statistica per l'economia e l'impresa

L'insegnamento fornisce una preparazione di base in Algebra Lineare, introducendo i principali strumenti teorici e operativi necessari per lo studio dei sistemi lineari, degli spazi vettoriali e delle trasformazioni lineari. L'insegnamento contribuisce alla formazione matematica di base delle studentesse e degli studenti del Corso di Laurea in Statistica per l’Economia e l’Impresa, fornendo concetti e metodi indispensabili per i successivi insegnamenti quantitativi, statistici ed econometrici. Attraverso lo studio di matrici, determinanti, spazi vettoriali, applicazioni lineari e autosistemi, l'insegnamento sviluppa capacità di formalizzazione, modellizzazione e risoluzione di problemi, favorendo l’acquisizione di un linguaggio matematico rigoroso e la capacità di utilizzare strumenti algebrici in contesti applicativi.

• Matrici e operazioni elementari; matrice trasposta; decomposizione a blocchi. * Eliminazione di Gauss per la risoluzione algoritmica dei sistemi lineari e il calcolo dell'inversa; matrici elementari; decomposizione LU. * Spazi vettoriali: sistemi di generatori, dipendenza e indipendenza lineare, basi e dimensione. * I quattro sottospazi fondamentali associati a una matrice. * Coordinate rispetto a una base ordinata e cambiamento di base. * Applicazioni lineari e relative matrici associate. * Norme e prodotti scalari; vettori ortogonali, basi ortonormali e proiezioni ortogonali. * Procedimento di Gram-Schmidt e decomposizione QR. * Determinanti: calcolo e applicazioni. * Autovalori, autovettori e autospazi; polinomio caratteristico, molteplicità algebriche e geometriche; diagonalizzazione, matrici normali e teorema spettrale.

Per seguire con profitto l'insegnamento di Algebra Lineare, è richiesta una buona padronanza degli strumenti di algebra elementare, trigonometria e geometria analitica elementare. In particolare, è utile la familiarità con operazioni su espressioni algebriche, risoluzione di equazioni e sistemi, coordinate cartesiane nel piano e formule goniometriche di base. Non sono previste propedeuticità formali da regolamento per questo insegnamento.

L'insegnamento prevede 64 ore di lezioni frontali in presenza durante le quali vengono presentati i principali concetti teorici dell'algebra lineare e le relative tecniche di risoluzione dei problemi. Nel corso delle lezioni saranno illustrati risultati teorici, metodi di calcolo ed esempi applicativi, con svolgimento guidato di esercizi finalizzati a consolidare la comprensione dei contenuti e lo sviluppo delle capacità operative. L'acquisizione delle competenze previste richiede un adeguato lavoro autonomo di studio ed esercitazione individuale. La piattaforma Moodle sarà utilizzata per la distribuzione di materiale didattico integrativo, inclusi esempi di prove d'esame degli anni precedenti con soluzioni e video dedicati alla discussione delle principali domande teoriche che possono comparire nella prova scritta. È previsto un ricevimento studenti settimanale durante il periodo di svolgimento dell'insegnamento, dedicato a chiarimenti, approfondimenti teorici e svolgimento guidato di esercizi. Studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

La valutazione si basa principalmente su: * correttezza e completezza delle soluzioni agli esercizi; * correttezza delle risposte alle domande teoriche; * uso appropriato del linguaggio matematico. Saranno inoltre valutati positivamente: * rigore logico delle argomentazioni; * coerenza del ragionamento matematico; * chiarezza espositiva. Il raggiungimento della sufficienza richiede una conoscenza adeguata degli argomenti fondamentali dell'insegnamento e la capacità di applicare correttamente le principali tecniche operative dell'algebra lineare.

**Testo consigliato (facoltativo)** Gregorio, E.; Salce, L., *Algebra lineare*, Padova, Progetto, 2012.

Al termine dell'insegnamento, lo studente o la studentessa avrà acquisito: Conoscenza e comprensione dei concetti fondamentali dell’analisi matematica, in particolare delle proprietà dei numeri reali e del concetto di limite. Capacità di applicare conoscenza e comprensione al calcolo di limiti di funzioni reali di una variabile, anche tramite l’uso di limiti notevoli e dello sviluppo di Taylor. Competenze operative nel calcolo delle derivate e nell’applicazione delle derivate per lo studio di grafici di funzioni e nella risoluzione di problemi con parametro. Capacità di calcolo di integrali definiti e indefiniti, e nello studio della convergenza delle serie numeriche. Autonomia di giudizio nell’analisi del comportamento delle funzioni di due variabili reali, in particolare nello studio di massimi e minimi. Capacità di apprendimento e trasferimento degli strumenti analitici acquisiti, in particolare per affrontare con successo corsi successivi come Probabilità e Statistica.

L'insegnamento prevede 108 ore di lezione frontale, di cui circa la metà dedicate allo svolgimento di esercizi, sia numerici che teorici.

Le lezioni seguiranno, nelle notazioni e negli argomenti, il libro di testo e si svolgeranno con l’ausilio del tablet e della lavagna. L’uso del tablet e della piattaforma Moodle ha lo scopo di favorire la comprensione degli argomenti trattati e di mettere a disposizione degli studenti il maggior numero possibile di materiali didattici.

Agli studenti è richiesto di seguire con attenzione le lezioni e di dedicare un tempo significativo allo studio individuale autonomo, essenziale per lo sviluppo delle capacità logiche e delle abilità operative necessarie per affrontare il programma d’esame.

Per supportare chi ne avesse necessità, saranno organizzate attività di tutorato coordinate dal docente. È inoltre previsto un ricevimento settimanale durante l'insegnamento, e sarà attivo un sito web del corso, aggiornato quotidianamente, il cui indirizzo sarà comunicato il primo giorno di lezione.

Oltre a rivolgersi al/la docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute possono contattare l’Ufficio Servizi agli studenti – Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Politica sull’uso dell’intelligenza artificiale generativa

L’uso di strumenti di IA generativa è consentito con limiti: è ammesso esclusivamente per attività non valutative, a fini di studio personale, e deve essere esplicitamente dichiarato.

Ogni domanda all’interno degli esercizi d’esame contribuisce al voto finale con un punteggio specifico, indicato chiaramente nel testo della prova, fino a un massimo complessivo di 32/30 (equivalente al 30 e lode).

I criteri per una valutazione positiva includono:

• la correttezza delle risposte;
• il rigore metodologico nell’impostazione e nello svolgimento degli esercizi;
• la completezza delle soluzioni fornite;
• la chiarezza espositiva nella formulazione delle risposte.

L’utilizzo di strumenti di intelligenza artificiale generativa non è ammesso nelle attività valutative e non incide in alcun modo sul processo di assegnazione del punteggio.

Titolo: Analisi Matematica, Autori: M. Bertsch, R. Dal Passo e L. Giacomelli, Luogo: --, Anno: 2014, Editore: McGraw-Hill, Note: --.

Titolo: Analisi Matematica 1,, Autori: Marco Bramanti, Carlo D. Pagani e Sandro Salsa, Luogo: --, Anno: 2008, Editore: Zanichelli, Note: --.

Titolo: Esercitazioni di Analisi Matematica 1, Autori: Marco Bramanti, Luogo: --, Anno: 0, Editore: Esculapio, Note: --.

Conoscenza e capacità di comprensione

Lo/a studente/ssa acquisirà una conoscenza solida dei principali concetti di base del calcolo delle probabilità, con particolare attenzione alla distinzione tra variabili aleatorie discrete e continue, distribuzioni fondamentali, indipendenza e condizionamento.

Capacità di applicare conoscenza e comprensione

Sarà in grado di utilizzare le metodologie di base per la modellizzazione di fenomeni casuali, applicando le nozioni teoriche a problemi pratici, con il calcolo esplicito di probabilità, valori attesi, varianze e probabilità condizionate.

Autonomia di giudizio

Svilupperà la capacità di valutare criticamente l’adeguatezza di un modello probabilistico a una situazione concreta, distinguendo tra modelli discreti e continui e scegliendo la distribuzione più appropriata.

Abilità comunicative

Acquisirà la capacità di esporre in modo chiaro e coerente concetti, procedimenti e risultati, utilizzando il linguaggio formale della probabilità sia in forma scritta sia orale.

Capacità di apprendimento

Lo/a studente/ssa maturerà una buona elasticità nell’utilizzo dei concetti fondamentali della disciplina, sviluppando un metodo di studio che consenta il proseguimento degli studi nell’ambito della statistica e delle sue applicazioni.

Calcolo combinatorio: principio fondamentale, permutazioni, coefficienti binomiali.

Esperimenti aleatori, spazio campionario, definizione assiomatica di probabilità, spazi campionari finiti. Probabilità condizionata e indipendenza di eventi.

Variabili aleatorie discrete: densità, funzione di distribuzione, valore atteso, varianza, covarianza, momenti. Distribuzioni discrete notevoli: Bernoulliana, Binomiale, Geometrica, Poisson, Ipergeometrica, Binomiale negativa.

Vettori di variabili aleatorie discrete: densità congiunte e marginali, indipendenza, densità e valore atteso condizionato.

Variabili aleatorie assolutamente continue e valore atteso. Distribuzioni assolutamente continue notevoli: Uniforme, Normale, Esponenziale, Chi quadro, Gamma.

Vettori di variabili aleatorie assolutamente continue: densità congiunte, indipendenza, densità e valore atteso condizionato. Successioni di variabili aleatorie. Legge dei grandi numeri. Teorema del limite centrale. Approssimazione normale.

Gli esercizi proposti nella prova d’esame sono pensati per verificare la comprensione delle nozioni di base del calcolo delle probabilità e la capacità dello/a studente/ssa di applicarle a problemi concreti.

Nella valutazione si terrà conto, oltre che della correttezza, anche della chiarezza espositiva e della coerenza logica delle soluzioni proposte.

Titolo: Calcolo delle probabilità, Autori: Sheldon M. Ross, Luogo: --, Anno: 2013, Editore: ApOgeo, Note: --.

Si richiede la conoscenza della lingua inglese (3 CFU). Per l'acquisizione dei crediti è necessario svolgere il test di idoneità di lingua inglese erogato dal centro linguistico di Ateneo, oppure essere in possesso di uno dei certificati di lingua inglese di livello B2 o superiore, riconosciuti dalla Scuola di Scienze, che sia stato rilasciato da non più di tre anni. Gli interessati dovranno rivolgersi all'Ufficio Carriere Studenti dell'Ateneo (Casa Grimani lungargine del Piovego 2/3) presentando il proprio certificato e l'apposito modulo per la domanda di riconoscimento nei periodi prestabiliti. Sono previsti test di idoneità rivolti unicamente agli immatricolati nel mese di ottobre. Inoltre la Scuola di Scienze organizza dei corsi di lingua inglese appoggiandosi al Centro Linguistico di Ateneo.

er poter accedere al corso di Statistica per l'Economia e l'Impresa è necessario iscriversi ad un test di ammissione che viene erogato a livello nazionale sul portale CISIA (Consorzio Interuniversitario Sistemi per l'Accesso). Il test di riferimento è il TOLC-E e English TOLC-E che viene svolto in modalità online o in presenza in più date durante l'anno. E' anche possibile, comunque, svolgere gli altri test d'ingresso erogati dalla Scuola di Scienze come il TOLC-I, TOLC-S e tutte le versioni in inglese degli stessi. Lo studente matura un OFA (Obbligo Formativo Aggiuntivo) se nella sezione di matematica del TOLC-E ottiene un punteggio inferiore a 5/13, oppure per il TOLC-I inferiore a 7/20. In questo caso lo studente può iscriversi ugualmente ma entro gennaio dell'a.a 2026/27 dovrà partecipare ad almeno quattro incontri di approfondimento teorico e pratico della matematica con tutor didattici dedicati allo scopo.

La prova finale (esame di laurea) consiste nella preparazione di una relazione su un argomento concordato con un docente afferente al Dipartimento di Scienze Statistiche, oppure sul lavoro sviluppato in occasione di una esperienza di stage o tirocinio sempre con un docente di Scienze Statistiche. La relazione finale può essere redatta in inglese dopo averlo concordato con il relatore.

La relazione, in accordo con il Regolamento per la prova finale del Corso di Studio, viene presentata e discussa dal candidato alla presenza di una Commissione appositamente nominata che esprime un giudizio di merito attribuendo un punteggio da 1 a 6 punti.

Al termine dell’insegnamento, lo studente o la studentessa sarà in grado di: - comprendere i concetti fondamentali relativi alla struttura hardware e software di un elaboratore; - conoscere la grammatica di base del linguaggio di programmazione Python. - analizzare problemi informatici elementari e scegliere le strategie risolutive più adatte, valutando in modo critico le soluzioni proposte. - affrontare semplici problemi computazionali sviluppando soluzioni algoritmiche efficaci, prima su carta e successivamente attraverso la scrittura di codice in linguaggio Python. - conoscenza preliminare dei concetti di Intelligenza Artificiale

Introduzione all'architettura degli elaboratori. Rappresentazione interna vs. esterna dell'informazione Introduzione al linguaggio di programmazione Python. Funzioni, funzioni personalizzate e funzioni innestate. Algoritmi, flussi di controllo e pseudo-codice. Operatori condizionali e condizioni logiche. Condizioni innestate e costrutto if-elif-else. Cicli in Python. Iterativi vs. condizionati. Cicli avanzati. Costrutti break e continue. Cicli annidati e successivi. Aggregati in Python. I tipi lista, tupla e stringa. Liste di liste. Complessità di un algoritmo ed efficienza in programmazione. Ricerca lineare e ricerca binaria. Tipi utente e Classi in Python. Funzioni di un sistema operativo. Cenni sull'intelligenza artificiale.

Conoscenza della lingua Italiana. Conoscenza operativa delle principali funzioni di un sistema operativo (gestione dei file, elaborazione di testo e foglio elettronico, email, navigazione su Internet ecc.). È auspicabile il possesso di minime capacità di problem-solving.

L’insegnamento si articola in lezioni frontali, finalizzate all’introduzione e alla spiegazione dei concetti teorici, e in esercitazioni pratiche in laboratorio, dedicate allo sviluppo di competenze di programmazione in linguaggio Python. Durante l'insegnamento verrà utilizzata la piattaforma Moodle, attraverso la quale saranno messi a disposizione materiali didattici, esempi di codice, esercizi e comunicazioni. Oltre a rivolgersi al docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti. In coerenza con le linee guida di Ateneo, l’uso di strumenti di intelligenza artificiale generativa (es. ChatGPT e simili) è vietato nell’ambito dell’insegnamento, sia durante le prove di valutazione sia nello svolgimento degli esercizi assegnati. Questa scelta intende valorizzare lo sviluppo personale delle competenze analitiche e di problem-solving, ritenute fondamentali per gli obiettivi formativi dell'insegnamento.

La valutazione complessiva si basa sui risultati delle due prove d’esame:

Prova di toeria: fornisce un punteggio totale di ±3 punti, suddiviso in ±2 punti per le domande a risposta multipla e ±1 punto per la domanda a risposta aperta.

Prova di programmazione: il punteggio è assegnato in trentesimi (0-30) e dipende primariamente dalla correttezza delle soluzioni fornite per i due esercizi proposti. In caso di parità nella correttezza, si tiene conto anche dell’efficienza delle soluzioni implementate.

Il voto finale può raggiungere un massimo di 30 e lode. La valutazione tiene conto della capacità dello studente di risolvere problemi in modo accurato, efficiente e autonomo, nonché della comprensione dei concetti teorici. Non è ammesso l’uso di strumenti di intelligenza artificiale generativa in nessuna fase della valutazione.

• Titolo: Concetti di informatica e fondamenti di Python (seconda edizione), Autori: Hortmann, Cay; Necaise, Rance D.; Dalpasso, Marcello; Horstmann, Cay S., Luogo: --, Anno: 2019, Editore: Maggioli spa, Note: II edizione.

L'insegnamento si caratterizza per le seguenti conoscenze e abilità attese:

1) capacità di utilizzo di tecniche statistiche di base utili per la descrizione grafica e tramite opportuni indicatori di un fenomeno reale;

2) capacità di utilizzo di tecniche statistiche di base utili per lo studio di due o più fenomeni reali in un'ottica cognitiva e predittiva;

3) capacità di utilizzo degli strumenti necessari per una valutazione critica dei risultati conseguiti;

4) capacità di svolgere analisi di base di un insieme di dati reali tramite utilizzo del software R.

