Inferenza Statistica [Italiano]
Università di Napoli Federico II
Prerequisiti: A first class in basic Statistics. A first class in Mathematics is not mandatory but it is useful for easier understanding technical aspects.
Obiettivi: Il corso intende fornire le conoscenze metodologiche ed applicative dell’inferenza statistica, fondamento indispensabile per l’analisi quantitativa nei diversi ambiti in cui è necessario ricorrere a dati campionari. Partendo dallo spazio campionario e da una sua efficace sintesi attraverso una statistica campionaria, vengono presentati le principali caratteristiche di una statistica e il suo utilizzo ai fini della stima e della verifica di ipotesi su un parametro della popolazione. Oltre alle distribuzioni esatte delle principali statistiche campionarie, vengono introdotti i metodi numerici per ottenere le distribuzioni approssimate nel caso in cui le ipotesi teoriche richieste dalle procedure classiche siano troppo restrittive. La logica del processo inferenziale viene introdotta sia sotto il profilo teorico che sotto il profilo applicativo.
Contenuto: Campioni casuali e distribuzioni campionarie, Statistiche campionarie per i problemi ad una popolazione, Statistiche campionarie per i problemi a due popolazioni, Funzione di verosimiglianza, Sufficienza e sufficienza minimale di una statistica, Teoria della stima, Verifica di ipotesi, Intervalli di confidenza, Analisi della varianza, Campionamento statistico.
Testi adottati
- Statistica per le decisioni (III edizione), Il Mulino (2020)
Domenico Piccolo
Textbook for English students
- Statistics: Principles and Methods, Pearson (2020)
Giuseppe Cicchitelli - Pierpaolo D’Urso - Marco Minozzo
Materiale didattico: Materiale aggiuntivo, articoli, letture e compiti a casa saranno fornite sulla piattaforma LMS associata alla classe.
Statistical Computing with R [English]
University of Naples Federico II
Prerequisites: No formal prerequisites requested.
Aim: Aim of the course is to provide students with a broad overview of basic statistical methods. Room is devoted to applications and case studies. Students will learn statistics by doing, exploiting R, a popular open-source software for data analysis. Emphasis on the applications of the techniques and on the interpretation of results will help students to appreciate the relevance of the statistical tools in their study context.
Content: Data trasformation. Tidy data. Relational data. Tabular representation of a distribution. Graphical representation of a distribution. Univariate and bivariate statistical summaries. Statistical reporting. Dashboard. Reproducibility.
Textbooks
- R for Data Science, O’Reilly
Garrett Grolemund - Hadley Wickham - Intuitive Introductory Statistics, Springer (2017) [first two chapters]
Douglas A. Wolfe - Grant Schneider
Teaching materials: Supplementary materials, articles, readings and homeworks will be provided through the LMS platform associated to the class.
Statistica Psicometrica [Italiano]
Università di Napoli Federico II
Prerequisiti: No formal prerequisites requested.
Obiettivi: Il corso intende fornire le conoscenze metodologiche ed applicative delle metodologie di base della statistica psicometrica, fondamento indispensabile per l’analisi quantitativa nell’ambito delle scienze psicologiche e cognitive, più in generale. Il corso introduce le scale di misura e fornisce cenni alla teoria della misurazione. Sono presentati i concetti di collettivo, popolazione e campione e di unità statistica. L’analisi descrittiva univariata e bivariata precede la parte dedicata all’inferenza statistica. La logica del processo inferenziale viene proposta sotto il profilo applicativo più che teorico, focalizzando l’attenzione sul significato di test statistico. Alcuni cenni ai fondamenti del calcolo delle probabilità, con particolare attenzione al teorema di Bayes, completano il programma.
Contenuto: Introduzione e lessico di base. Rappresentazione tabellare di una distribuzione. Rappresentazione grafica di una distribuzione. Statistiche descrittive. Probabilità. Modelli teorici. Inferenza statistica. Studio della relazione tra caratteri. Contesti applicativi e metodi. Analisi della varianza.
Testi adottati (in alternativa)
- Fondamenti di Psicometria (III edizione), McGraw-Hill (2020)
Carlo Chiorri - Fondamenti di Statistica, Pearson (2018)
Arthur Aaron - Elliot J. Coups - Elaine N. Aron - Psicometria. Fondamenti, metodi e applicazioni, Il Mulino (2008)
Stefania Mannarini
Textbook for English students
Materiale didattico: Materiale aggiuntivo, articoli, letture e compiti a casa saranno fornite sulla piattaforma LMS associata alla classe.
Dati e Modelli Statistici per le Decisioni Aziendali [Italian]
Università “Suor Orsola Benincasa”
Prerequisiti: Anche se non sono previste propedeuticità, è consigliabile riguardare gli argomenti trattati nel corso di base di Statistica.
Obiettivi: Il corso intende fornire gli strumenti quantitativi di base che permettono di descrivere e analizzare dati di natura bivariata e multivariata provenienti da diversi contesti applicativi. Alla fine del corso gli studenti avranno acquisito: conoscenza degli elementi fondamentali dei metodi e modelli per l’analisi di dati univariati e multivariati; competenze pratiche e operative relative alla visualizzazione, analisi ed interpretazione di dati pertinenti l’analisi economico-aziendale; la capacità di progettare e realizzare un’analisi empirica su dati bivariati e multivariati.
Contenuto: Introduzione alle tecniche di Data Analytics: il processo di analisi, applicazioni dell’analisi, definizione del problema. Introduzione a Knime: funzionalità di base, il workbench, estensioni e integrazioni, tipi di dati, variabili di flusso, cicli, metanodi e componenti, reporting. Preparazione dei dati: pulizia dei dati, valori mancanti, codifica e manipolazione. Riduzione della dimensionalità: correlazione, analisi delle componenti principali. Modelli di regressione: regressione dei minimi quadrati, regressione semplice e multipla, codifica di variabili nominali e ordinali, regressione non lineare, accuratezza predittiva, regressione logistica. Previsione: caratteristiche e decomposizione delle serie temporali, modelli di regressione delle serie temporali, smoothing esponenziale, modelli ARIMA. Alberi di classificazione e regressione. Naive Bayes. K-Nearest Neighbors. Reti neurali. Modelli ensemble. Analisi dei gruppi (cluster analysis).
Testi adottati
- Predictive Analytics with KNIME, Springer, 2023
Frank Acito - Practical Machine Learning Illustrated with KNIME, Springer, 2024
Yu Geng, Qin Li, Geng Yang, Wan Qiu - Forecasting: principles and practice (3rd edition), oText, 2022
Rob J Hyndman and George Athanasopoulos
Edizione italiana a cura di Domenico Vistocco e Tommaso di Fonzo
Materiale didattico: Materiale aggiuntivo, articoli, letture e compiti a casa saranno fornite sulla Google Classroom Unisob associata alla classe.
Anni accademici precedenti
| a.y. | Class | Language | University |
|---|---|---|---|
| 2019 - 2022 | Production Process Control | Inglese | Federico II di Napoli |
| 2018 - 2019 | Business Statistics | Inglese | Cassino |
| 2003 - 2018 | Statistica | Italiano | Cassino |
| 2003 - 2019 | Statistica (corso singolo) | Italiano | Cassino |
| 2017 - 2018 | Data Analysis with R | Inglese | Marthin Luther Universitat |
| 2016 - 2017 | Advanced Linear Models | Inglese | Marthin Luther Universitat |
| 2013 - 2017 | Statistics for Economics and Business | Inglese | Cassino |
| 2008 - 2013 | