Obiettivi Formativi

Conoscenza e capacità di comprensione (knowledge and understanding): Lo studente al termine del corso avrà conoscenza di alcuni argomenti di Statistica Univariata e Multivariata di livello superiore rispetto a quelli appresi nella laurea triennale ed in particolare: - nell’ambito della parte dedicata all’analisi uni variata avrà conoscenza delle tecniche di analisi classica delle serie temporali, dell’analisi moderna e della teoria delle Reti Neurali a scopi previsivi; nell’ambito della parte dedicata all’analisi multivariata avrà conoscenza delle tecniche di regressione e correlazione multipla, analisi delle componenti principali, analisi fattoriale, analisi delle corrispondenze e cluster analysis. Le tecniche esposte possono essere impiegate in qualsiasi campo di ricerca empirica, ma la selezione degli argomenti, come la loro trattazione, è stata effettuata tenendo presenti i problemi che si incontrano, comunemente, nella ricerca empirica afferente al economico ed aziendale. Conoscenza e capacità di comprensione applicate (applying knowledge and understanding): Lo studente sarà in grado di comprendere ed eventualmente ricercare soluzioni avanzate di analisi esplorativa nel campo economico-aziendale generalista e tipiche degli ambiti dell’analisi di mercato e marketing. Autonomia di giudizio (making judgements): Lo studente sarà in grado di adeguare e generalizzare idee e tecniche acquisite per trattare anche situazioni e problemi non esplicitamente affrontati nel corso. Abilità comunicative (communication skills): Lo studente acquisirà la capacità di esprimere e comunicare problemi ed argomenti inerenti al corso. Imparerà a formalizzare problemi concreti, utilizzando gli strumenti acquisiti. Capacità di apprendere (learning skills) : Lo studente apprenderà come, in campo economico, sia a volte necessario o quantomeno utile imparare determinate metodiche per poter formulare in modo efficace e quindi “risolvere” problemi, apparentemente molto difficili, di analisi esplorativa sia a livello descrittivo che di sintesi. Modalità di accertamento : Esame orale tendente ad accertare conoscenze e capacità di comprensione applicate.

Learning Goals

At the end of the course the student will have knowledge of some topics of Statistics Univariate and Multivariate higher level than those learned in the first degree and in particular:- In the part devoted to analyzing univariate have knowledge of the techniques of classical analysis of time series analysis and the modern theory of Neural Networks for forecasting purposes; - In the part dedicated to the multivariate analysis will have knowledge of the techniques of regression and multiple correlation, principal component analysis, factor analysis, correspondence analysis and cluster analysis. The techniques presented can be used in any field of empirical research, but the selection of topics, such as their treatment has been carried out taking into account the problems that are encountered commonly in empirical research relating to economic and corporate. Assessment method: Oral examination aimed at ascertaining knowledge and understanding applied.

Metodi didattici

Lezioni frontali

Teaching Methods

Lectures

Prerequisiti

Matematica: Funzioni, limiti, derivate e algebra matriciale. Statistica descrittiva : I dati e loro organizzazione ; Il confronto tra informazioni ; Indici di sintesi. Statistica inferenziale : Elementi di base di calcolo delle probabilità ; Le principali distribuzioni di probabilità ; Inferenza (concetti base) ; Teoria della stima ; Verifica delle ipotesi ; Estrazioni campionarie e numerosità campionaria.

Prerequisites

Mathematics introduction and basics of learning. Statistical inference: Calculus-based introduction to the theory of statistics. useful distributions, law of large numbers and central limit theorem, point estimation, hypothesis testing, confidence intervals, maximum likelihood, likelihood ratio tests, nonparametric procedures, theory of least squares and analysis of variance.

Verifiche dell'apprendimento

esame orale

Assessment

oral examination

Programma del Corso

Introduzione e basi d’apprendimento (Statistica) ; Statistica inferenziale: Elementi di base di calcolo delle probabilità; Le principali distribuzioni di probabilità: la distribuzione binomiale, la distribuzione normale; Metodi di campionamento; Inferenza (concetti base); Teoria della stima; Stima di μ e σ; Verifica delle ipotesi; Test statistici: z, t, χ2, F; Test su coefficienti di regressione; ANOVA Analisi uni variata : 1. L’analisi classica delle serie storiche; 2. Metodi di previsione; 3. L’analisi Moderna : processi stocastici e modelli ARIMA; 4. Reti Neurali; Analisi multivariata : 1. Nozioni di base su Vettori, Matrici e Spazi Vettoriali; 2. La natura dei dati: alcuni concetti fondamentali; 3. Elementi fondamentali della statistica bivariata e multivariata; 4. Analisi Fattoriale e Analisi delle Componenti Principali; 5. Analisi delle Corrispondenze; 6. Cluster Analysis

Course Syllabus

Mathematics introduction and basics of learning; Statistical inference: calculus-based introduction to the theory of statistics. useful distributions, law of large numbers and central limit theorem, point estimation, hypothesis testing, confidence intervals, maximum likelihood, likelihood ratio tests, nonparametric procedures, theory of least squares and analysis of variance. Univariate analysis (time series): exploratory analysi, decomposition : trend and season estimation, modern analysis : stochastic process and ARIMA model ( autoregressive integrated moving average), prediction and forecasting, neural network for time series. Multivariate analysis: matrix analysis and vector spaces, multivariate regression and correlation, factor and principal component analysis, correspondence analysis, cluster analysis.