• Popolazione; unità statistiche; caratteri e variabili; modalità.
• Tabelle semplici; frequenze assolute, relative e cumulate.
• Istogrammi e rappresentazioni grafiche.
• Misure di posizione: le medie; quartili e quantili. Diagrammi a scatola con baffi. - Funzione di ripartizione empirica.
• Misure di variabilità e mutabilità.
• Cenni su asimmetria e curtosi.
• Media e varianza di una trasformazione lineare dei dati. Standardizzazione dei dati. - Scomposizione della media aritmetica e della varianza per sottopopolazioni.
• Tabelle a doppia entrata; distribuzioni marginali e condizionate; frequenze assolute e relative.
• Dipendenza in distribuzione: condizione di fattorizzazione e indici.
• Dipendenza in media: rapporto di correlazione.
• Dipendenza lineare: regressione, correlazione semplice, valutazione della bontà di adattamento.
• Calcolo matriciale del vettore delle medie della matrice di varianze e covarianze e della matrice di correlazione
• Trasformazioni lineari di una matrice di dati
• Analisi delle componenti principali campionaria

Conoscenze di base di Matematica

L’attività prevede

1) lezioni frontali (42 ore) relative alla parte teorica dell'insegnamento attraverso l’utilizzo di un supporto informatico (slides);

2) esercitazioni in aula (14 ore) relative all’applicazione delle tecniche proposte per l’analisi di insiemi di dati; le esercitazioni saranno svolte alla lavagna;

3) laboratorio informatico (20 ore) per l’apprendimento dei comandi di base del software R per l’analisi di insiemi di dati; l’attività di laboratorio verrà svolta in aula informatica.

Oltre a rivolgersi alla docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

La valutazione della preparazione dello studente si baserà su:

1) completezza delle conoscenze acquisite;

2) capacità di analisi descrittiva di insieme di dati sia dal punto di vista grafico sia dal punto di vista analitico;

3) proprietà della terminologia statistica utilizzata;

4) coerenza nei commenti relativi alle analisi effettuate;

5) capacità di utilizzo dei comandi del software R per l’analisi grafica e di modellazione dei dati.

• Titolo: Introduzione alla statistica: statistica descrittiva. Autori: Pace, Luigi; Salvan, Alessandra, Luogo: Padova, Anno: 1996, Editore: CEDAM, Note: testo consigliato
• Titolo Statistica: principi e metodi. Autori: Cicchitelli, Giuseppe; Minozzo, Marco. Luogo: Milano. Anno: 2017, Editore:Torino, Pearson:. Testo di riferimento

L'insegnamento fornisce le conoscenze fondamentali sulla rappresentazione dell'informazione all'interno del calcolatore e sul ruolo delle strutture dati nella rappresentazione dell'informazione. Lo studente approfondisce la conoscenza della sintassi del linguaggio Python, utilizzandolo per rappresentare, organizzare ed elaborare dati mediante strutture dati sempre più complesse ed efficienti.

L'insegnamento sviluppa inoltre la capacità di progettare, implementare e verificare algoritmi per la risoluzione di problemi, con particolare attenzione all'efficienza delle soluzioni proposte.

Al termine dell'insegnamento (facendo riferimento ai Descrittori di Dublino) lo studente sarà in grado di:

1. Descrivere le principali strutture dati e spiegare come la loro scelta influenzi la rappresentazione delle informazioni e l'efficienza degli algoritmi (Conoscenza e comprensione).

2. Progettare e sviluppare programmi in Python, utilizzando le strutture dati più appropriate e implementare algoritmi efficienti per risolvere problemi del mondo reale (Capacità di applicare conoscenza e comprensione).

3. Confrontare diverse soluzioni algoritmiche e diverse modalità di rappresentazione dei dati, valutandone criticamente la correttezza, l'efficienza e l'adeguatezza rispetto al problema da risolvere (Autonomia di giudizio).

4. Descrivere il funzionamento di un programma utilizzando la terminologia propria dell'informatica e argomentare le principali scelte progettuali adottate (Abilità comunicative).

5. Sviluppare un metodo di studio e di analisi del codice che consenta di affrontare problemi di complessità crescente e di approfondire autonomamente nuovi strumenti di programmazione e nuovi linguaggi di programmazione (Capacità di apprendimento).

• Programmazione ad oggetti e Design Pattern
• Ereditarietà e polimorfismo
• Complessità computazionale e Ricorsione
• Lo scope delle variabili e il call stack.
• Moduli di Python per la statistica e data science
• Manipolazione di liste e liste concatenate
• Le sequenze come dato di tipo astratto.
• Algoritmi di Ordinamento: Selection Sort, Insertion Sort, Merge Sort, Quick Sort
• Le strutture dati Pila, Coda e Coda di priorità
• Gestione delle eccezioni in Python
• Struttura dati Insieme
• Hashing, hash value e collisioni nelle strutture dati
• Ricerca Lineare e Ricerca Binaria,
• Mappe e dizionari
• Grafi e Alberi binari di ricerca
• La struttura dati Heap
• La codifica degli algoritmi e delle strutture di dati sopra esposte in linguaggio Python.

L'insegnamento presuppone di aver acquisito precedentemente le nozioni presentate nel corso di "Sistemi di Elaborazione 1", nonché la capacità di analizzare e sintetizzare semplici programmi in linguaggio Python.

L'insegnamento in aula prevede la spiegazione teorica dei concetti tramite la videoproiezione di presentazioni. Il docente stimolerà la partecipazione degli studenti tramite momenti di "domande e risposte".

Verranno mostrati in aula esempi di implementazione degli algoritmi e delle strutture dati nel linguaggio di programmazione Python usando esempi già svolti e software di programmazione interattiva.

In aula informatica verranno effettuate 5 esercitazioni di complessità crescente che permettono agli studenti di provare ad implementare algoritmi e strutture dati visti nelle lezioni di teoria.

Non è permesso l'uso dell'Intelligenza Artificiale per compiti valutativi individuali, mentre ne è permesso l'utilizzo attivo e critico, come oggetto di studio, strumento didattico o lavori di gruppo.

Oltre a rivolgersi ai docenti dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Verrà valutata:

• la comprensione degli aspetti teorici e l'acquisizione di una corretta terminologia
• la correttezza della soluzione fornita dal programma scritto nel linguaggio di programmazione Python
• l'uso appropriato delle strutture dati nella soluzione dei problemi di programmazione.

Titolo: Data Structures and Algorithms with Python,

Autori: Lee, Kent D; Hubbard, Steve,

Editore: Springer International Publishing,

Gli studenti acquisiranno competenze pratiche nel calcolo differenziale e integrale per funzioni di più variabili, nello studio di successioni e serie di funzioni, nonché nella risoluzione di alcune classi di equazioni differenziali ordinarie. Parallelamente, svilupperanno una comprensione teorica dei fondamenti di tali argomenti, che consentirà un utilizzo consapevole e metodologicamente rigoroso degli strumenti matematici, contribuendo al potenziamento delle loro capacità analitiche e critiche.

1) Successioni e serie di funzioni. Convergenza puntuale e uniforme per successioni di funzioni reali di variabile reale. Limite uniforme di una successione di funzioni continue. Teorema di inversione dell’ordine dei limiti. Convergenza puntuale, uniforme e totale per serie di funzioni reali di variabile reale. Serie di potenze: raggio di convergenza. Serie di Taylor. Funzioni analitiche. 2) Calcolo differenziale per funzioni reali di n variabili reali. Topologia nello spazio euclideo. Insiemi aperti, chiusi, compatti, connessi. Definizione di limite di una funzione in un punto e in un insieme. Teoremi algebrici sui limiti. Continuità in un punto e in un insieme. Continuità delle funzioni composte. Teorema di Weierstrass (esistenza del massimo e minimo), teorema di connessione. Derivate e differenziabilità. Derivate parziali e direzionali. Derivate di ordine superiore, matrice Hessiana. Teorema di Schwartz (uguaglianza delle derivate incrociate). Funzioni differenziabili: definizione e significato geometrico. Derivabilità delle funzioni composte. Gradiente e significato geometrico. 3) Ottimizzazione Massimi e minimi liberi: condizioni necessarie del primo e del secondo ordine, condizioni sufficienti. Teorema delle funzioni implicite. Massimi e minimi vincolati: metodo dei moltiplicatori di Lagrange. 4) Calcolo integrale per funzioni di n variabili reali Teoria della misura (cenni). σ-algebra degli insiemi misurabili secondo Lebesgue. Funzioni misurabili e integrabili (sommabili). Definizione di integrale su un insieme misurabile. Proprietà fondamentali dell’integrale. Teorema di Fubini-Tonelli (formula di riduzione). Teorema di cambiamento di variabili. 5) Equazioni differenziali ordinarie Equazioni a variabili separabili. Equazioni lineari del primo ordine.

È richiesta la conoscenza dei principali argomenti affrontati nei corsi di Algebra Lineare e di Istituzioni di Analisi Matematica.

L'insegnamento prevede 82 ore di lezione frontale, di cui almeno un terzo dedicate allo svolgimento e alla discussione di esercizi. A intervalli regolari saranno proposti esercizi per permettere agli studenti di verificare il proprio livello di apprendimento in modo continuo. Le lezioni sono sempre aperte a domande di chiarimento e approfondimento, favorendo un dialogo interattivo tra docente e studenti. Oltre a rivolgersi alla docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti. Politica sull'uso dell'intelligenza artificiale generativa L’uso di strumenti di intelligenza artificiale generativa (es. ChatGPT) è incoraggiato in modo critico e consapevole, limitatamente ad alcuni esempi proposti durante l'insegnamento, con finalità di riflessione sui concetti trattati. L’impiego non sostituisce in alcun modo l’elaborazione individuale richiesta per lo studio e l’esame finale. Ogni utilizzo deve essere esplicitamente dichiarato.

Ogni domanda o esercizio concorre alla determinazione del voto finale secondo un punteggio indicato nel testo d’esame, fino a un massimo di 33/30 (corrispondente a 30 e lode). I criteri per una valutazione positiva includono la correttezza, accuratezza e completezza delle risposte. In particolare, verranno valutate: - la comprensione degli argomenti trattati nell'insegnamento; - l’acquisizione e l’uso corretto delle metodologie; - la capacità di applicare le conoscenze acquisite; - le abilità analitiche e critiche dimostrate nello svolgimento della prova.

• Titolo: Analisi matematica, Autori: Bertsch,Michiel; Giacomelli,Lorenzo; Dal_Passo,Roberta, Luogo: Milano, Anno: 2011, Editore: McGraw Hill, Note: --.
• Titolo: Esercitazioni di Analisi matematica Due - Prima parte, Autori: Marcellini, Paolo; Sbordone Carlo, Luogo: Bologna, Anno: 2017, Editore: Zanichelli, Note: --.
• Titolo: Esercitazioni di Analisi matematica Due - Seconda parte, Autori: Marcellini, Paolo; Sbordone Carlo, Luogo: Bologna, Anno: 2017, Editore: Zanichelli, Note: --.
• Titolo: Secondo corso di analisi matematica, Autori: Acerbi, Emilio; Buttazzo, Giuseppe;, Luogo: Bologna, Anno: 2016, Editore: Pitagora, Note: --.

(1) Conoscenza e comprensione

Al termine dell'insegnamento la studentessa / lo studente conoscerà i principali metodi e strumenti per la progettazione, l'organizzazione e la gestione di basi di dati. In particolare, conoscerà il Modello Entity-Relationship (ER) per la progettazione concettuale e il Modello Relazionale per la progettazione logica. Conoscerà inoltre i principi di funzionamento di un sistema di gestione di basi di dati (SGBD) e la sintassi del linguaggio SQL per definire, modificare e interrogare basi di dati. Sarà infine in grado di comprendere il ruolo delle basi di dati nell'organizzazione e nella preparazione dei dati a supporto di analisi statistiche e processi decisionali.

(2) Capacità di applicare conoscenza e comprensione

Studentesse e studenti saranno in grado di progettare uno schema ER e uno schema relazionale a partire dalla descrizione di una realtà di interesse formulata in linguaggio naturale.

Saranno in grado di derivare uno schema relazionale da uno schema ER, implementarlo mediante SQL e creare una base di dati coerente con i requisiti specificati.

Saranno inoltre in grado di formulare interrogazioni SQL per estrarre, aggregare e trasformare i dati necessari a soddisfare specifiche esigenze informative.

Dato uno schema o una base di dati esistente, saranno in grado di comprenderne la struttura e utilizzare interrogazioni SQL per esplorarne il contenuto.

(3) Autonomia di giudizio

Studentesse e studenti saranno in grado di valutare la completezza e la coerenza dei requisiti informativi forniti.

Saranno inoltre in grado di analizzare criticamente schemi ER e schemi relazionali, identificandone punti di forza, limiti, eventuali ridondanze e possibili semplificazioni rispetto ai requisiti iniziali.

(4) Abilità comunicative

Studentesse e studenti saranno in grado di utilizzare correttamente la terminologia propria dei sistemi informativi e delle basi di dati e di rappresentare in modo chiaro ed efficace schemi concettuali e logici.

Saranno inoltre in grado di descrivere e motivare le scelte progettuali adottate, comunicando con precisione sia con figure tecniche sia con utilizzatori del sistema informativo.

(5) Capacità di apprendimento

Le conoscenze e le metodologie acquisite durante il corso costituiranno una base per l'apprendimento di strumenti più avanzati per la gestione, l'integrazione e l'analisi dei dati.

Studentesse e studenti saranno in grado di approfondire autonomamente nuovi sistemi di gestione di basi di dati, linguaggi di interrogazione e tecniche di organizzazione dei dati attraverso la consultazione della documentazione tecnica e della letteratura di riferimento.

• Rappresentazione e gestione delle informazioni
• Sistemi di gestione delle basi di dati
• Raccolta e analisi dei requisiti
• Progettazione concettuale e logica
• Gestione dei dati e SQL
• Dati semi-strutturati
• Basi di dati e WWW

Non è richiesta una conoscenza preliminare delle basi di dati.

Sono tuttavia raccomandate le conoscenze fondamentali relative all’architettura dei calcolatori e ai sistemi operativi, acquisite nell’insegnamento di Sistemi di Elaborazione 1, nonché alcuni concetti di base di strutture dati e algoritmi, in particolare hashing e alberi, trattati nell’insegnamento di Strutture Dati e Programmazione.

L'insegnamento prevede lezioni in presenza che combinano esposizione dei contenuti teorici, discussione guidata ed esercitazioni pratiche.

Durante le lezioni saranno proposte attività individuali e di gruppo finalizzate all'applicazione dei concetti introdotti. Le soluzioni degli esercizi potranno essere condivise mediante strumenti digitali collaborativi (ad esempio Padlet) e successivamente discusse insieme in aula.

Saranno inoltre utilizzati strumenti di interazione in aula (ad esempio Wooclap) per proporre quesiti e raccogliere risposte in tempo reale, favorendo la partecipazione attiva e la riflessione sui temi trattati.

Un ruolo fondamentale è svolto dallo studio individuale e dallo svolgimento delle esercitazioni proposte durante le lezioni e i laboratori. Le attività potranno essere svolte individualmente oppure in piccoli gruppi, a seconda degli obiettivi formativi perseguiti.

Per le attività pratiche si raccomanda l'installazione e l'utilizzo di un sistema di gestione di basi di dati relazionale (ad esempio DuckDB, SQLite, MySQL, MariaDB o PostgreSQL). Qualora disponibile, si raccomanda inoltre l'utilizzo del laboratorio virtuale messo a disposizione dall'Ateneo.

L'uso di strumenti di intelligenza artificiale generativa durante lo studio è consentito e se ne incoraggia l'utilizzo attivo e critico, come oggetto di studio o strumento didattico.

Studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Le tre parti dell'esame contribuiranno al voto finale nelle seguenti proporzioni:

• Questionario: 20%
• Parte pratica: 40%
• Parte di modellazione: 40%

Il questionario valuterà la conoscenza delle nozioni introdotte durante l'insegnamento relative ai sistemi informativi, ai sistemi di basi di dati, alla raccolta e analisi dei requisiti, alla progettazione di basi di dati e al linguaggio SQL.

