Offerta Didattica
INFORMATICA
STATISTICAL METHODS AND MODELS
Classe di corso: L-31 - Scienze e tecnologie informatiche
AA: 2022/2023
Sedi: MESSINA
SSD | TAF | tipologia | frequenza | moduli |
---|---|---|---|---|
SECS-S/06 | Affine/Integrativa | Libera | Libera | No |
CFU | CFU LEZ | CFU LAB | CFU ESE | ORE | ORE LEZ | ORE LAB | ORE ESE |
---|---|---|---|---|---|---|---|
6 | 4 | 0 | 2 | 48 | 24 | 0 | 24 |
LegendaCFU: n. crediti dell’insegnamento CFU LEZ: n. cfu di lezione in aula CFU LAB: n. cfu di laboratorio CFU ESE: n. cfu di esercitazione FREQUENZA:Libera/Obbligatoria MODULI:SI - L'insegnamento prevede la suddivisione in moduli, NO - non sono previsti moduli ORE: n. ore programmate ORE LEZ: n. ore programmate di lezione in aula ORE LAB: n. ore programmate di laboratorio ORE ESE: n. ore programmate di esercitazione SSD:sigla del settore scientifico disciplinare dell’insegnamento TAF:sigla della tipologia di attività formativa TIPOLOGIA:LEZ - lezioni frontali, ESE - esercitazioni, LAB - laboratorio
Obiettivi Formativi
Il corso si propone di presentare le nozioni di base della probabilità e della statistica, mettendo in evidenza come esse possano essere applicate per l’analisi dei dati e lo studio scientifico dei fenomeni aleatori. A tal scopo, ci si propone di affrontare vari aspetti riguardanti gli elementi di base del calcolo delle probabilità, le tecniche della statistica descrittiva e i metodi delle statistica inferenziale.Learning Goals
Metodi didattici
La didattica è somministrata mediante lezioni frontali teoriche e pratiche, con il supporto della video-proiezione di presentazioni Power Point.Teaching Methods
Prerequisiti
Conoscenze di base del calcolo matematico. Conoscenze della struttura algebrica dei numeri reali, delle funzioni, del calcolo differenziale ed integrale.Prerequisites
Verifiche dell'apprendimento
La verifica dell’apprendimento ai fini del superamento dell’esame finale avviene attraverso una prova scritta diretta ad accertare la conoscenza della disciplina, sotto il profilo teorico e pratico. La valutazione è effettuata in trentesimi (soglia minima di sufficienza 18/30).Assessment
Programma del Corso
Introduzione - Esempi di modelli Statistica descrittiva; Variabili, mutabili, classi, frequenze; Rappresentazione dei dati; Indici della posizione; Quantili percentili, Scarti, Asimmetria di una distribuzione; Indici per dati raggruppati; Box Plot; Osservazione congiunta di due variabili; Indici di una distribuzione doppia; Regressione lineare semplice; Metodo dei minimi quadrati; Frequenze nel caso bivariato; Le frequenze marginali; Le frequenza cumulata; La frequenza relativa condizionata Introduzione all'algebra dell'incerto; Definizioni di probabilità; La definizione nel caso discreto finito; La definizione assiomatica; Calcolo combinatorio; Esempi di calcolo di probabilità con tecniche di conteggio; Spazio dei casi possibili (campionario) e spazio degli eventi; Probabilità e sue proprietà; Probabilità condizionata; Indipendenza; Affidabilità. Variabili aleatorie; Funzione di ripartizione e proprietà nel caso discreto e continuo; Funzione di ripartizione condizionata. Media; varianza; Mediana, quantili e percentili; Momenti; Disuguaglianza di Markov; Disuguaglianza di Chebyscev Distribuzione uniforme discreta, di Bernoulli, binomiale B(n,p), ipergeometrica; geometrica; binomiale negativa; di Poisson. Distribuzione uniforme continua; esponenziale; gamma; normale.Course Syllabus
Testi di riferimento: James G., Witten D., Hastie T., Tibshirani R. (2017). An Introduction to Statistical Learning with Applications in R, Springer, New York.
Esami: Elenco degli appelli
Elenco delle unità didattiche costituenti l'insegnamento
Docente: DAVID BARILLA
Orario di Ricevimento - DAVID BARILLA
Giorno | Ora inizio | Ora fine | Luogo |
---|---|---|---|
Martedì | 15:00 | 17:00 | Stanza Docente - Dipartimento di Economia - Piano Terra - Plesso Ex Lettere. |
Note: