funzione lagrangiana, il problema duale. Teoremi di dualità debole e dualità forte. Analisi di sensitività (concetti di base).
Esercitazione (1 CFU / 8 ore):
Risoluzione pratica di esercizi tratti dai test di riferimento, test intermedi e finali per la verifica del livello di apprendimento.

Altre informazioni:
Il materiale didattico, gli script e gli esercizi saranno resi disponibili dal docente.

Modalità d'esame

La verifica prevede due prove integrate:
Prova scritta (120 minuti): Esercizi di formulazione di problemi di programmazione lineare, risoluzione di un problema di programmazione lineare mediante il metodo grafico, risoluzione di un problema di programmazione lineare mediante metodo del simplesso o analisi del problema duale. Non è consentito consultare testi o appunti. Non è consentito l’uso di Smart-Phone o tablet.
Prova orale (20 minuti): colloquio articolato in domande sugli argomenti teorici oggetto del programma dell’insegnamento, atto ad accertare il livello di conoscenze raggiunto.
Per essere ammessi alla valutazione, gli studenti devono presentare un documento d'identità valido.
Struttura della valutazione: La prova scritta è propedeutica alla prova orale. La propedeuticità richiede il raggiungimento di almeno 18/30 nella prova scritta per accedere alla prova orale. Il voto finale (in trentesimi) è calcolato come la media dei punteggi ottenuti nelle due prove. Il voto della prova scritta rimane valido fino alla sessione di esami successiva a quella in cui è stata sostenuta la prova.
Parametri di valutazione: La valutazione considera: (1) correttezza della formulazione matematica, (2) capacità di applicazione del metodo del simplesso e sue varianti e dei concetti teorici appropriati, (3) qualità dell’interpretazione dei risultati, (4) uso del lessico specialistico.
Descrittore Criteri di Valutazione (Rubrica)
Voto
30 - 30L
Eccellente conoscenza dei contenuti teorici. Ottima capacità di formulazione del modello matematico a partire da un problema reale complesso e di applicazione delle metodologie per la programmazione lineare; capacità di analisi e interpretazione critica dei risultati; ottime capacità di esposizione utilizzando un linguaggio tecnico.
26 – 29
Buona conoscenza dei contenuti teorici. Buona capacità di formulazione del modello matematico a partire da un problema reale e corretta applicazione delle metodologie per la loro risoluzione; buona capacità di interpretare i risultati; buone capacità di esposizione utilizzando un linguaggio tecnico.
22 – 25
Discreta conoscenza dei contenuti teorici. Capacità di formulazione corretta del modello matematico a partire da un problema reale e corretta applicazione delle metodologie per la loro risoluzione; sufficiente capacità di interpretare i risultati; sufficiente capacità di esposizione utilizzando un linguaggio tecnico.
18 – 21
Requisiti minimi: conoscenza basilare dei contenuti teorici; formulazione corretta di problemi semplici di programmazione lineare; capacità di risolvere problemi risolvere problemi di programmazione lineare con il metodo grafico. Parziale capacità di utilizzo delle metodologie numeriche di risoluzione di un problema di programmazione lineare. Capacità limitata di esposizione utilizzando un linguaggio tecnico.

Testi di riferimento

D. Bertsimas, J.N. Tsitsiklis, Introduction to Linear Optimization, Belmont (MA), Athena Scientific 1997, pp. 608.
D.G. Luenberger, Y. Ye, Linear and Nonlinear Programming, 3rd ed., New York, Springer 2008, pp. 546.
Hillier, Frederick S., and Gerald J. Lieberman. Introduction to Operations Research. 10th ed., McGraw-Hill Education, 2016. . 1088 pp.
A.C. Chiang, K. Wainwright, Fundamental Methods of Mathematical Economics, 4th ed., New York, McGraw-Hill 2005, pp. 688.
Appunti e materiale didattico fornito dal docente sulla piattaforma e-learning di Ateneo.