La valutazione sarà basata sulla correttezza delle risposte fornite alle domande del questionario.

La parte pratica verterà sul sistema di gestione di basi di dati introdotto durante l'insegnamento e sul linguaggio SQL.

Saranno valutate le capacità di:

• utilizzare un sistema di gestione di basi di dati per caricare e interrogare una base di dati fornita;
• ispezionare e comprendere lo schema di una base di dati fornita e/o definita mediante codice SQL;
• analizzare esigenze informative e tradurle in interrogazioni SQL.

La valutazione si baserà sulla capacità di comprendere lo schema della base di dati e sulla correttezza sintattica e semantica del codice SQL prodotto.

La parte di modellazione verterà sulla progettazione concettuale e sulla progettazione logica di basi di dati.

La valutazione si baserà sulla correttezza, completezza e coerenza degli schemi Entity-Relationship (ER) e degli schemi relazionali prodotti rispetto ai requisiti forniti.

Qualora gli esercizi richiedano di motivare o commentare le scelte progettuali adottate, la valutazione terrà conto anche della pertinenza, della chiarezza e della correttezza delle argomentazioni fornite.

• Massimo Melucci, Basi di dati, 2. ed, 2024, 9788831901550. Note: CONSIGLIATO
• Paolo Atzeni, Stefano Ceri, Piero Fraternali, Stefano Paraboschi, Riccardo Torlone, Basi di dati, 6. ed, 2023. Note: CONSIGLIATO

Al termine dell'insegnamento, lo studente sarà in grado di progettare e realizzare visualizzazioni efficaci sia di insiemi di dati che di relazioni tra variabili. Saprà inoltre interpretare, comunicare e presentare informazioni quantitative in modo chiaro e accurato. 

Fondamenti della Visualizzazione e Percezione Visiva: Il flusso di lavoro della data visualization riproducibile (R Markdown/Quarto). Principio del Data-Ink ratio di Tufte ed errori percettivi (Anscombe’s Quartet). Canali percettivi secondo Cleveland e McGill. Teoria del colore e accessibilità (tavolozze viridis).

Grammatica dei Grafici ed Esplorazione Univariata/Bivariata: Struttura logica di ggplot2 (data, aesthetics, geometries). Visualizzazione di distribuzioni: Istogrammi (scelta del binning), Kernel Density Estimation (scelta del bandwidth), Boxplot e Violin plots. Tecniche per l’overplotting: jittering, alpha blending ed esagoni (hexbin). Trend statistici non parametrici (LOESS).

Dati Multidimensionali, Spaziali e Serie Storiche: Grafici condizionati (faceting) e matrici di scatterplot (GGally). Heatmaps clusterizzate e Treemaps. Visualizzazione di serie storiche: trend, stagionalità e medie mobili. Introduzione ai dati spaziali (sf): mappe coropletiche e scale di classificazione statistica.

Exploratory Text Mining e Matrici di Dati Testuali: Il testo come dato non strutturato (tidytext). Preprocessing del testo: tokenizzazione, rimozione delle stop-words, stemming e lemmatizzazione. Costruzione della matrice documento-termine. Visualizzazione delle frequenze: Word Clouds e bar charts. Misura dell’importanza delle parole tramite Term Frequency-Inverse Document Frequency (tf-idf).

Modelli Sequenziali (Markov) e Reti di Parole: Analisi delle sequenze di testo: tokenizzazione per n-grammi (bigrammi). Formalizzazione matematica: Introduzione alle catene di Markov, calcolo delle probabilità di transizione e matrici stocastiche applicate al testo. Visualizzazione di strutture relazionali: analisi delle reti di bigrammi e visualizzazione con tidygraph e ggraph.

Interattività, Shiny Dashboard ed Etica del Grafico: Grafici dinamici con plotly e mappe interattive con leaflet. Architettura di un’applicazione shiny: logica UI/Server e grafo della reattività (reactive expressions ed observers). Principi di design di una dashboard aziendale. Etica della visualizzazione: manipolazione degli assi e distorsioni visive (Lie Factor).

Rappresentazione grafica di strutture di associazioni tra variabili: indipendenza e indipendenza condizionale, grafi non orientati, proprietà Markoviane, grafi di indipendenza condizionale, grafo di indipendenza condizionata per distribuzioni normali multivariate

Modelli per grafi orientati aciclici e sistemi esperti probabilistici: fattorizzazione ricorsiva della distribuzione di probabilità, grafi orientati aciclici (DAGs), implementazione di sistemi esperti probabilistici con il sofware GeNIe

Si presuppone che lo studente sia a conoscenza dei contenuti di: Istituzioni di Analisi Matematica; Algebra Lineare; Istituzioni di Probabilità; Statistica 1.

L’attività didattica prevede lezioni frontali per l’esposizione dei fondamenti teorici e matematici e lezioni di laboratorio per l’applicazione pratica delle metodologie illustrate mediante il software R (utilizzando l’ecosistema tidyverse, ggplot2, tidytext e shiny).

È richiesto uno studio individuale costante e approfondito della teoria, propedeutico alla risoluzione dei quesiti teorici e applicativi resi disponibili sulla piattaforma. Il percorso formativo include, infine, attività con feedback automatico, attività con peer feedback e lavoro di gruppo orientato allo sviluppo di un progetto grafico o di una dashboard interattiva su dati reali.

Gli studenti che lo desiderano possono usare strumenti di intelligenza artificiale generativa per coadiuvare lo studio individuale, ma è loro responsabilità verificare la correttezza delle informazioni ottenute.

Studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l’Ufficio Servizi agli studenti - Settore Inclusione per ricevere supporto.

Lo studente dovrà dimostrare di aver compreso gli argomenti svolti, aver acquisito i concetti e le metodologie presentate, nonché la terminologia propria della materia, e essere in grado di applicare le correttamente tecniche acquisite. 

Libri di testo principali / Core Textbooks:

Wilke, Claus O., Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures. New York: O’Reilly Media, 2019. https://clauswilke.com/dataviz/

Silge, Julia; Robinson, David, Text Mining with R: A Tidy Approach. New York: O’Reilly Media, 2017.

Testi consigliati per la parte teorica e di laboratorio / Recommended Textbooks:

Wickham, Hadley; Navarro, Danielle; Lin Pedersen, Thomas, ggplot2: Elegant Graphics for Data Analysis. Springer, 2024.

Chang, Winston, Mastering Shiny: Build Interactive Apps, Reports, and Dashboards Powered by R. O’Reilly Media, 2020.

Eventuali indicazioni sui materiali di studio / Eventuali indicazioni sui materiali di studio in Inglese:

Ulteriore materiale didattico sotto forma di dispense teoriche, script di laboratorio R, estratti matematici sulle Catene di Markov e note sulla visualizzazione di reti verrà reso disponibile sulla pagina Moodle del corso.

L’insegnamento mira a fornire le conoscenze e gli strumenti fondamentali dell'analisi di dati socio-demografici digitali.

1. Conoscenza e comprensione

• Conoscere i principali approcci per l'analisi delle tracce digitali di tipo socio-demografico
• Comprendere i processi di costruzione del dato
• Comprendere i metodi di analisi di dati digitali
• Conoscere le caratteristiche delle indagini statistiche realizzate via web e social media, incluse potenzialità e debolezze.

2. Capacità di applicare conoscenza e comprensione

• Applicare concetti teorici all’analisi di fenomeni sociali
• Interpretare risultati di ricerche empiriche
• Analizzare alcune dinamiche sociali attraverso dati digitali
• Progettare e valutare indagini statistiche condotte tramite social media

3. Autonomia di giudizio

• Valutare criticamente risultati di analisi
• Sviluppare capacità di riflessione autonoma sui fenomeni sociali
• Valutare criticamente la qualità e l'affidabilità delle survey realizzate tramite social media
• Sviluppare capacità di riflessione autonoma sull'appropriatezza delle fonti digitali nei diversi contesti di analisi demografica

4. Abilità comunicative

• Esprimere concetti in modo chiaro e sintetico
• Utilizzare terminologia disciplinare appropriata
• Partecipare attivamente alle discussioni in aula

5. Capacità di apprendimento

• Sviluppare autonomia nello studio
• Utilizzare software specifici
• Integrare conoscenze teoriche e applicative

1. Concetti demografici di base: tassi probabilità, struttura per età e misure base di fecondità, mortalità e migratorietà

2. I dati da rete internet; web scraping, screen scraping, accedere alle API (interfaccia di programmazione dell'applicazione); piattaforme di data sharing (e.g. Google trends)

3. Aspetti etici e legali dei dati online, dati sensibili e GPDR

4. Geodemographics e dati di rete

5. Panoramica delle peculiarità, potenzialità e problematiche delle indagini online e via social-media.

6. Aspetti pratici nella realizzazione di un’indagine via social-media: strategie per la massimizzazione del tasso di risposta, utilizzo dei social media advertisements.

7. Bias potenziali e post-stratificazione

Conoscenze base di statistica (insegnamento di Statistica I) e informatica (Sistemi di elaborazione I)

L’insegnamento prevede:

• lezioni frontali (48 ore)
• esercitazioni pratiche in laboratorio (16 ore)

Metodologie:

• discussione di casi reali
• problem solving
• esercitazioni guidate

Durante le esercitazioni gli studenti:

• analizzano dati reali
• sviluppano il ragionamento statistico

Studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Uso dell’IA: consentito per studio individuale

La valutazione si basa su:

• correttezza e completezza delle risposte
• capacità di sintesi
• uso appropriato della terminologia
• chiarezza espositiva

Testi di riferimento

Francisco Rowe, Carmen Cabrera, Elisabetta Pietrostefani, Computational Social Sciences (2026) https://www.population-science.net/

Pötzschke, Steffen, Weiß, Bernd, Daikeler, Jessica, Silber Henning and Beuthner, Christoph (2023). A guideline on how to recruit respondents for online surveys using Facebook and Instagram: Using hard-to-reach health workers as an example. Mannheim, GESIS – Leibniz Institute for the Social Sciences (GESIS-Survey Guidelines). DOI: 10.15465/gesis-sg_en_045

Bethlehem, J., & Biffignandi, S. (2011). Handbook of web surveys. John Wiley & Sons. Arletti, A., Tanturri, M. L., & Paccagnella, O. (2025). Making online polls more accurate: statistical methods explained. Frontiers in Political Science, 7, 1592589. Zindel, Z. (2023). Social media recruitment in online survey research: A systematic literature review. methods, data, analyses, 17(2), 207-248.

Materiale aggiuntivo

Kashyap, R., Rinderknecht, R. G., Akbaritabar, A., Alburez- Gutierrez, D., Gil-Clavel, S., Grow, A., Kim, J., Leasure, D. R., Lohmann, S., Negraia, D. V., Perrotta, D., Rampazzo, F., Tsai, C.-J., Verhagen, M. D., Zagheni, E., & Zhao, X. (2022). Digital and Computational Demography [Preprint]. SocArXiv. https://doi.org/10.31235/osf.io/7bvpt

Rampazzo, F., Rango, M., & Weber, I. (2023). New Migration Data: Challenges and Opportunities. In E. Bertoni, M. Fontana, L. Gabrielli, S. Signorelli, & M. Vespe (Eds.), Handbook of Computational Social Science for Policy (pp. 345–359). Cham: Springer International Publishing. doi: 10.1007/978-3-031-16624-2

18Arletti, A., Tanturri, M. L., & Paccagnella, O. (2025). Making online polls more accurate: statistical methods explained. Frontiers in Political Science, 7, 1592589.

Zindel, Z. (2023). Social media recruitment in online survey research: A systematic literature review. methods, data, analyses, 17(2), 207-248.

L'insegnamento è volto a fornire gli elementi di base per:

-comprendere le dinamiche che determinano il funzionamento delle imprese

-apprendere modelli e misure per valutare le perfomance delle aziende (modulo A)

-apprendere un quadro teorico per comprendere la rilevanza della strategia d'impresa

-identificare i modelli di implementazione della strategia con cui si confrontano le imprese (modulo B)

Modulo A (Economia Aziendale)

• Economia aziendale nelle istituzioni e nelle società
• Azienda: caratteristiche, finalità e modelli di rappresentazione
• Soggetto economico e corporate governance
• Risorse
• Modello del bilancio
• Stakeholder, responsabilità sociale e reporting ESG di sostenibilità
• Analisi delle performance economico finanziarie
• Comunicazione economica aziendale e piano industriale
• Rilevazioni contabili

Nessuno

Lezioni frontali, esercitazioni in aula, active learning.

Oltre a rivolgersi ai docenti dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti

In sede d’esame si valuterà la preparazione teorica e pratica.

È richiesta l'esposizione delle risposte con proprietà terminologica, dimostrando capacità di analisi e ragionamento attraverso gli strumenti teorici presentati nell'insegnamento. Sarà fondamentale dare prova di aver acquisito il significato dei termini specialistici e le tecniche di analisi dei problemi economici e finanziari.

Il punteggio attribuito alle singole domande e agli esercizi è esplicitato nel testo del compito.

Titolo: Economia aziendale modelli, misure, casi, Autori: Boesso, Giacomo; Parbonetti, Antonio;

Bozzolan, Saverio. Milano, 2023. Editore: McGraw-Hill.

L'insegnamento si propone di fornire agli studenti una serie di modelli economici (cioè rappresentazioni semplificate e formalizzate) del comportamento di famiglie e imprese, al fine di comprendere gli elementi essenziali che determinano o influiscono sulle scelte di consumo, di risparmio, di investimento e di produzione. Partendo dalle scelte e dai comportamenti individuali, si potrà determinare l'equilibrio di mercato e si potrà misurarne il beneficio sociale.

ABILITA’ COGNITIVE:

Al termine dell’insegnamento gli studenti saranno in grado di:

C1. Delineare i modelli teorici di comportamento dei consumatori

C2. Delineare i modelli teorici di comportamento delle imprese in contesti competitivi diversi

C3. Comprendere le strategie competitive delle imprese

C4. Comprendere come le diverse forme di mercato influenzino la distribuzione di benessere tra gli agenti

ABILITA’ PRATICHE

Gli studenti saranno in grado di:

P1. Applicare in modo autonomo i modelli teorici per interpretare le scelte dei consumatori in contesti diversi

P2. Applicare in modo autonomo i modelli teorici per interpretare le strategie competitive delle imprese in relazione alla struttura del mercato

P3. Applicare i modelli teorici per discutere gli effetti di politiche salariali, politiche di supporto al reddito, politiche della concorrenza

COMPETENZE TRASVERSALI

Gli studenti svilupperanno:

T1. Capacità analitiche

T2. Capacità di valutazione

Teoria delle scelte del consumatore;

Le scelte in condizioni di incertezza;

Teoria dell'impresa, tecnologia e costi;

Equilibrio nei mercati concorrenziali;

Equilibrio economico generale ed economia del benessere;

Monopolio;

Introduzione alla teoria dei giochi;

Oligopolio e comportamento strategico.

Conoscenze di Matematica Generale, ottimizzazione vincolata.

L'insegnamento offrirà lezioni con utilizzo di slides Power Point e proiezione di class notes. L'insegnamento sarà interattivo, con presentazione di esempi per promuovere la discussione e la riflessione critica in aula. Saranno organizzati lavori di gruppo in aula.

L'insegnamento prevede:

• Lezioni (48 ore) con slides Power-Point e class notes.
• Esercitazioni (16 ore) in cui saranno proposti problemi di microeconomia simili a quelli presenti nel test finale.

Oltre a rivolgersi al/la docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

100% esame scritto: gli studenti saranno valutati sulla abilità nell’utilizzo dei modelli teorici per l’interpretazione delle scelte degli agenti economici e degli equilibri in diverse strutture di mercato e sull’abilità di applicare tali modelli alla risoluzione di problemi concreti.

David A. Besanko, Ronald R. Braeutigam (con la collaborazione di F. Ponzano), Microeconomia. Italia: McGraw Hill, 2024. TESTO ADOTTATO.

