Corsi di Studio del Dipartimento di Economia e Statistica "Cognetti de Martiis"

MODULO DI SIMULAZIONE
Conoscenze di medio livello di inferenza statistica e calcolo delle probabilità

MODULO DI SIMULAZIONE

Il corso si pone obiettivi di formazione delle competenze, legati dal riferimento all'impiego di strumenti informatici in ambito statistico, relativi alle procedure di simulazione come strumento per la verifica empirica delle proprietà delle variabili aleatorie e delle procedure di inferenza statistica, nonché come strumenti per l'approssimazione del loro comportamento quando non sono disponibili al ricercatore risultati analitici.

Funzioni in un contesto professionale e sbocchi occupazionali: l'insegnamento è di natura metodologica ed è propedeutico agli insegnamenti successivi. Esso quindi non configura direttamente specifiche funzioni professionali, ma fornisce strumenti che permettono di affrontare in modo flessibile e innovativo i più complessi problemi analitici dei casi trattati nei centri studi pubblici, di banche e grandi aziende.

MODULO DI CODING

L’insegnamento ha come obiettivi formativi principali l'acquisizione delle competenze necessarie nell’ambito della Data Science e dell'Analisi dei Dati. In particolare, l’insegnamento si propone di fornire una solida base di conoscenze sui fondamenti della Data Science, comprese le tecniche di esplorazione e comunicazione dei risultati. Inoltre, l’insegnamento mira a fornire una formazione avanzata sul coding con R, inclusi i fondamenti di programmazione e l'utilizzo dei pacchetti R per l'analisi dei dati. Al termine del corso, gli studenti e le studentesse dovrebbero essere in grado di applicare queste competenze in progetti di data science reali e di contribuire in modo significativo allo sviluppo di soluzioni di data science in diversi settori.

MODULO DI SIMULAZIONE

Conoscenza e capacità di comprensione: acquisizione dei concetti di casualità, di casualità simulata e della logica degli algoritmi di simulazione su computer

Conoscenza e capacità di comprensione applicate: capacità di implementare e svolgere su personal computer procedure di simulazione di esperimenti casuali, di valutazione empirica del comportamento di statistiche campionarie mediante simulazione approssimata dello spazio campionario, di definizione e studio della verosimiglianza, nonchè dell'uso di semplici metodi di ricampionamento

Autonomia di giudizio: il corso permette di comprendere come lo studio di simulazione fornisca strumenti critici per la valutazione ed eventuale validazione empirica di metodi di inferenza statistica le cui proprietà risultano difficili o impossibili da individuare analiticamente.

Abilità comunicative: sollecitate attraverso il dialogo a lezione.

Capacità di apprendere: studenti e studentesse saranno in grado di comprendere tanto situazioni concrete quanto contributi tecnici e scientifici sul tema.

MODULO DI CODING

Si prevede l'apprendimento della terminologia scientifica e la capacità di comprensione degli aspetti teorici ed applicativi relativi alla Data Science, all’utilizzo di R per la manipolazione e analisi dei dati.
Gli studenti e le studentesse dovranno essere in grado di applicare i metodi e gli strumenti acquisiti per aggiornare ed approfondire i contenuti studiati, anche in contesti professionali, e per intraprendere studi successivi.

MODULO DI SIMULAZIONE

Il concetto di aleatorietà, numeri casuali e pseudo-casuali. Algoritimi di generazione di numeri pseudo casuali: evoluzione ed esempi, test di casualità. Simulazione di estrazioni da distribuzioni arbitrarie, discrete e continue. Verifica empirica dei principali teoremi del calcolo delle probabilità. L'approssimazione simulata dello spazio campionario: studio empirico delle proprietà delle statistiche campionarie. Procedure di verifica di ipotesi: analisi della significatività e potenza di un test tramite simulazione. La simulazione su modelli di regressione. Introduzione ai metodi di ricampionamento; jacknife e bootstrap. Esempi e casi particolari.

MODULO DI CODING

- Recap sul linguaggio di programmazione R e al suo ambiente di sviluppo RStudio
- Fondamenti di programmazione con R: import/export, variabili, funzioni, cicli e condizioni
- Utilizzo dei pacchetti R per la visualizzazione e l'analisi dei dati, tra cui ggplot2, dplyr e tidyverse
- Rmarkdown per la produzione di report di analisi dei dati
- Applicazione su esempi ed esercitazioni anche relative a metodi di simulazione per la statistica

MODULO DI SIMULAZIONE

L'intero corso si svolgerà in modo interattivo e in presenza, attraverso lavoro costante in laboratorio in cui i concetti introdotti verranno valutati e poi applicati e verificati in esempi concreti di simulazione e utilizzo di algoritmi.

MODULO DI CODING

L’insegnamento è strutturato in 36 ore di didattica (6 CFU), suddivise in lezioni da 2 ore in base al calendario accademico. La didattica si costituisce di lezioni teoriche e pratiche ed è erogata in presenza. I materiali dell’insegnamento saranno fruibili sulla pagina Moodle dell'insegnamento.

MODULO DI SIMULAZIONE

La verifica dell'apprendimento verrà svolta con una prova pratica al Computer, nella quale si sarà chiamati a progettare, produrre e utilizzare dati statistici simulati a fini di inferenza statistica e calcolo delle probabilità. Gli esami si svolgeranno in aula informatica.

MODULO DI CODING

L'apprendimento verrà valutato attraverso un esame scritto. La prova scritta, della durata di 45 minuti, propone esercizi semi-strutturati volti a verificare il grado di acquisizione dei concetti e delle metodologie di progettazione e realizzazione di soluzioni per problemi di Data Science, usando costrutti del linguaggio R. Il punteggio della valutazione finale è espresso con un numero compreso tra 1 e 30 e lode (dove 18 è il valore minimo per considerare l'esame come superato).

MODULO DI CODING

Esercitazione di autovalutazione in corso di apprendimento saranno somministrate attraverso la piattaforma Moodle.