Codice insegnamento DEPT-web:data-analytics-021-operational-research

Opzionale 1 1° anno · 2° semestre · 6 CFU · 0 file
Opzionale 2 1° anno · 1° semestre · 6 CFU · 0 file
Probability theory 1° anno · 2° semestre · 6 CFU · MATH-03/B · 0 file

Al termine dell’insegnamento, lo studente dovrà aver acquisito: Conoscenza e capacità di comprensione: Comprendere i concetti fondamentali della Teoria della Probabilità; conoscere le variabili aleatorie, le loro…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento, lo studente dovrà aver acquisito:
Conoscenza e capacità di comprensione: Comprendere i concetti fondamentali della Teoria della Probabilità; conoscere le variabili aleatorie, le loro distribuzioni e i momenti; padroneggiare i teoremi fondamentali della probabilità.
Utilizzazione delle conoscenze e capacità di comprensione: Saper risolvere problemi applicando le metodologie di calcolo delle probabilità; modellare fenomeni probabilistici utilizzando variabili aleatorie, leggi di probabilità e probabilità condizionate.
Capacità di trarre conclusioni (Autonomia di giudizio): Valutare criticamente la pertinenza del modello probabilistico scelto rispetto al problema; interpretare consapevolmente i risultati ottenuti.
Abilità comunicative: Saper esprimere in modo chiaro i risultati delle analisi probabilistiche e discutere le scelte metodologiche utilizzando un linguaggio tecnico-matematico appropriato.
Capacità di apprendere: Disporre delle competenze metodologiche per approfondire autonomamente argomenti avanzati della probabilità e della statistica matematica.

Programma

L’insegnamento fornisce le nozioni fondamentali della Teoria della Probabilità e del Calcolo delle Probabilità, con focus sulla modellizzazione probabilistica di fenomeni reali. Il programma affronta: (1) Elementi di calcolo combinatorio; (2) Probabilità elementare e proprietà assiomatiche; (3) Probabilità condizionata, indipendenza e teoremi fondamentali; (4) Variabili aleatorie discrete e continue, distribuzioni, momenti; (5) Teoremi fondamentali della Teoria della Probabilità (Legge dei Grandi Numeri, Teorema Centrale del Limite); (6) Nozione di processo stocastico e applicazioni.

Prerequisiti:
Si richiede una buona conoscenza dell’algebra elementare e dell’analisi matematica delle funzioni di una variabile.

Metodi didattici:
L’insegnamento prevede 48 ore totali (6 CFU), così articolate:
Lezioni frontali (32 ore) dedicate alla presentazione della teoria e dei concetti fondamentali.
Sessioni di discussione e risoluzione di problemi (16 ore) per l’approfondimento pratico con numerosi esempi e esercizi. La frequenza è caldamente consigliata.

Programma esteso:
Calcolo Combinatorio (0.25 CFU / 2 ore):
Fattoriale, disposizioni (semplici e con ripetizioni), permutazioni, combinazioni, coefficienti binomiali.
Probabilità Elementare (0.5 CFU / 4 ore):
Definizione classica, frequenza relativa e probabilità.
Proprietà assiomatiche della probabilità con esempi ed esercizi.
Probabilità Condizionata e Indipendenza (1.25 CFU / 10 ore):
Probabilità condizionata, dipendenza e indipendenza di eventi.
Teoremi fondamentali: doppio condizionamento, moltiplicazione, legge delle alternative.
Legge di Bayes con applicazioni.
Variabili Aleatorie Discrete (1.25 CFU / 10 ore):
Nozione di variabile aleatoria, valore atteso, varianza.
Funzioni di variabili aleatorie.
Variabili aleatorie congiunte: indipendenza, dipendenza, somma e prodotto.
Variabili Aleatorie Speciali (1 CFU / 8 ore):
Variabile dicotomica, uniforme, binomiale, geometrica, binomiale negativa.
Variabile di Poisson, Distribuzione di Gauss.
Teoremi Fondamentali (1 CFU / 8 ore):
Teoremi su valori attesi e varianze; variabili aleatorie standardizzate.
Disuguaglianza di Chebyshev, Legge dei Grandi Numeri e applicazioni in Statistica.
Teorema Centrale del Limite e applicazioni in Statistica.
Processi Stocastici e Applicazioni (0.75 CFU / 6 ore integrative): Nozione di processo stocastico; esempi e applicazioni.

Altre informazioni:
Ricevimento dopo ogni lezione e su appuntamento.
Gli appunti completi del corso saranno resi disponibili dal docente sulla piattaforma Teams.