1. Conoscenza e capacità di comprensione Conoscenza dei principi teorici e metodologici dei modelli di regressione lineare normale, con particolare riferimento alla formulazione del modello, alla stima dei parametri, ai metodi inferenziali basati sulla verosimiglianza e sui minimi quadrati, e alla previsione. Comprensione delle ipotesi alla base del modello lineare, del Teorema di Gauss-Markov e delle conseguenze delle violazioni delle ipotesi del modello. Conoscenza delle principali tecniche di analisi diagnostica e di costruzione critica del modello, incluse l’analisi dei residui. Comprensione delle motivazioni alla base della generalizzazione dei modelli lineari per variabili risposta discrete e conoscenza dei modelli di regressione logistica e di regressione di Poisson. 2. Capacità di applicare conoscenza e comprensione Capacità di applicare procedure inferenziali per la stima dei parametri, la costruzione di intervalli di confidenza, la verifica di ipotesi sui coefficienti di regressione e la valutazione delle capacità predittive del modello. Capacità di applicare modelli di regressione logistica e di Poisson per l’analisi di variabili risposta discrete e interpretare correttamente le stime dei parametri ottenute. 3. Autonomia di giudizio Capacità di valutare criticamente l’adeguatezza di un modello di regressione rispetto agli obiettivi dell’analisi e alle caratteristiche dei dati disponibili. 4. Abilità comunicative Capacità di descrivere in modo rigoroso la struttura di un modello di regressione, le procedure statistiche utilizzate e le relative ipotesi. Capacità di presentare e interpretare criticamente i risultati dell’analisi statistica attraverso opportune sintesi numeriche e grafiche. Capacità di comunicare i risultati ottenuti mediante software statistici, con particolare riferimento all’ambiente R. 5. Capacità di apprendimento Capacità di approfondire autonomamente ulteriori metodologie statistiche basate sui modelli lineari e sui modelli lineari generalizzati.

I contenuti del programma, in sintesi, possono essere divisi in due parti: 1) ll modello di regressione lineare normale (6 CFU) Inferenza basata sulla verosimiglianza: stima puntuale, intervalli di confidenza, verifica di ipotesi lineari sui coefficienti di regressione e test F, previsioni. Ipotesi del secondo ordine: stima ai minimi quadrati e Teorema di Gauss Markov. Analisi critica e costruzione del modello: metodi diagnostici (analisi dei residui, individuazione di valori anomali e punti leva), tecniche per la selezione delle variabili. Alcuni esempi notevoli: test t a due campioni; analisi della varianza a una e a due vie; analisi della covarianza. 2) Modelli di regressione per variabili risposta discrete (3 CFU) Discussione critica dei modelli lineari e motivazioni per la loro generalizzazione. Dati binari e modelli di regressione logistica (verosimiglianza, stima dei parametri, interpretazione delle stime dei parametri, problemi di verifica d'ipotesi). La regressione di Poisson (verosimiglianza, stima dei parametri, problemi di verifica d'ipotesi).

L'insegnamento prevede le conoscenze di: Istituzioni di analisi matematica, Statistica I, Statistica II, Algebra lineare, Istituzioni di calcolo delle probabilità.

L'insegnamento è organizzato in lezioni frontali (42 ore) e in esercitazioni in aula informatica (22 ore), in cui si propone l'analisi di casi studio provenienti da diversi contesti applicativi utilizzando il software R. L'insegnamento è sempre interattivo, con domande e presentazione di casi di studio, per promuovere la discussione e la riflessione critica in aula. Oltre a rivolgersi al docente dell'insegnamento, gli studenti con disabilità, DSA, BES e altre condizioni di salute possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti. L'impiego di strumenti di IA non è né vietato né espressamente incentivato in questo corso. Tuttavia, il loro utilizzo non deve sostituire l'interazione con il docente e i compagni di studio, e avviene interamente a rischio e pericolo dello studente, che ne assume la responsabilità riguardo all'accuratezza e all'appropriatezza dei contenuti.

La valutazione della preparazione dello studente si baserà: - sulla comprensione degli argomenti trattati; - sull'acquisizione dei concetti e delle metodologie proposte; - sulla capacità di applicare le conoscenze acquisite.

Titolo: Modello Lineare - Teoria e Applicazioni con R, Autori: Grigoletto, M., Pauli, F., Ventura, L., Luogo: Torino, Anno: 2017, Editore: Giappichelli, Note: --.

L'insegnamento si propone di fornire agli studenti una serie di modelli economici (cioè rappresentazioni semplificate e formalizzate) del comportamento di famiglie e imprese, al fine di comprendere gli elementi essenziali che determinano o influiscono sulle scelte di consumo, di risparmio, di investimento e di produzione. Partendo dalle scelte e dai comportamenti individuali, si potrà determinare l'equilibrio di mercato e si potrà misurarne il beneficio sociale. ABILITA’ COGNITIVE: Al termine dell’insegnamento gli studenti saranno in grado di: C1. Delineare i modelli teorici di comportamento dei consumatori C2. Delineare i modelli teorici di comportamento delle imprese in contesti competitivi diversi C3 Comprendere le strategie competitive delle imprese C4. Comprendere come le diverse forme di mercato influenzino la distribuzione di benessere tra gli agenti ABILITA’ PRATICHE Gli studenti saranno in grado di: P1. Applicare in modo autonomo i modelli teorici per interpretare le scelte dei consumatori in contesti diversi P2. Applicare in modo autonomo i modelli teorici per interpretare le strategie competitive delle imprese in relazione alla struttura del mercato P3. Applicare i modelli teorici per discutere gli effetti di politiche salariali, politiche di supporto al reddito, politiche della concorrenza. COMPETENZE TRASVERSALI Gli studenti svilupperanno: T1. Capacità analitiche; T2. Capacità di valutazione

Conoscenze di Matematica Generale, ottimizzazione vincolata.

100% esame scritto: gli studenti saranno valutati sulla abilità nell’utilizzo dei modelli teorici per l’interpretazione delle scelte degli agenti economici e degli equilibri in diverse strutture di mercato e sull’abilità di applicare tali modelli alla risoluzione di problemi concreti.

David A. Besanko, Ronald R. Braeutigam (con la collaborazione di F. Ponzano), Microeconomia. Italia: McGraw Hill, 2024.

L'insegnamento mira a far acquisire la terminologia propria dell'inferenza statistica e abilità autonome nell'analisi inferenziale dei dati. Si studiano i modelli statistici e i principali metodi di inferenza. Si acquisiscono le basi dell'inferenza basata sulla verosimiglianza come strumento generale per l'analisi dei dati.

L'insegnamento è organizzato in lezioni frontali e in esercitazioni a gruppi (2 gruppi). Le esercitazioni prevedono il coinvolgimento attivo degli studenti.

Oltre a rivolgersi alla docente dell'insegnamento, gli studenti con disabilità, DSA, BES e altre condizioni di salute possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

L'impiego di strumenti di IA non è né vietato né espressamente incentivato in questo insegnamento. Tuttavia, il loro utilizzo non deve sostituire l'interazione con il docente e i compagni di studio, e avviene interamente a rischio e pericolo dello studente, che ne assume la responsabilità riguardo all'accuratezza e all'appropriatezza dei contenuti.

Lo studente dovrà dimostrare di aver compreso gli argomenti svolti, aver acquisito i concetti e le metodologie presentate (nonché la terminologia propria della materia) e essere in grado di applicare le tecniche inferenziali correttamente.

Inferenza statistica, una presentazione basata sul concetto di verosimiglianza, Autori: Azzalini, A., Luogo: --, Anno: 2001, Editore: Springer Verlag, Note: --. Introduzione alla Statistica: II Inferenza, verosimiglianza, modelli, Autori: Pace, L., Salvan, A., Luogo: --, Anno: 2001, Editore: Cedam, Padova, Note: --. Cicchitelli, G. (2002). Probabilità e statistica. Maggioli. Statistica per le decisioni, Autori: Piccolo, D., Luogo: --, Anno: 2010, Editore: Il Mulino, Note: --. Statistica: principi e metodi, Autori: Cicchitelli, G., Luogo: --, Anno: 2012, Editore: Pearson, Note: --

1. Conoscenza e capacità di comprensione Comprensione dell'utilità di strumenti computazionali intensivi dal punto di vista del calcolo. Conoscenza della logica di programmazione delle strutture dati in R. 2. Capacità di applicare conoscenza e comprensione Capacità di applicare metodi inferenziali complessi tramite funzioni disponibili in R. 3. Autonomia di giudizio Selezionare criticamente lo strumento computazionale dato lo specifico problema inferenziale. 4. Abilità comunicative Abilità nella descrizione dell'algoritmo statistico utilizzato. Presentazione rigorosa dei risultati inferenziale ottenuti. 5. Capacità di apprendimento Sviluppare autonomia nel creare nuove funzioni e algoritmi statistici originali in R per raggiungere uno specifico obiettivo di analisi.

Tecniche di simulazione e applicazioni in statistica. Introduzione alla simulazione: cenno alla generazione di variabili casuali uniformi, algoritmo di inversione, algoritmo accetto-rifiuto, campionamento per importanza, Rao-Blackwell, l'idea delle variabili antitetiche. Applicazioni: calcolo di integrali multidimensionali, valutazione dell'efficienza e robustezza di un metodo statistico, calcolo dei valori critici di una statistica test in situazioni "complicate". Inferenza via bootstrap. L'idea del bootstrap, bootstrap parametrico e non parametrico, esempi di applicazioni (quantili, modello lineare). Stima non parametrica. Funzione di densità: il metodo del nucleo, l'importanza della scelta del grado di lisciamento, criteri automatici (validazione incrociata, Sheather-Jones). Funzione di regressione: regressione polinomiale locale, splines, idea dei gradi di libertà equivalenti, scelta degli stessi usando AICc e GCV, valutazione della precisione via bootstrap. Applicazioni a dati reali. Esplorazione numerica della funzione di verosimiglianza. Introduzione agli algoritmi di ottimizzazione e differenziazione numerica in R, loro uso per calcolare le stime di massima verosimiglianza, costruzione di intervalli o regioni di confidenza basati sulla verosimiglianza profilo o su una valutazione numerica della matrice di informazione osservata.

L'insegnamento prevede le conoscenze di: Istituzioni di analisi matematica, Statistica I, Statistica II, Algebra lineare, Istituzioni di calcolo delle probabilità.

L'insegnamento è organizzato in lezioni frontali e in esercitazioni in aula informatica. Tutte le lezioni sono basate sul software R. L'insegnamento è sempre interattivo, con domande e presentazione di casi di studio, per promuovere la discussione e la riflessione critica in aula. Oltre a rivolgersi al docente dell'insegnamento, gli studenti con disabilità, DSA, BES e altre condizioni di salute possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti. L'impiego di strumenti di IA non è né vietato né espressamente incentivato in questo corso. Tuttavia, il loro utilizzo non deve sostituire l'interazione con il docente e i compagni di studio, e avviene interamente a rischio e pericolo dello studente, che ne assume la responsabilità riguardo all'accuratezza e all'appropriatezza dei contenuti.

La valutazione si baserà sul livello di comprensione di strumenti teorici e pratici forniti e sulla capacità di creare un legame tra le applicazioni ed i modelli necessari a metterle in atto.

L’insegnamento si propone di fornire le competenze per progettare un'indagine campionaria in tutte le sue fasi. Attraverso il percorso di costruzione di un’indagine, lo studente acquisirà sia le nozioni statistiche, sia le abilità tecniche e le competenze trasversali necessarie. Al termine dell’insegnamento lo studente avrà conseguito i seguenti obiettivi di apprendimento. 1. CONOSCENZA E COMPRENSIONE Acquisire nozioni teoriche di base: - Sulla progettazione e la gestione complessiva dell’indagine - Sulla strutturazione di questionari elettronici - Sulla teoria del campionamento statistico 2. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE Al termine del corso lo studente/la studentessa sarà in grado di - Progettare un’indagine statistica applicando i metodi di rilevazione più idonei per la ricerca in esame; - Scegliere in modo mirato il criterio di contatto del rispondente (questionario elettronico vs. cartaceo, autosomministrato vs. somministrato da intervistatori); - Redigere uno strumento di rilevazione (questionario) coerente con gli obiettivi della ricerca; - Predisporre il questionario in formato elettronico per un sistema di rilevazione computer-assisted mirato; - Selezionare campioni probabilistici e valutare l’ammissibilità di campioni non probabilistici; - Determinare la numerosità ottimale del campione. 3. AUTONOMIA DI GIUDIZIO Comprendere potenzialità e limiti dell’indagine statistica e, in modo particolare, di quella campionaria Sviluppare sensibilità, linguaggio e spirito critico relativamente ai metodi di rilevazione di dati statistici nelle realtà operative tipiche di uno statistico professionale 4. ABILITÀ COMUNICATIVE Utilizzare correttamente il linguaggio statistico e metodologico, sia attraverso la stesura di report sia mediante presentazioni orali. Predisporre un report statistico volto a descrivere i risultati della ricerca. 5. CAPACITÀ DI APPRENDIMENTO Integrare conoscenze teoriche e realizzazione pratica di un’indagine statistica. Consultare e comprendere in autonomia la documentazione tecnica e i rapporti metodologici diffusi dagli istituti di statistica ufficiali (es. ISTAT, Eurostat) relativi a disegni di campionamento complessi. Approfondire autonomamente la logica di nuovi software o piattaforme per l'ingegnerizzazione e la somministrazione di questionari elettronici.

Si presuppone che lo studente sia a conoscenza dei contenuti di: Statistica 1, Statistica 2, Istituzioni di Calcolo delle Probabilità.

In particolare, per seguire con profitto l’insegnamento sono richieste conoscenze di:

·      Statistica descrittiva e probabilità

·      Modelli statistici

·      Inferenza statistica

Il voto d’esame si ottiene sommando:

- il voto ottenuto nella prova scritta (max 25/30),

- la valutazione ottenuta nel lavoro di gruppo di progettazione, realizzazione e presentazione di un’indagine statistica e di costruzione del questionario elettronico (max 6/30).

Qualora lo studente non superi la prova scritta in un appello, la valutazione ottenuta nei lavori di gruppo mantiene la sua validità per 12 mesi.

La valutazione, per la prova scritta si basa su:

• Correttezza e completezza delle soluzioni
• Capacità di applicazione dei metodi
• Capacità di ragionamento

La valutazione, per il lavoro di gruppo si basa su:

• Coerenza del disegno d’indagine
• Appropriatezza delle scelte compiute

Pier Luigi Conti, Daniela Marella, Campionamento da popolazione finite. Il disegno campionario. Springer, 2012. Note: Consigliato Lohr, Sharon L., Sampling. Design and Analysis. Boston: Brooks/Cole, 3rd Edition, 2021. Note: Consigliato ISTAT, Manuali di tecniche d’indagine. Roma: ISTAT, 1989. Note: Consigliato

Conoscenza e capacità di comprensione

• Conoscere i fondamenti teorici e logici dei principali metodi statistici per l'analisi multidimensionale, la riduzione della dimensionalità, il posizionamento e l'analisi di raggruppamento (clustering).

Conoscenza e capacità di comprensione applicate

Al termine dell’insegnamento lo studente sarà in grado di utilizzare il software R per:

• Effettuare l'analisi esplorativa di dataset multidimensionali.
• Condurre inferenza statistica per parametri vettoriali.
• Effettuare la riduzione della dimensionalità e misurare la relazione tra gruppi di variabili.
• Implementare analisi di raggruppamento (cluster analysis) sulle unità statistiche.

Autonomia di giudizio

• Valutare criticamente i dati e riconoscere il metodo statistico più appropriato da impiegare per uno specifico caso di studio.
• Interpretare correttamente i risultati delle analisi condotte, distinguendo tra evidenza statistica e casualità.

Abilità comunicative

• Saper argomentare e presentare in modo chiaro e rigoroso i risultati delle analisi statistiche, sia a un pubblico di specialisti sia a non esperti.

Knowledge and understanding

• Know the theoretical and logical foundations of the main statistical methods for multidimensional analysis, dimensionality reduction, positioning, and cluster analysis (clustering).

Applying knowledge and understanding

By the end of the course, students will be able to use the R software to:

• Perform exploratory analysis of multidimensional datasets.
• Conduct statistical inference for vector parameters.
• Perform dimensionality reduction and measure the relationship between groups of variables.
• Implement cluster analysis on statistical units.

Making judgements

• Critically evaluate data and identify the most appropriate statistical method to employ for a specific case study.
• Correctly interpret the results of the analyses conducted, distinguishing between statistical evidence and randomness.

Communication skills

• Know how to argue and present the results of statistical analyses in a clear and rigorous manner, to both a specialized and a non-expert audience.

Ripasso di algebra, decomposizione spettrale e decomposizione a valori singolari di matrici.

Matrici di dati:

- calcolo matriciale delle principali statistiche;

- trasformazioni lineari, loro proprietà e trasformazioni notevoli (centramento, standardizzazione, ortogonalizzazione).

Inferenza multivariata:

- vettori casuali;

- distribuzione normale multivariata e stimatori di massima verosimiglianza dei suoi parametri;

- verifica d'ipotesi sul vettore delle medie per osservazioni provenienti da una distribuzione normale multivariata o nel caso di grandi campioni; costruzione di regioni di confidenza, intervalli di confidenza simultanei e correzione di Bonferroni per test multipli per il vettore delle medie e sue trasformazioni lineari.

Metodi di riduzione dei dati:

- analisi delle componenti principali, individuazione del numero di componenti, biplot e interpretazione dei risultati;

- analisi fattoriale esplorativa, scelta del numero di fattori, rotazioni degli assi, interpretazione dei fattori e calcolo dei punteggi fattoriali;

- analisi delle correlazioni canoniche, individuazione del numero di variabili canoniche significative e interpretazione dei risultati.

Metodi di raggruppamento:

- cluster analysis gerarchica, metodi agglomerativi e divisivi, costruzione della distanza tra gruppi con i metodi di single, average e complete linkage, dendrogramma;

- cluster analysis non gerarchica, metodo delle k-medie e individuazione del numero di gruppi.

Per frequentare l'insegnamento con profitto, lo studente deve aver già acquisito le conoscenze teoriche e le abilità pratiche fornite dagli insegnamenti di: Algebra Lineare, Istituzioni di Probabilità, Statistica 1, Statistica 2 e Modelli Statistici 1.

In particolare, sono richieste le seguenti competenze specifiche:

• Algebra lineare e calcolo matriciale: operazioni fondamentali con le matrici, nozioni di autovalori e autovettori.
• Calcolo delle probabilità: vettori di variabili aleatorie assolutamente continue (densità congiunte, indipendenza, densità e valore atteso condizionato).
• Inferenza statistica: stima puntuale, intervalli di confidenza, verifica delle ipotesi (definizione di test statistico, livello di significatività e livello di significatività osservato), relazione tra test statistici e intervalli di confidenza.
• Trasformazione e manipolazione dei dati: calcolo di media e varianza di una trasformazione lineare dei dati; procedure di standardizzazione.
• Analisi computazionale con il software R: autonomia nel caricamento e nella gestione dei dataset, e nella conduzione di analisi statistiche esplorative.

©

'attività didattica prevede lezioni frontali per l'esposizione dei fondamenti teorici e lezioni di laboratorio per l'applicazione pratica delle metodologie illustrate.

È richiesto uno studio individuale costante e approfondito della teoria, propedeutico alla risoluzione dei quesiti teorici e applicativi resi disponibili sulla piattaforma.

Il percorso formativo include, infine, attività con feedback automatico, attività con peer feedback e lavoro di gruppo.

Gli studenti che lo desiderano possono usare strumenti di intelligenza artificiale generativa per coadiuvare lo studio individuale, ma è loro responsabilità verificare la correttezza delle informazioni ottenute.

Oltre a rivolgersi alla docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

I criteri di valutazione utilizzati per la verifica delle conoscenze e delle abilità acquisite sono:

1. completezza e accuratezza delle risposte fornite;

2. capacità di applicare in maniera appropriata le tecniche acquisite e di sapere interpretare i risultati in relazione al problema proposto;

3. uso della terminologia corretta, capacità di sintesi e precisione nelle risposte fornite.

Johnson, R. A.; Wichern, D. W. (2014). Applied Multivariate Statistical Analysis. Pearson New International Edition.

Everitt, B. S.; Hothorn, T. (2011). An introduction to applied multivariate analysis with R. Springer

L'insegnamto vuole formare gli studenti sull’impostazione e l’attuazione delle ricerche di mercato.

Pertanto verranno sviluppati:

1) Concetti e strumenti di base delle ricerche di mercato.

2) Tecniche elementari di analisi dei dati.

3) Percorsi standard per la realizzazione di ricerche di mercato.

Gli studenti alla fine del corso saranno in grado di:

• Individuare quale tipo di ricerca di mercato pianificare in base a diversi specifici obiettivi conoscitivi
• Impostare concretamente il piano di una ricerca di mercato
• Utilizzare LimeSurvey e Google Forms per la digitalizzazione dei questionari
• Elaborare mediante i software SPSS ed Excel i dati ottenuti.
• Analizzare i risultati da un punto di vista di marketing.

1) Le analisi di mercato: analisi desk e analisi field

2) I mercati: consumatori e prodotti

3) La segmentazione e il posizionamento strategico

4) Il sistema informativo di marketing: banche dati, ricerche multiclient, ricerche ad hoc, reporting sui dati commerciali interni

5) Le ricerche di mercato: quantitative, qualitative, semistrutturate, integrate

6) Le fasi di una ricerca di mercato:

• obiettivi
• metodo di lavoro
• rilevazione/interviste
• elaborazione e analisi dei dati
• approfondimenti statistici
• conclusioni.

7) Tipologie classiche di ricerche ad uso del marketing

8) Esercitazioni su classiche di ricerche ad uso del marketing

9) Esercitazioni con LimeSurvey e Google Moduli

10) Esercitazioni con i software IBM SPSS e Microsoft Excel

Nessuno

1)Lezioni frontali ed esercitazioni in aula informatica

2)Interventi e testimonianze di esperti.

3)Esercitazioni su specifiche ricerche di mercato da realizzare concretamente a fronte di argomenti concordati con i docenti.

4) Sarà consentito l'utilizzo dell'Intelligenza Artificiale nei limiti in cui essa costituisca uno strumento, una fonte informativa di appoggio, non il risolutore o la fonte principale da cui trarre informazioni. Il suo impiego corretto e proficuo sarà anche oggetto di discussione costruttiva con studentesse e studenti.

5) Oltre a rivolgersi al docente, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Valutazione dell’apprendimento delle conoscenze teoriche e pratiche dei contenuti dell'insegnamento.

Titolo: Lo sviluppo della scala di soddisfazione nel consumo di servizi, Autori: BASSI, FRANCESCA; PELUSO A. M., Luogo: --, Anno: 2010, Editore: Franco Angeli; country:ITA; place:MILANO

Titolo: Ricerche di marketing, Autori: Molteni, Luca; Troilo, Gabriele; Molteni,Luca, Luogo: Milano, Anno: 2003, Editore: McGraw-Hill, Note: --.

Titolo: Statistica per analisi di mercato metodi e strumenti, Autori: Bassi, Francesca; Ingrassia, Salvatore; Bassi,Francesca, Luogo: Milano Torino, Anno: 2022, Editore: Pearson

L'insegnamento intende presentare i principali metodi di controllo statistico della qualità ed il loro utilizzo in diversi contesti applicativi. Alla fine dell'insegnamento lo studente sarà in grado di valutare la stabilità nel tempo della distribuzione di una e più caratteristiche di qualità e di studiare ed analizzare la capacità di un sistema di produrre unità conformi rispetto alle specifiche di qualità richieste dal mercato.

1) Qualità e statistica 2) Metodi statistici per la sorveglianza statistica di un processo. 3) Valutazione della capacità di un processo. 4) Valutazione di un sistema di misura. 5) Esperimenti programmati ed ottimizzazione della qualità

Un introduzione all'inferenza statistica e ai modelli di regressione lineare.

L'insegnamento prevede delle lezioni frontali ed un consistente numero di esercitazioni. I laboratori, durante i quali si userà R per analizzare dei casi reali, sono il cuore dell'insegnamento. Oltre a rivolgersi al docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

La valutazione della preparazione dello studente si baserà sulla comprensione degli argomenti svolti, sull'acquisizione dei concetti e delle metodologie proposte e sulla capacità di applicarli in modo autonomo e consapevole.

• Titolo: Controllo statistico della qualità 2/ed., Autori: Montgomery D. C., Luogo: --, Anno: 2006, Editore: McGraw-Hill., Note: ISBN: 9788838662447.

Descrizione dell'insegnamento : L'insegnamento prevede l'apprendimento dei fondamenti di finanza, dei mercati, sul sistema di regolamentazione, dei modelli di Pricing

Obiettivi di apprendimento: Gli obiettivi di apprendimento risultano cosi strutturati

1. Conoscenza e comprensione (Abilità cognitive)

• C1 (Ricordare/Comprendere) – Identificare le questioni fondamentali relative al funzionamento dei mercati monetari e dei capitali;
• C2 (Comprendere) – Riconoscere il ruolo delle istituzioni finanziarie;
• C3 (Comprendere) – Spiegare le caratteristiche dei principali titoli scambiati;
• C4 (Analizzare/Valutare) – Discutere in modo critico l'attuale crisi finanziaria.

2. Capacità di applicare conoscenza e comprensione (Abilità pratiche)

• P1 (Applicare/Analizzare) – Utilizzare grafici, tabelle e modelli matematici per comprendere la realtà finanziaria.

3–5. Autonomia di giudizio, abilità comunicative, capacità di apprendimento (Competenze trasversali)

• T1 – Capacità analitiche;
• T2 – Capacità di pensiero critico.

Durante l'insegnamento verranno trattati i seguenti argomenti :

• Funzionamento dei Mercati Finanziari
• Definizione di rischio
• Gestione e valutazione di un portafoglio obbligazionario
• Gestione e valutazione di un portafoglio azionario
• Modelli di pricing delle obbligazioni e delle azioni
• Modelli per la stima dei rischio di mercato e del rischio di credito
• Modello di portafoglio di Markowizt e CAPM
• Introduzione alle Criptovalute
• I derivati (Opzioni, Swap, Future)
• Il Mercato dei Cambi Il Value at risk

L'insegnamento includerà:

• Lezioni frontali,
• Presentazioni di casi studio,
• Presentazione di modelli matematici.

Oltre a rivolgersi al docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Prova scritta (studenti non frequentanti) La valutazione della prova scritta sarà effettuata sulla base dei seguenti criteri:

• Correttezza delle risposte;
• Completezza delle risposte;
• Capacità di applicare i concetti teorici e gli strumenti analitici presentati durante l'insegnamento;
• Chiarezza e precisione nell'esposizione dei contenuti.

Prova scritta (studenti frequentanti) La valutazione della prova scritta sarà effettuata sulla base dei seguenti criteri:

• Correttezza delle risposte;
• Completezza delle risposte;
• Capacità di applicare i concetti teorici e gli strumenti analitici presentati durante l'insegnamento
• Chiarezza e precisione nell'esposizione dei contenuti.

• Titolo: Istituzioni e mercati finanziari, Autori: Mishkin, Frederic S., Luogo: Milano Torino, Anno: 2019, Editore: Pearson Italia, Note: --.

1. Conoscenza e comprensione

Al termine dell'insegnamento, lo studente conoscerà i principali concetti di marketing strategico e operativo, comprenderà il ruolo del marketing nella strategia aziendale e acquisirà le conoscenze fondamentali delle quattro dimensioni del marketing mix (prodotto, prezzo, distribuzione e comunicazione).

2. Capacità di applicare conoscenza e comprensione

Lo studente sarà in grado di applicare i concetti di marketing mix all'analisi di casi aziendali reali, di sviluppare un piano di marketing e di valutare come le aziende implementano le strategie di marketing nel contesto competitivo di riferimento.

3. Autonomia di giudizio

Lo studente svilupperà la capacità di analizzare criticamente le scelte di marketing di un'azienda, individuare incoerenze o aree di miglioramento nel marketing mix e formulare proposte migliorative motivate e realistiche, anche in contesti di informazione parziale.

4. Abilità comunicative

Al completamento dell'insegnamento lo studente sarà in grado di presentare efficacemente un'analisi di marketing in modo chiaro e strutturato, comunicando i messaggi chiave sia a un pubblico specialistico che non, attraverso presentazioni orali e materiali visivi.

5. Capacità di apprendimento

Lo studente acquisirà strumenti e metodologie che gli permetteranno di aggiornarsi autonomamente sulle nuove tendenze del marketing, con particolare riferimento alla digitalizzazione e alla sostenibilità, applicando un approccio critico e analitico alla materia.

PROGRAMMA DELL'INSEGNAMENTO

Settimana 1 – Introduzione al marketing e pianificazione strategica

• Introduzione al marketing
• Evoluzione del concetto di marketing
• Pianificazione strategica
• Il piano di marketing

Settimana 2 – Comprendere il cliente

• Comportamento del consumatore nei mercati B2C
• Comportamento d’acquisto nei mercati B2B
• Analisi dei bisogni e del processo decisionale del cliente

Settimana 3 – Segmentazione, targeting e posizionamento

• Segmentazione del mercato
• Selezione dei mercati obiettivo
• Strategie di posizionamento
• Applicazioni e casi aziendali

Settimana 4 – Marketing internazionale

• Introduzione al marketing internazionale
• Il ruolo della cultura nei mercati internazionali
• Globalizzazione e de-globalizzazione
• Barriere all’internazionalizzazione
• Strategie di ingresso nei mercati esteri

Settimana 5 – Marketing research e marketing intelligence

• Il processo di marketing research
• Raccolta dati tramite survey
• Analisi e interpretazione dei dati
• Utilizzo delle informazioni per il processo decisionale

Settimana 6 – Product e Service Management

• Il prodotto e le decisioni di prodotto
• Brand e gestione del portafoglio prodotti
• Ciclo di vita del prodotto
• Marketing dei servizi

Settimana 7 – Pricing

• Il ruolo del prezzo nelle strategie di marketing
• Obiettivi di pricing
• Strategie e metodi di determinazione del prezzo
• Pricing in contesti competitivi

Settimana 8 – Marketing Communication

• Il ruolo della comunicazione nel marketing
• Marketing mix: Promotion
• Pubblicità, promozione delle vendite, relazioni pubbliche e comunicazione digitale
• Comunicazione integrata di marketing

Settimana 9 – Distribution and Supply Chain Management

• Marketing mix: Place
• Canali distributivi
• Strategie distributive
• Il ruolo della supply chain nella creazione di valore

Settimana 10 – Le nuove sfide del marketing

• Digital marketing e digitalizzazione
• Marketing e sostenibilità
• Greenwashing
• Diversità e inclusione nel marketing
• Brand activism

Settimana 11 – Conclusione dell'insegnamento

• Revisione dei principali concetti dell'insegnamento
• Presentazione dei lavori di gruppo

L'insegnamento non prevede nessun prerequisito

Metodologie di Insegnamento

Le lezioni si svolgono in presenza e combinano diverse modalità:

• Lezioni frontali per la spiegazione dei principali concetti di marketing
• Lezioni interattive e discussioni di classe
• Attività in piccoli gruppi e a coppie durante le lezioni
• Attività pratiche in classe in autonomia con supervisione del docente
• Testimonianze di manager di importanti realtà aziendali

Attività di Apprendimento

L'insegnamento prevede due percorsi:

Percorso Principale

Per chi partecipa attivamente, prevede:

• Frequenza regolare e atteggiamento proattivo
• Coinvolgimento nelle attività proposte dai docenti
• Preparazione prima delle lezioni
• Partecipazione al lavoro di gruppo

Percorso Alternativo

Per chi non può o non vuole partecipare attivamente:

• Nessun obbligo particolare
• Non è richiesta la partecipazione al lavoro di gruppo
• La frequenza è facoltativa

Si raccomanda il percorso principale, poiché migliora l'apprendimento e riduce lo sforzo complessivo nella preparazione dell'esame finale.

Oltre a rivolgersi ai docenti dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Percorso con lavoro di gruppo (adatto ai frequentanti)

Il voto finale è composto da:

• Esame finale scritto (70%): L'esame scritto dura 75 minuti e include domande a risposta multipla e domande teoriche applicate a casi aziendali.
• Lavoro di gruppo (30%): Il lavoro di gruppo viene valutato su una scala da 0 a 30 punti, tenendo conto di analisi di mercato, analisi delle 4P, capacità critica, proposte migliorative e qualità della presentazione.