Modalità d'esame

La verifica prevede due prove integrate:
Prova scritta (1 ora): Domande teoriche e esercizi di calcolo delle probabilità. La prova richiede di rispondere a quesiti teorici e risolvere problemi applicativi che verifichino la comprensione dei concetti e la capacità di applicazione.
Prova orale (20 minuti): Discussione della prova scritta, verifica della padronanza concettuale e della capacità di argomentazione.
Struttura della valutazione: Il voto finale (in trentesimi) è determinato dalla media ponderata: 40% prova scritta + 60% prova orale.
Parametri di valutazione: La valutazione considera: (1) correttezza della risoluzione di problemi probabilistici, (2) comprensione profonda dei teoremi e dei concetti, (3) capacità di sintesi e argomentazione, (4) proprietà di linguaggio matematico.
Voto Descrittore Criteri di Valutazione (Rubrica)
30 - 30L Eccellente padronanza di tutti i concetti probabilistici; risoluzione corretta e consapevole di problemi complessi; argomentazione teorica impeccabile; linguaggio matematico perfetto.
26 - 29 Ottima conoscenza dei teoremi fondamentali; risoluzione corretta di problemi standard; buona comprensione critica; buon linguaggio matematico.
22 - 25 Discreta conoscenza dei concetti principali; risoluzione corretta di problemi base; capacità critica sufficiente; linguaggio matematico adeguato.
18 - 21 Requisiti minimi: Conoscenza basilare delle variabili aleatorie, delle distribuzioni di probabilità e dei teoremi fondamentali; capacità di risolvere esercizi semplici; proprietà linguistica minima.

Testi di riferimento

K. A. Ross, A First Course in Probability, 10th ed., Boston, Pearson 2019, pp. 544.
Stanley H. Chan, Introduction to Probability for Data Science
Michigan Publishing, 2021.
Appunti e materiale didattico fornito dal docente sulla piattaforma e-learning di Ateneo.

Codice insegnamento DEPT-web:data-analytics-007-probability-theory

Prova Finale (Tesi) 1° anno · 2° semestre · 4 CFU · 0 file
Psychometrics 1° anno · 2° semestre · 6 CFU · PSIC-01/C · 0 file
Statistical modeling 1° anno · Annuale · 24 CFU · STAT-01/A · 0 file
Statistics 1° anno · 1° semestre · 9 CFU · STAT-01/A · 0 file

Conoscenza e capacità di comprensione: Comprendere i concetti principali della statistica descrittiva quali: le diverse tipologie di dati le distribuzioni; le misure di tendenza centrale, le misure di variabilità, di…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione:
Comprendere i concetti principali della statistica descrittiva quali: le diverse tipologie di dati le distribuzioni; le misure di tendenza centrale, le misure di variabilità, di posizione e di forma; le rappresentazioni grafiche; le misure di dipendenza tra variabili statistiche.
Capacità di applicare conoscenza e comprensione:
Saper pianificare un’indagine, raccogliere e gestire dati, ed eseguire analisi statistiche e visualizzazioni
Autonomia di giudizio: Interpretare correttamente i risultati delle analisi statistiche e trarre conclusioni consapevoli in presenza di variabilità e dipendenza tra variabili.
Abilità comunicative: Saper descrivere e illustrare i risultati di un analisi statistica attraverso grafici e indici sintetici appropriati.
Capacità di apprendere: Acquisire la padronanza metodologica necessaria per affrontare corsi avanzati di inferenza e data mining.

Programma

Statistics è un corso introduttivo che non richiede precedenti conoscenze di statistica e che fornisce i concetti e i metodi della statistica descrittiva enfatizzando la comprensione dei principi della raccolta dati, dell’analisi dei dati e delle teorie sottostanti. Un parte significativa del corso è incentrata sull’utilizzo della statistica in casi reali.
I principali argomenti del corso includono:
Introduzione alla statistica
Raccolta dati
Visualizzazione e sintesi dei dati;
Relazioni tra variabili
Comprensione e comparazione delle distribuzioni

Prerequisiti:
Conoscenze di base della matematica

Metodi didattici:
Per raggiungere efficacemente gli obiettivi dichiarati, questo corso utilizzerà le seguenti strategie didattiche:
lezioni frontali:
Le lezioni si concentreranno sugli aspetti teorici della statisticha. Sono progettati per sviluppare la comprensione e la conoscenza delle statistiche descrittive e per rafforzare le abilità degli studenti nella raccolta dei dati, nell'analisi dei dati e nelle interpretazioni.
Esercitazioni
Verranno effettuate esercitazioni alla lavagna, con software R e con foglio elettronico. Lo scopo è quello di sviluppare le capacità analitiche e interpretative dei dati.

Programma esteso:
PARTE I – ESPLORARE E COMPRENDERE I DATI
1. Introduzione alla statistica
1.1 Che cos’è la statistica?