Percorso senza lavoro di gruppo (adatto ai non frequentanti)

Il voto finale si basa al 100% sull'esame scritto.

L'esame dura 75 minuti e include un numero maggiore di domande rispetto al percorso con lavoro di gruppo, sia a risposta multipla che teoriche.

Libro di testo

Kerin, R., Hartley, S., Massara, F., Corsaro D. Marketing (quinta edizione) McGrawHill Education, 2026

CONOSCENZE Al termine dell'insegnamento lo studente dovrà essere in grado di conoscere: - regime dell'interesse semplice e dell'interesse composto, - rendite, - piani di ammortamento a rata e a quota capitale costanti, - scelte tra operazioni finanziarie: criteri del periodo di recupero, del VAN e del TIR, - TAN e TAEG, - obbligazioni: senza cedola e con cedola, - struttura per scadenza dei tassi, tassi spot e forward, - immunizzazione finanziaria, - teoria del portafoglio alla Markovitz, - Capital Asset Pricing Model. ABILITA’ COGNITIVE Gli studenti saranno in grado di: - identificare le leggi finanziarie che governano i diversi tipi di operazioni finanziarie; - riconoscere i principali criteri di valutazione delle operazioni finanziarie. ABILITA’ PRATICHE Gli studenti saranno in grado di: - utilizzare le principali formule di Matematica Finanziaria per valutare finanziamenti, investimenti, titoli derivati e portafogli azionari; - utilizzare fogli di calcolo per analizzare dinamiche finanziarie come rendite ed ammortamenti. COMPETENZE TRASVERSALI Gli studenti svilupperanno: - capacità analitiche, - capacità di problem-solving.

Regimi dell’interesse semplice e composto. Rendite. Ammortamenti. Obbligazioni. Struttura dei tassi. Teoria del portafoglio.

Conoscenze di base di Analisi Matematica, Algebra Lineare e Calcolo delle Probabilità.

L'insegnamento prevede: 1) Lezioni frontali, in cui verranno presentati sia gli aspetti teorici sia le applicazioni delle formule matematiche descritte; 2) Analisi di contratti finanziari reali; 3) Test di autovalutazione in Moodle; 4) Esercizi in aula, simili a quelli richiesti durante l'esame. Oltre a rivolgersi ai docenti dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

La valutazione si baserà sulla capacità degli studenti di risolvere in modo completo ed accurato esercizi standard relativi a: 1) leggi finanziarie, 2) rendite, 3) ammortamenti, 4) criteri di valutazione per operazioni finanziarie, 5) obbligazioni, 6) semplici derivati su tassi di interesse, 7) ottimizzazione di portafoglio.

• Titolo: Lezioni di matematica finanziaria classica e moderna, Autori: Cacciafesta,Fabrizio, Luogo: Torino, Anno: 2001, Editore: G. Giappichelli, Note: --.
• Titolo: Matematica finanziaria e attuariale, Autori: Allevi,Elisabetta, Luogo: Milano Torino, Anno: 2017, Editore: Pearson Italia, Note: --.
• Titolo: Mathematics of investment and credit, Autori: Broverman, Samuel A, Luogo: New Hartford, CT, Anno: 2017, Editore: ACTEX Learning, Note: --.

Contesto e Obiettivi dell'insegnamento

I metodi di analisi dei dati sviluppati nell'ambito della statistica e del Machine Learning rivestono oggi un ruolo centrale nei contesti aziendali, industriali e scientifici. La diffusione del web e lo sviluppo di tecnologie per la raccolta e l'archiviazione di enormi volumi di dati hanno portato a un rapido aumento sia della dimensione dei dataset, sia della complessità dei modelli statistici richiesti. Sono inoltre sempre più diffuse nuove tipologie di dati che superano la classica struttura a matrice, richiedendo architetture più complesse come funzioni, grafi e reti. Da qui nasce la necessità di introdurre modelli statistici e algoritmi (scalabili, ricorsivi e dinamici) in grado di adattarsi efficientemente a queste grandi masse di dati.

In ideale continuità con il corso di Analisi dei Dati Multidimensionali, l'insegnamento si propone di fornire gli strumenti statistici fondamentali per affrontare tali sfide a livello di laurea triennale. Nello specifico, verranno approfonditi temi già introdotti – quali i metodi di riduzione della dimensionalità, l’analisi fattoriale e le tecniche di clustering – declinandone le implicazioni in ambito Big Data, e verranno introdotti nuovi framework metodologici relativi alla Network Data Analysis (analisi di dati su reti), ai modelli Mistura, e al Text Mining (analisi dei testi).

Risultati di Apprendimento Attesi

Al termine dell'insegnamento, gli studenti avranno acquisito:

• Conoscenza e comprensione: Capacità di comprendere l'estensione dei modelli statistici tradizionali verso strutture di dati complesse (testi, reti, grafi) e di riconoscerne i requisiti algoritmici (scalabilità e parallelismo).
• Applicazione delle conoscenze: Capacità di applicare metodi avanzati di riduzione della dimensionalità, clustering e modellazione di rete a dataset reali di grandi dimensioni.
• Autonomia di giudizio: Abilità nel selezionare l'algoritmo o il modello statistico più idoneo in base alla natura, alla dimensionalità e alla complessità strutturale del dato analizzato.

L’insegnamento è strutturato nei seguenti nuclei tematici:

• Aspetti di Statistica Computazionale: Introduzione agli algoritmi ricorsivi e dinamici; formulazione e stima del Modello Lineare Dinamico (DLM).
• Metodi Avanzati di Riduzione della Dimensionalità: Analisi delle Componenti Indipendenti (ICA); Curve Principali (Principal Curves) e Superfici Principali (Principal Surfaces); Tecniche di embedding non lineare (t-SNE).
• Analisi di Dati ad Alta Dimensionalità: Strategie per dataset con un elevato numero di variabili e un numero limitato di osservazioni; metodi di stima penalizzata (Regressione Ridge, Lasso, BSS, Stepwise).
• Modelli di Classificazione per Big Data: Algoritmi e approcci predittivi scalabili per l'analisi di grandi masse di dati.
• Network Data Analysis (Analisi dei Dati da Reti): Struttura e rappresentazione matematica dei dati di rete (incluse le reti sociali); Modelli Grafici; Modelli statistici di base per reti (Modello logistico, modello di Erdős-Rényi, e Modelli Esponenziali per Grafi Casuali - ERGM).
• Text Mining e Topic Modeling: Modelli statistici per l’analisi dei testi e l'estrazione automatica dei temi (Topic Modeling). Modelli mistura.
• Elementi di Deep Learning: Cenni introduttivi all'architettura e al funzionamento delle Reti Neurali artificiali.

Conoscenze preliminari consigliate (Prerequisiti sostanziali)

Per seguire con successo il corso non sono previste propedeuticità formali, ma è richiesta una solida conoscenza preliminare dei contenuti dei seguenti insegnamenti:

• Algebra Lineare
• Sistemi di Elaborazione
• Statistica II
• Modelli Statistici I
• Analisi dei Dati Multidimensionali

Metodi di Insegnamento e Apprendimento

L’attività didattica si articola attraverso una combinazione di approcci complementari:

• Lezioni frontali: per l'esposizione sistematica dei modelli statistici e dei framework teorico-computazionali.
• Esercitazioni in laboratorio informatico: sessioni pratiche dedicate all'applicazione dei metodi trattati su dataset reali tramite software specialistici.
• Lavoro di gruppo opzionale: un'attività progettuale volta a stimolare l'autonomia di ricerca, l'analisi collaborativa dei dati e la sintesi scritta dei risultati.

Inclusione e Accessibilità

Oltre a potersi rivolgere direttamente al docente dell'insegnamento, le studentesse e gli studenti con disabilità, Disturbi Specifici dell'Apprendimento (DSA), Bisogni Educativi Speciali (BES) o altre condizioni di salute, possono contattare l'Ufficio Servizi agli Studenti - Settore Inclusione. Il servizio è a disposizione per fornire informazioni, attivare supporti personalizzati, misure dispensative o compensative e garantire gli strumenti specifici necessari per un'ottimale fruizione sia delle attività didattiche sia delle prove d'esame.

Il voto finale scaturirà dalla valutazione dei seguenti elementi:

• Rigore della metodologia statistica: Qualità e adeguatezza dell'analisi condotta rispetto alla natura dei dati e al problema analitico proposto.
• Efficacia della comunicazione scritta: Chiarezza, completezza, struttura logica e coerenza della relazione (per la prova pratica e l'eventuale progetto).
• Accuratezza teorica: Correttezza formale, precisione terminologica e solidità sostanziale delle risposte fornite nella prova scritta.

Il materiale di studio e i testi di riferimento per la preparazione dell'esame comprendono:

• Materiale Didattico: Slide delle lezioni, script R e notebook computazionali (.html) caricati regolarmente sulla piattaforma Moodle durante l'insegnamento.

Cenni da

• Azzalini, A., & Scarpa, B. (2004). Analisi dei dati e data mining.
• Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.).
• Letteratura Scientifica: Articoli di ricerca e paper metodologici integrativi verranno indicati e forniti dal docente durante le lezioni per coprire i temi più recenti (es. t-SNE).

Obiettivo dell'insegnamento è fornire agli studenti strumenti econometrici e statistici necessari per la modellistica di fenomeni socio-economici in generale ed in particolare per l’analisi di dati di ambito aziendale. Al termine dell'insegnamento gli studenti dovranno essere in grado di:

• riconoscere quale metodo statistico sia maggiormente adatto a rispondere a diverse domande di ricerca;
• applicare tecniche statistiche a dati reali al fine di produrre analisi e previsioni;
• prevedere andamenti futuri utilizzando appropriati strumenti;
• formulare giudizi critici delle evidenze empiriche.

Gli studenti svilupperanno competenze trasversali quali capacità analitiche, capacità di lavorare in gruppo e capacità di presentazione e discussione di un'analisi di dati in forma scritta e orale.

La previsione in azienda (2 CFU):

• Metodi di previsione: strumentazione di base; misure di accuratezza della previsione.
• Tecniche di previsione di breve periodo: medie mobili, lisciamento esponenziale semplice, lisciamento di Holt-Winters.

Le assunzioni alla base del modello di regressione lineare (2.5 CFU):

• Approfondimenti e applicazioni del modello nel caso di violazioni delle assunzioni.
• Previsioni.

Modelli per bounded outcomes (2.5 CFU):

• Approfondimenti sull'analisi di modelli per dati ordinali.
• Modelli CUB
• L'approccio delle anchoring vignettes

I dati mancanti (2 CFU):

• Definizione e classificazioni.
• Unit ed item non-response.
• Trattamento dei dati mancanti (modellazione; imputazione).

L’insegnamento non prevede propedeuticità formali, ma si assume la conoscenza degli argomenti affrontati nei corsi di Statistica 2 e Modelli Statistici 1.

L'insegnamento è organizzato in 64 ore, suddivise in:

• Lezioni tradizionali
• Discussione di casi studio
• Seminari

La frequenza alle lezioni, seppure non obbligatoria, è vivamente consigliata. Gli studenti frequentanti saranno coinvolti in lavori di gruppo e nelle discussioni sui casi. Gli studenti apprenderanno attraverso lo studio individuale, la partecipazione alle discussioni in aula e il lavoro di gruppo.

Obiettivo dell'insegnamento è il rafforzamento delle capacità di valutazione critica dei risultati delle analisi svolte e di proposizione di eventuali soluzioni in ambito aziendale sulla base delle conoscenze acquisite. Per questi motivi la discussione e la riflessione critica dei temi trattati verranno stimolate con un approccio interattivo con gli studenti.

L'uso di strumenti di intelligenza artificiale generativa (es. ChatGPT) è consentito come supporto allo studio individuale e come mezzo agevolativo dell'apprendimento, purché l'utilizzo sia critico, dichiarato e non sostitutivo del ragionamento autonomo. È vietato durante la prova d'esame scritta. Qualsiasi utilizzo deve essere esplicitamente dichiarato nel report di gruppo.

Oltre a rivolgersi al docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Esame scritto: gli studenti saranno valutati in base alla conoscenza delle tematiche affrontate durante l'insegnamento per analizzare i dati e la loro capacità di applicarle. Saranno valutati positivamente senso critico e abilità dello studente nell’applicare le proprie conclusioni all’ambito aziendale oggetto di analisi. Il punteggio dell'esame scritto costituisce il 100% della valutazione di base.

Lavoro di gruppo: gli studenti saranno valutati in base al livello di completezza, originalità e chiarezza (sia verbale nella presentazione che nel contenuto del report) del lavoro analitico. Può garantire fino a 4 punti di bonus in più sulla valutazione di base.

Greene, W.H., & Hensher, D.A., Modeling ordered choices: A Primer, Cambridge University Press, 2010, ISBN: 9781139485951. Note: CONSIGLIATO

Hyndman, R.J., & Athanasopoulos, G., Forecasting: Principles and Practice, OTexts, 2021, 3a ed., ISBN: 9780987507136. Note: CONSIGLIATO. https://otexts.com/fpp3/

van Buuren, S., Flexible imputation of missing data, Chapman and Hall/CRC, 2018, 2a ed., ISBN: 9780429492259. Note: CONSIGLIATO. https://stefvanbuuren.name/fimd/

L'insegnamento fornisce gli strumenti statistici e quantitativi per l'analisi delle serie storiche finanziarie e la costruzione di modelli per la descrizione e previsione dei momenti condizionati, con applicazioni in ambito finanziario.

1. Conoscenza e comprensione

• Conoscere le principali caratteristiche delle serie storiche finanziarie (prezzi, rendimenti, volatilità).
• Conoscere i modelli della classe ARCH/GARCH e le loro estensioni asimmetriche.
• Comprendere i fondamenti del modello di Markowitz e dei modelli lineari di equilibrio di mercato (CAPM e APT).

2. Capacità di applicare conoscenza e comprensione

• Stimare, validare e confrontare modelli statistici per serie finanziarie utilizzando il software R.
• Costruire la frontiera efficiente nel modello di Markowitz e applicare i modelli CAPM e APT a dati reali.
• Produrre previsioni di volatilità e valutarne la qualità tramite test appositi.

3. Autonomia di giudizio

• Scegliere gli strumenti più adeguati per l'analisi di una serie finanziaria, motivando la scelta sulla base dei risultati diagnostici.
• Interpretare criticamente i risultati delle stime e delle previsioni in un contesto finanziario.

4. Abilità comunicative

• Esporre in modo chiaro i risultati di un'analisi statistica su dati finanziari, sia in forma scritta che orale.
• Utilizzare correttamente la terminologia statistica e finanziaria.

5. Capacità di apprendimento

• Sviluppare autonomia nell'analisi di nuovi dataset finanziari applicando le metodologie apprese.
• Consultare e comprendere testi scientifici avanzati in ambito di statistica finanziaria.

1. Introduzione alle serie finanziarie: Presentazione e discussione preliminare delle caratteristiche delle serie finanziarie attraverso l'analisi grafica di esempi reali: prezzi e indici azionari, tassi di cambio, tassi di interesse, obbligazioni, strumenti derivati e merci. Principali indici aggregati: indici di borsa, indici obbligazionari e indici aggregati di altri beni scambiati nei mercati finanziari.
2. Prezzi, rendimenti e volatilità: Definizioni, misure, strumenti di analisi e principali caratteristiche empiriche dei prezzi, dei rendimenti e della volatilità delle serie finanziarie.
3. Modelli per la volatilità: Modelli per l'analisi e la previsione della volatilità delle serie dei rendimenti finanziari: modelli GARCH e IGARCH; asimmetria ed effetto del segno, modelli EGARCH e TARCH; premio al rischio e modello GARCH in media; modello APARCH. Stima, inferenza e analisi diagnostica nei modelli della classe ARCH. Previsione delle varianze: approcci statico e dinamico. Test per la valutazione delle previsioni.
4. Il modello di Markowitz: Analisi empirica del modello di Markowitz: frontiera efficiente non vincolata, stima e inferenza; frontiera efficiente vincolata, introduzione e possibili estensioni.
5. Modelli lineari per i rendimenti: Modelli lineari per i rendimenti: verifica empirica e analisi diagnostica del CAPM; estensione al caso multivariato (APT).

• Prerequisito fondamentale dell'insegnamento sono le conoscenze relative alle metodologie di analisi delle serie storiche economiche e dei principali processi stazionari atti a descrivere serie economiche;
• Nozioni di base di calcolo delle probabilità e variabili casuali;
• Conoscenze di base di statistica descrittiva, inclusa la lettura e l’interpretazione di grafici e indicatori di sintesi, e di inferenza statistica;
• Conoscenze di base del software R.
• Sebbene non strettamente necessario, si raccomanda la frequenza dell'insegnamento di Economia dei Mercati Finanziari.

Le lezioni frontali si svolgono in presenza e sono supportate da slide e dimostrazioni alla lavagna. Durante le lezioni vengono presentati i modelli teorici e le relative applicazioni su dati reali mediante il software R. Sono previste esercitazioni pratiche in laboratorio informatico in cui gli studenti applicano le metodologie apprese all'analisi di dataset finanziari reali. Durante l'insegnamento agli studenti verranno assegnati homework individuali o di gruppo, con l'obiettivo di approfondire alcuni temi rilevanti trattati a lezione sia dal punto di vista teorico che applicato. Lo svolgimento degli homework non è obbligatorio ma è vivamente consigliato; in caso di consegna, le esercitazioni saranno valutate e il voto ottenuto concorrerà alla formazione del voto finale. Studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

La valutazione complessiva si basa sui seguenti criteri:

• Correttezza e completezza delle risposte teoriche
• Comprensione dei modelli statistici e delle loro proprietà
• Capacità di ragionamento metodologico e di collegamento tra i concetti
• Correttezza nell'applicazione delle metodologie statistiche
• Capacità di interpretare i risultati ottenuti e di svolgere l'analisi diagnostica
• Qualità e chiarezza del codice R prodotto e dei commenti ai risultati
• Capacità di lavorare in gruppo e di presentare i risultati in modo chiaro

• Tsay, R. S. (2010). Analysis of financial time series. Wiley.
• Francq, C. (2019). GARCH models: Structure, statistical inference and financial applications. Wiley.
• Tsay, R. S. (2013). Introduction to analysis of financial data with R. Wiley.
• Gallo, G. M., & Pacini, B. (2002). Metodi quantitativi per i mercati finanziari. Carocci.

Competenze

Comprendere e applicare le logiche della contabilità generale e analitica per il rilevamento e l’analisi dei costi aziendali.

Utilizzare le informazioni di costo per supportare le decisioni operative, tattiche e strategiche.

Valutare criticamente le diverse configurazioni di costo in funzione degli obiettivi gestionali.

Conoscenze

Principi e logiche della contabilità generale: classificazione e rilevazione dei costi.

Differenze tra contabilità generale e contabilità analitica.

Tipologie di costo: diretti, indiretti, fissi, variabili, standard, opportunità.

Modelli di imputazione dei costi: full costing, direct costing, activity based costing (ABC).

Analisi costi-volumi-risultati (CVR) e break-even analysis.

Costo rilevante e irrilevante nelle decisioni aziendali.

Criteri di convenienza economica nelle scelte di make or buy, pricing, mix di produzione.

Abilità

Rilevare i costi in contabilità generale e riclassificarli ai fini dell’analisi gestionale.

Costruire schemi di contabilità analitica per centri di costo e per commessa.

Calcolare il costo pieno e il costo variabile di un prodotto o servizio.

Applicare l’analisi CVR per valutare la redditività di un’iniziativa.

Utilizzare i dati di costo per formulare alternative decisionali in contesti aziendali concreti

L'insegnamento affronta la tematica dei costi a partire dalla contabilità generale, con l’analisi della classificazione, rilevazione e rappresentazione dei costi nei documenti contabili. Successivamente si approfondisce la contabilità analitica come strumento di supporto alle decisioni aziendali.

I principali contenuti includono:

Classificazione e rilevazione dei costi nella contabilità generale

Distinzione tra contabilità generale e contabilità analitica

Principali scritture contabili e interpretazione del bilancio d'esercizio

Tipologie di costo: diretti, indiretti, fissi, variabili, standard, opportunità

Metodi di imputazione dei costi: full costing, direct costing, activity-based costing (ABC)(cenni)

Analisi costi-volumi-risultati e break-even point

Costi rilevanti per le decisioni: make or buy, determinazione dei prezzi, mix produttivo

Cost accounting come strumento di controllo e pianificazione economica

Lezioni frontali con uso di slides, discussioni in aula, esercitazioni pratiche aventi ad oggetto case studies.

Oltre a rivolgersi alla docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

La valutazione dell’esame sarà espressa in trentesimi, con la possibilità di attribuire la lode. Il punteggio complessivo sarà articolato su un massimo di 31 punti, dei quali 15 saranno riservati alla verifica delle conoscenze teoriche, attraverso quesiti a risposta aperta e/o a scelta multipla. I restanti punti saranno assegnati in base alla risoluzione di esercizi, finalizzati ad accertare le competenze pratiche acquisite.

Non è permesso l'uso dell'Intelligenza Artificiale per compiti valutativi individuali, mentre ne è permesso l'utilizzo attivo e critico, come oggetto di studio, strumento didattico o lavori di gruppo.

• Titolo: Economia aziendale. Modelli, misure, casi, Autori: Boesso, Giacomo; Bozzolan, Saverio; Parbonetti, Antonio, Luogo: --, Anno: 2023, Editore: McGraw-Hill Education (Italy) srl,

L'insegnamento approfondisce teoria e applicazioni dei modelli di regressione con particolare riferimento ai modelli lineari generalizzati. Sono trattati modelli per dati continui, binari, categoriali e di conteggio. Sono forniti alcuni elementi introduttivi ai modelli per dati correlati. L'insegnamento tratta inoltre gli strumenti necessari per l'analisi dei dati utilizzando modelli di regressione, tramite il software statistico R. Le abilità che lo studente acquisisce riguardano: 1. La conoscenza della metodologia per la specificazione, l'analisi inferenziale e la valutazione dell'adattamento dei modelli trattati; 2. La capacità di analizzare insiemi di dati, anche di una certa complessità, individuando ed applicando, con capacità critiche, gli strumenti più appropriati.

L'insegnamento è organizzato in lezioni frontali (48 ore) ed esercitazioni al computer (16 ore).

Per le esercitazioni, gli studenti vengono suddivisi in due gruppi.

Le esercitazioni prevedono l'analisi, tramite il software R, di insiemi di dati reali provenienti da diversi contesti applicativi.

Molti di tali esempi vengono anche presentati e discussi durante le lezioni frontali.

------------------------------------------------------------

Oltre a rivolgersi alla docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Si valuteranno la preparazione dello studente sui contenuti oggetto dell'insegnamento, la sua capacità di analizzare le caratteristiche dei modelli e di interpretare e valutare criticamente i risultati delle analisi svolte.

1. Titolo: Modelli Lineari Generalizzati, Autori: Salvan, A., Sartori, N., Pace, L., Luogo: Milano, Anno: 2020, Editore: Springer, Note: Obbligatorio. Diponibile gratuitamente per utenti UniPD a https://galileodiscovery.unipd.it/permalink/39UPD_INST/7i6cbv/alma9939127959606046
2. Titolo: An Introduction to Generalized Linear Models, Third Edition, Autori: Dobson, A. and Barnett, A., Luogo: Boca Raton, FL, Anno: 2008, Editore: Chapman and Hall/CRC, Note: Consigliato.
3. Titolo: Foundations of Linear and Generalized Linear Models, Autori: Agresti, A., Luogo: Hoboken, Anno: 2015, Editore: John Wiley & Sons Inc, Note: Consigliato.
4. Titolo: Inferenza Statistica: una Presentazione basata sul Concetto di Verosimiglianza, Autori: Azzalini, A., Luogo: Milano, Anno: 2001, Editore: Springer-Italia, Note: Consigliato, Capitolo 6.
5. Titolo: Introduction to General and Generalized Linear Models, Autori: Madsen, H. and Thyregod, P., Luogo: Boca Raton, FL, Anno: 2010, Editore: Chapman and Hall/CRC, Note: Consigliato.
6. Titolo: Introduzione alla Statistica - II. Inferenza, Verosimiglianza, Modelli, Autori: Pace, L., Salvan, A., Luogo: Padova, Anno: 2001, Editore: Cedam, Note: Consigliato, Capitoli 8 e 10.
7. Titolo: Inferenza Statistica: Applicazioni con S-Plus e R, Autori: Bortot, P., Ventura, L., Salvan, A., Luogo: Padova, Anno: 2000, Editore: Cedam, Note: Consigliato, Capitolo 5.

L'insegnamento presenta diversi approcci e metodi statistici utilizzati per applicazioni in ambito economico, sia dal punto di vista metodologico che con numerosi studi di caso su dati reali. Attraverso le attività di laboratorio, l'insegnamento fornisce anche gli strumenti per l'utilizzo del software Stata, uno dei principali strumenti utilizzati per analisi statistiche in ambito economico ed econometrico. L'obiettivo e' consentire allo studente di essere in grado di: 1. Definire nel dettaglio una domanda di ricerca di interesse in ambito economico alla quale si possa rispondere con un approccio empirico. 2. Individuare di volta in volta il metodo più adatto alla soluzione di un problema concreto e comprenderne le assunzioni necessarie per poter rispondere alla domanda di interesse. 3. Utilizzare il metodo in modo appropriato con l'ausilio del software Stata. 4. Interpretare i risultati in modo corretto alla luce della domanda iniziale, delle assunzioni fatte e dei dati disponibili.

1) Introduzione alla modellazione in ambito economico - Specificazione e interpretazione economica dei parametri - Parametri strutturali e in forma ridotta

2) Specificazione e stima di modelli lineari - Specificazione del modello e interpretazione degli assunti nelle applicazioni economiche - Richiami alla stima OLS - Eteroschedasticita', stime GLS e standard error robusti - Caratteristiche delle variabili (variabili categoriali, trasformazioni non lineari, interazioni) - Variabili esogene ed endogene

3) Introduzione a metodi avanzati per l'analisi di dati economici - Analisi di dati longitudinali - Variabili strumentali - Modelli a equazioni simultanee - Modelli non-lineari - Valutazione di impatto di politiche

L'insegnamento è organizzato in lezioni frontali (48 ore) con utilizzo congiunto di tablet e lavagna tradizionale, nelle quali si presentano i principali aspetti metodologici e numerose applicazioni empiriche in ambito economico, e studi di caso in aula informatica (16 ore) dove gli studenti possono applicare le conoscenze acquisite analizzando dati reali con il software Stata. In entrambi i casi l'insegnamento prevede una continua interazione con gli studenti per proporre soluzioni alternative alle domande di ricerca proposte di volta in volta. Fra le competenze trasversali previste, l'insegnamento e le modalità di esame prevedono l'utilizzo attivo di un software, lo sviluppo di abilità di ricerca e capacità di analisi e problem solving e una certa dose di creatività per individuare e confrontare possibili soluzioni alternative alla stessa domanda. Oltre a rivolgersi al docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Durante la prova d’esame è ammesso l’utilizzo del materiale didattico cartaceo e informatico, mentre non è ammesso l'accesso a Internet, nè l’utilizzo di strumenti di intelligenza artificiale generativa.

La valutazione della preparazione dello studente si basa su: - Comprensione di una domanda di ricerca e capacità di dare una risposta coerente su basi empiriche a partire dai dati disponibili. - Autonomia e spirito critico nello scegliere e applicare le metodologie acquisite nell'insegnamento per la soluzione di specifici casi reali.

• Titolo: Introduction to econometrics, Autori: Wooldridge, Jeffrey M., Luogo: Andover, Anno: 2014, Editore: Cengage Learning, Note: --.

1. Conoscenza e comprensione

• Conoscere i principali strumenti di analisi microeconomica e macroeconomica utili alla gestione d’impresa.
• Comprendere il ruolo dell’intervento pubblico, delle politiche fiscali e monetarie e degli scambi in una semplice economia aperta.
• Conoscere gli strumenti di economia del lavoro applicati alla gestione del personale e del capitale umano.

2. Capacità di applicare conoscenza e comprensione

• Applicare gli strumenti micro e macroeconomici all’analisi di problemi aziendali.
• Interpretare fenomeni economici correnti e valutarne le implicazioni per l’impresa.
• Utilizzare strumenti di economia del lavoro per analizzare decisioni relative alla gestione del personale.

3. Autonomia di giudizio

• Valutare criticamente il contesto economico in cui opera l’impresa.
• Formulare giudizi autonomi sugli effetti delle politiche pubbliche e dei fenomeni macroeconomici.
• Integrare prospettive diverse, anche in presenza di interessi contrapposti.

4. Abilità comunicative

• Comunicare in modo chiaro e argomentato analisi economiche e implicazioni gestionali.
• Presentare oralmente le proprie conclusioni durante discussioni e attività in classe.
• Confrontarsi con posizioni diverse utilizzando un linguaggio economico appropriato.

5. Capacità di apprendimento

• Collegare autonomamente gli strumenti teorici all’attualità economica.
• Aggiornare e approfondire le proprie conoscenze su fenomeni macroeconomici e microeconomici.
• Applicare le competenze acquisite a nuovi problemi relativi all’impresa e alla gestione del capitale umano.

Introduzione: cos'è la politica economica, il ruolo dello stato nell'economia, metodi empirici per l'analisi economica.

Parte prima: strumenti di analisi macroeconomica. Le fluttuazioni economiche, breve e lungo periodo, il mercato dei beni e della moneta, domanda ed offerta aggregata, mercato dei beni e curva IS, mercato della moneta e curva LM, politica fiscale e monetaria nel modello IS-LM, economia aperta.

Parte seconda: economia del lavoro e del personale. Offerta di lavoro, domanda di lavoro, equilibrio del mercato del lavoro e differenziali salariali, imperfezioni e regolamentazione del mercato del lavoro, istruzione e capitale umano, selezione e formazione del personale, retribuzioni ed incentivi

Verranno fatti continui riferimenti all'attualità economica - compresa ad esempio la crisi COVID-19, la crisi energetica e l'inflazione, i conflitti, le guerre tariffarie, e le loro implicazioni economiche.

L'insegnamento prevede l'utilizzo di strumenti matematici (problemi di ottimizzazione vincolata, studi di funzione) e statistici (distribuzioni di probabilità, statistica descrittiva, semplici modelli di regressione) di base, oltre a basilari competenze microeconomiche (problemi di massimizzazione dell'utilità, di massimizzazione del profitto e minimizzazione del costo). Interesse verso il pensiero critico e l'attualità economica sono altresì importanti.

Lezioni frontali, esercizi da svolgere in gruppi e col docente, attività gamified (moblab), presentazione e discussione di articoli scientifici e casi di studio dall'attualità economica. Oltre a rivolgersi al docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti. L'uso dell'IA è permesso per lo studio individuale e verrà discusso in classe

La presentazione degli studenti frequentanti mira a verificare la capacità di collegare il programma studiato in classe e l’attualità economica con il contenuto di un semplice articolo scientifico in cui vengono applicati gli strumenti di analisi economica appresi nell’insegnamento.

La valutazione della presentazione terrà conto dei seguenti aspetti:

• capacità di comprendere e sintetizzare i contenuti principali dell’articolo scientifico;
• capacità di collegare l’articolo ai temi affrontati durante il corso e all’attualità economica;
• correttezza nell’uso degli strumenti di analisi microeconomica e macroeconomica;
• capacità di trarre implicazioni rilevanti per la gestione d’impresa e/o del capitale umano;
• chiarezza espositiva, uso appropriato della terminologia economica ed efficacia comunicativa;
• qualità, organizzazione e chiarezza delle slide.

L’esame finale mira a verificare l’acquisizione da parte degli studenti delle conoscenze trasmesse nell’insegnamento mediante domande aperte e l’applicazione delle stesse a semplici problemi o esercizi da risolvere.