  • Statistica descrittiva vs inferenziale
  • Popolazione e campione
  • Il processo di analisi dei dati
  • Il ruolo dei modelli nella descrizione
    1.2 Dati
  • Unità statistiche
  • Dataset
  • Matrice dei dati
  • Dataset reali (economici, sociali, aziendali)
    1.3 Variabili
  • Qualitative: nominali e ordinali
  • Quantitative: discrete e continue
    2. Rappresentare e descrivere i dati
    2.1 Variabili categoriali
  • Frequenze assolute, relative, percentuali
  • Tabelle di frequenza
  • Diagrammi a barre
  • Diagrammi a torta
    2.2 Variabili quantitative
  • Tabelle di distribuzione
  • Classi e ampiezza
  • Densità (in ottica descrittiva)
  • ECDF
  • Istogramma
    2.3 Tendenza centrale
  • Media aritmetica, media geometrica, media armonica
  • Mediana
  • Moda
  • Confronto critico tra gli indici
    2.4 Dispersione
  • Range
  • Varianza
  • Deviazione standard
  • IQR (intervallo interquartile)
  • Z-score
    2.5 Forma della distribuzione
  • Simmetria
  • Asimmetria
  • Distribuzioni unimodali e multimodali
  • Relazione tra forma e indici di posizione
  • Boxplot
    3. Comprendere e confrontare distribuzioni
    3.1 Confronto tra gruppi
  • Boxplot affiancati
  • Confronto di mediana, variabilità e forma
  • Effetto scala
    3.2 Valori anomali (outlier)
  • Definizione tramite IQR
  • Impatto sulla media e deviazione standard
  • Strategie interpretative
    4. Modello normale e percentili (in chiave descrittiva)
    4.1 Modello normale
  • Forma campanulare
  • Simmetria
  • Regola empirica 68–95–99.7 (interpretazione descrittiva)
    4.2 Percentili
  • Quartili
  • Percentili
  • Interpretazione pratica
    PARTE II – ESPLORARE LE RELAZIONI TRA VARIABILI
    5. Relazioni tra variabili categoriche — Tabelle di contingenza
    5.1 Tabelle di contingenza
  • Frequenze congiunte
  • Marginali
  • Distribuzioni condizionate
  • Interpretazione corretta
    5.2 Associazione tra variabili categoriali
  • Confronto tra distribuzioni
  • Interpretazione qualitativa dell’associazione
    6. Diagrammi di dispersione, associazione e correlazione
    6.1 Diagrammi di dispersione
  • Pattern lineari e non lineari
  • Direzione
  • Intensità
  • Forma
    6.2 Correlazione
  • Coefficiente di correlazione lineare
  • Interpretazione
  • Limiti della correlazione
    6.3 Correlazione ≠ causalità
  • Variabili confondenti
  • Esempi reali
    6.4 Linearizzazione
  • Trasformazioni logaritmiche (introduzione intuitiva)
  • Interpretazione grafica
    7. Regressione lineare semplice
    7.1 Metodo dei minimi quadrati
  • Idea geometrica
  • Retta di miglior adattamento
    7.2 Il modello lineare
  • Intercetta
  • Pendenza
  • Interpretazione dei parametri
    7.3 Determinazione della retta
  • Calcolo operativo
    7.4 Analisi dei residui
  • Residui
  • Pattern nei residui
  • Outlier influenti
    7.5 Coefficiente di determinazione (R²)
  • Variabilità spiegata
  • Interpretazione corretta
  • Limiti

Altre informazioni:
Il materiale didattico (slide, esercizi, dataset ed eventuali risorse integrative) sarà reso disponibile sul canale Microsoft Teams del corso.
La frequenza, pur non obbligatoria, è fortemente consigliata, in quanto le lezioni includono esempi applicativi, discussioni di casi reali ed esercitazioni guidate che facilitano la comprensione dei concetti teorici.
Durante il corso potranno essere assegnati esercizi facoltativi per l’autovalutazione.
Gli studenti sono invitati a partecipare attivamente alle lezioni e alle esercitazioni.
Per chiarimenti e approfondimenti, il docente è disponibile durante l’orario di ricevimento o su appuntamento.

Modalità d'esame

L’esame finale consiste in una prova scritta seguita da una discussione orale sui temi del corso. La valutazione è in trentesimi:
Voto Criteri di Valutazione
30 - 30L Padronanza eccellente dei metodi e analisi critica profonda.
26 - 29 Ottima capacità analitica e corretta interpretazione dei risultati statistici.
22 - 25 Buona conoscenza delle tecniche descrittive proposta nel programma del corso
18 - 21 Conoscenza sufficiente dei concetti base

Testi di riferimento

Statistics - Principles and Methods
Cicchitelli Giuseppe, D'Urso Pierpaolo, Minuzzò Marco
Pearson, 2021

Codice insegnamento DEPT-web:data-analytics-003-statistics

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.