La valutazione dell’esame finale terrà conto dei seguenti aspetti:

• conoscenza e comprensione dei principali concetti, modelli e strumenti microeconomici e macroeconomici presentati nel corso;
• capacità di utilizzare correttamente la terminologia economica;
• capacità di applicare le conoscenze acquisite alla soluzione di semplici problemi o esercizi;
• capacità di collegare i concetti teorici a fenomeni economici e aziendali;
• chiarezza, completezza e coerenza delle risposte aperte.

• Titolo: Macroeconomia //E, Autori: Mankiw, Gregory e Mark Taylor, Luogo: Bologna, Anno: 2024, Editore: Zanichelli, Note: Copre la parte di macroeconomia.
• Titolo: Manuale di economia del lavoro 2/E, Autori: Brucchi Luchino e Pepi De Caleo, Luogo: Bologna, Anno: 2015, Editore: Il Mulino, Note: Copre la parte di economia del lavoro e del personale.

1.Conoscenze e comprensione

• comprendere le misure e le rappresentazioni delle strutture di popolazione;
• comprendere i principali processi demografici (fecondità, mortalità e migrazioni);
• comprendere le relazioni tra dinamiche demografiche, sviluppo economico e cambiamento sociale;
• conoscere le principali teorie del cambiamento demografico;

2.Capacità di applicare conoscenza e comprensione

• calcolare e interpretare indicatori demografici, tavole e piramidi delle età;
• utilizzare con padronanza i principali strumenti dell'analisi demografica;
• valutare criticamente la qualità e i limiti delle fonti demografiche nazionali e internazionali disponibili; 
• effettuare semplici analisi demografiche con dati reali utilizzando Excel e R;
• applicare il ragionamento demografico all'analisi di fenomeni economici e sociali.
• interpretare i principali trend demografici a livello nazionale e internazionale

·      3.Autonomia di giudizio e capacità di analisi critica dei fenomeni demografici;

• capacità di collegare teoria, dati ed evidenze empiriche;
• capacità di discutere temi di rilevanza pubblica sulla base di dati demografici;
• valutare in autonomia le implicazioni del cambiamento demografico per il welfare, il mercato del lavoro, la salute e le disuguaglianze.

4. Abilità comunicative

• capacità di interpretare e comunicare correttamente i risultati di analisi demografiche sia oralmente che per iscritto;
• capacità di sostenere la propria posizione in un dibattito guidato sulle diverse sfide demografiche 

5. Capacità di apprendimento

• La capacità acquisita di individuare opportunamente le fonti demografiche e i metodi di analisi appresi permetteranno agli studenti di svolgere ricerche demografiche di base in autonomia

1. Oggetto della demografia e principali fonti statistiche per lo studio delle popolazioni. Crescita della popolazione, componenti del cambiamento demografico e bilancio demografico. Principali dataset demografici nazionali e internazionali.
2. Popolazione e sviluppo nel lungo periodo. La crescita della popolazione mondiale. Le principali teorie del cambiamento demografico: Malthus, Boserup e la transizione demografica. L'esperienza italiana e internazionale.
3. Struttura della popolazione per età, sesso e altre caratteristiche socio-demografiche. Indicatori sintetici, rappresentazioni grafiche e analisi di dati demografici. Invecchiamento della popolazione e sue implicazioni economiche e sociali.
4. Misure e metodi dell'analisi demografica. Tassi generici e specifici, probabilità, approcci trasversali e longitudinali. Standardizzazione diretta e indiretta. Analisi e visualizzazione di dati demografici mediante Excel e R.
5. Mortalità, sopravvivenza e longevità. Tavole di mortalità, speranza di vita, transizione epidemiologica e rivoluzione della longevità. Mortalità infantile e differenze territoriali e socioeconomiche nella salute.
6. Salute delle popolazioni, cause di morte e fattori di rischio. Indicatori di salute e longevità in buona salute. Differenze di genere nella mortalità e nella salute.
7. Fecondità e riproduttività. Misure longitudinali e trasversali, intensità e cadenza della fecondità, fecondità per ordine di nascita e ricambio delle generazioni. Le teorie sulla bassa fecondità.
8. Famiglie e comportamenti familiari. Formazione e scioglimento delle unioni, nuzialità e divorzialità. Cambiamenti della famiglia nel contesto italiano ed europeo e teorie).
9. Mobilità e migrazioni interne e internazionali: fonti, misure, determinanti e tendenze recenti.
10. Introduzione alle prospettive di popolazione. Metodi di previsione, ipotesi demografiche, scenari e interpretazione delle proiezioni di popolazione.
11. Le sfide demografiche contemporanee: invecchiamento, bassa fecondità, migrazioni, salute delle popolazioni, cambiamenti del mercato del lavoro, sostenibilità dei sistemi di welfare e sostenibilità ambientale.

Statistica 1

Lezioni frontali, integrate da attività pratiche di analisi e visualizzazione di dati demografici mediante Excel e R.

Durante l'insegnamento saranno inoltre proposte discussioni guidate a gruppi su letture e casi studio relativi ai principali temi trattati, finalizzate a sviluppare la capacità di interpretare criticamente dati ed evidenze empiriche.

Durante l'insegnamento potranno essere utilizzati strumenti di intelligenza artificiale generativa (ad es. ChatGPT) come supporto alle attività di apprendimento e alle discussioni guidate. Particolare attenzione sarà dedicata alla valutazione critica delle informazioni prodotte da tali strumenti, verificandone l'accuratezza e il supporto in fonti scientifiche affidabili, poiché i sistemi di IA possono talvolta generare informazioni inesatte o riferimenti bibliografici non esistenti. L'utilizzo di strumenti di intelligenza artificiale generativa non è invece consentito durante le prove d'esame.

La valutazione è finalizzata ad accertare:

• la conoscenza dei principali fenomeni e metodi demografici trattati nell'insegnamento,
• la capacità di calcolare e interpretare correttamente i principali indicatori demografici e di utilizzare fonti di dati relativi alla popolazione
• la capacità di analizzare criticamente le relazioni tra dinamiche demografiche, cambiamento sociale e sviluppo economico.

Livi Bacci, M. Introduzione alla Demografia. Loescher Editore.

Livi Bacci, M. Storia minima della popolazione del mondo e uno sguardo al futuro. Il Mulino.

Lo scopo dell'insegnamento è di introdurre gli studenti alla comprensione delle principali caratteristiche delle serie storiche e di guidarli alla costruzione e all'uso di semplici modelli per questo tipo di dati. Al termine dell'insegnamento lo studente dovrà essere in grado di: (i) riconoscere la tipologia e la struttura dei dati da analizzare; (ii) confrontare metodi e modelli presentati durante l'insegnamento e scegliere quelli più adatti alla soluzione; (iii) identificare, partendo dai dati ed usando la giusta metodologia, il/i modello/i corretto/i da utilizzare e, nel caso di più modelli identificati, confrontare e selezionare il migliore seguendo specifici criteri; (iv) acquisire la capacità di analizzare e interpretare in modo critico i risultati ottenuti; (v) leggere ed interpretare i risultati derivanti da un’analisi statistica applicata a serie storiche reali.

Le attività prevedono 48 ore di lezioni frontali che comprendono lezioni teoriche accompagnate da esercizi alla lavagna per meglio far comprendere quanto enunciato. A queste ore saranno affiancate 16 ore di lezione in aula informatica, con gli scopi: (i) di insegnare ad utilizzare un pacchetto statistico di libero dominio e (ii) di applicare a serie di dati reali le metodologie statistiche illustrate a lezione. Oltre a rivolgersi al docente dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Durante la prova d’esame non è ammesso l’utilizzo di alcun materiale didattico, nè accesso a Internet, nè l’utilizzo di strumenti di intelligenza artificiale generativa.

Tramite le due prove in cui si articola l'esame si valuteranno: 1. la conoscenza e la comprensione degli argomenti trattati durante l'insegnamento; 2. la capacità di risolvere semplici problemi di natura teorica, applicando in modo non meccanico quanto appreso durante l'insegnamento; 3. la capacità di analizzare serie di dati reali applicando in modo critico le tecniche acquisite.

• Titolo: Serie storiche economiche: analisi statistiche e applicazioni, Autori: Di Fonzo T., Lisi F., Luogo: Roma, Anno: 2005, Editore: Carocci, Note: --.

Lo stage è un’esperienza formativa che studenti e studentesse svolgono in aziende, enti pubblici e privati, studi professionali, fondazioni..

Durante lo stage ci si avvicina al mondo del lavoro e alle sue dinamiche, si acquisiscono competenze tecniche e si migliorano le soft skills.

Per gli iscritti ai corsi di laurea triennale del Dipartimento di Scienze Statistiche lo stage è facoltativo ma è sicuramente un’occasione per arricchire il proprio bagaglio formativo.

Tutti gli stage possono essere svolti in Italia o all’estero, purché i soggetti ospitanti abbiano una convenzione con l’Università di Padova.

Per gli stage in Europa si può fare domanda per una delle borse del programma Erasmus+ for Traineeships, che prevede una copertura delle spese e la possibilità di svolgere attività di stage o la tesi.

Per concludere la laurea triennale (vedere Prova Finale) lo studente deve discutere un elaborato scritto (Relazione finale) e il tema può essere concordato con un docente o incentrarsi sull'attività di stage curriculare.

Lo stage curriculare è facoltativo ma deve essere inserito regolarmente nel piano di studi e prevedere un impegno di 350 ore.

Lo stage si svolge di solito al 3° anno, quando mancano al massimo 4 esami per completare il proprio piano di studio.

La statistica sociale concerne lo sviluppo e l’applicazione di metodi statistici per l’analisi di fenomeni sociali, come i processi educativi, le dinamiche lavorative e di povertà, i consumi, la partecipazione elettorale, ecc. I fenomeni sociali presentano diverse peculiarità, tra cui la multidimensionalità e la presenza di variabili di diversi tipi, spesso categoriali. Pertanto, l'insegnamento si propone di sviluppare le competenze degli studenti relative all’analisi della dipendenza tra variabili socio-economiche categoriali o di natura mista.

Si affronterà, inoltre, un’altra sfida tipica della statistica sociale: quella della valutazione di servizi o politiche sociali e sanitarie pubbliche o private. Tipicamente le dimensioni su cui un servizio o una politica intende agire, o sui quali opera anche involontariamente, sono molteplici. Pertanto, lo statistico sociale deve saper sviluppare un sistema di indicatori semplici e compositi adeguato. L'apprendimento della metodologia per la costruzione di indicatori compositi sarà utile non solo in ambito valutativo, ma avrà anche applicazioni più ampie, come la costruzione di misure di povertà e di benessere socio-economico a livello sia individuale che macro.

Pertanto, l'insegnamento mira all'ottenimento dei due macro-obiettivi e un obiettivo trasversale:

1.Macro-obiettivo “DESCRIZIONE E ANALISI DEI FENOMENI SOCIALI”

1.a) essere in grado di progettare uno studio di analisi statistica formulando in modo coerente le domande di ricerca e le ipotesi di analisi;

1.b) essere in grado di scegliere, in funzione delle ipotesi di ricerca, della scala di misura delle variabili e della struttura dei dati, i metodi statistici appropriati per l’analisi delle relazioni tra fenomeni sociali ed economici;

1.c) saper descrivere e interpretare in modo essenziale, corretto e rigoroso i risultati delle elaborazioni statistiche, distinguendo tra evidenze descrittive, relazioni di associazione e ipotesi di dipendenza.

2. Macro-obiettivo “VALUTAZIONE DI POLITICHE, INTERVENTI E SERVIZI”

2.a) saper impostare la valutazione di un servizio o di un intervento pubblico, individuandone obiettivi, esiti e criteri di analisi;

2.b) saper costruire un sistema di indicatori coerente con le finalità di progettazione e valutazione di servizi, politiche o interventi, riconoscendone ipotesi, limiti e ambiti di utilizzo;

2.c) saper costruire e interpretare indicatori semplici e compositi, inclusi indicatori basati su informazioni longitudinali e sull’analisi delle sequenze, per la valutazione degli esiti e dei processi;

2.d) riuscire a presentare in modo chiaro, sintetico e strutturato un sistema di valutazione e i relativi risultati, evidenziandone le principali implicazioni operative e decisionali.

3. Obiettivo trasversale

Obiettivo trasversale dell'insegnamento è sviluppare la capacità di:

3.a) applicare correttamente le tecniche di analisi statistica attraverso l’uso di software di analisi dei dati (ad es. R o SAS);

3.b) leggere e produrre output statistici in modo consapevole, critico e orientato all’interpretazione dei risultati.

DESCRIZIONE DEI FENOMENI

Metodologia e tecniche della ricerca sociale

Impostazione di una ricerca sociale di tipo quantitativo: dalla domanda di ricerca alla realizzazione della ricerca

Analisi descrittiva bivariata

Frequenze assolute, percentuali, marginali e condizionate

Lettura e interpretazione delle tabelle

Associazione e dipendenza

Quadro concettuale dell’analisi della dipendenza

Dipendenza simmetrica e dipendenza asimmetrica

Associazione, cograduazione e correlazione

VALUTAZIONE DI POLITICHE, INTERVENTI E SERVIZI

Indicatori

Costruzione di indicatori semplici e compositi

Disegni di studio e causalità

Introduzione a dipendenza e causalità

Disegni di studio

Richiami alla modellizzazione variabili continue, dicotomiche, di conteggio e categoriali

Controllo del confondimento (matching, weighting, propensity score)

Effetto di moderazione

Modelli per dati di durata

Cenni al metodo difference-in-difference

FONTI DEI DATI SOCIALI E NORMATIVA SULL’UTILIZZO DEI DATI INDIVIDUALI

Principali fonti di dati aggregati e individuali

Fonti ufficiali e non ufficiali

GDPR

LABORATORIO DI ANALISI DEI DATI SOCIALI

Tecniche applicate di analisi dei dati sociali tramite i principali software statistici (R, SAS)

È richiesta la conoscenza degli elementi fondamentali di statistica descrittiva e inferenziale e la conoscenza basilare del software R

L'insegnamento sarà condotto sia tramite lezioni frontali, sia tramite laboratori per l’analisi di dati.Verranno proposte varie attività pratiche di analisi di dati reali su varie tematiche sociali (differenze di genere, questioni ambientali, povertà, comportamenti politici, benessere). 

Oltre a rivolgersi ai docenti dell'insegnamento, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Verrano valutati i seguenti aspetti:

• Conoscenza e comprensione dei principali metodi e strumenti della statistica sociale.
• Capacità di applicare le tecniche statistiche appropriate all'analisi di dati sociali reali, motivando le scelte metodologiche effettuate.
• Capacità di interpretazione critica dei risultati statistici, con particolare attenzione ai limiti delle analisi e alle implicazioni sostanziali dei risultati.
• Capacità di progettare e sviluppare un'indagine empirica, dalla formulazione della domanda di ricerca alla presentazione e discussione dei risultati.
• Capacità di valutazione critica di lavori di ricerca, analizzando la coerenza tra obiettivi, metodologia, analisi dei dati e conclusioni.
• Chiarezza espositiva e utilizzo appropriato del linguaggio statistico nella redazione del report, nella presentazione del proprio elaborato e nella discussione critica del lavoro assegnato.

Corbetta, P., Gasperoni, G., & Pisati, M. (2001). Statistica per la ricerca sociale. Bologna: Il Mulino.

Agresti,Alan, Metodi statistici di base e avanzati per le scienze sociali. Milano Torino: Pearson Italia, 2012. 

Altri testi consigliati:

Fogarty, B. J. (2023). Quantitative Social Science Data with R: An Introduction (2nd ed.). Sage Publications. 

Delwiche, L. D., & Slaughter, S. J. (2019). The Little SAS Book: A Primer (6th ed.). Cary, NC: SAS Institute.

Per concludere la laurea triennale lo studente o studentessa oltre all'esperienza di stage (vedi Stage), può scegliere di intraprendere il cosiddetto Tirocinio Formativo; questo si realizza concordando con un docente afferente al Dipartimento di Scienze Statistiche un argomento da approfondire con metodologie e strumenti statistici di analisi dei dati. Il docente assume il ruolo di relatore e segue il laureando nello sviluppo concettuale e metodologico degli argomenti correlati al tema. Al termine del tirocinio, nelle sessioni stabilite dal calendario accademico, si discute la relazione finale con una commissione opportunamente formata (vedere anche Prova Finale).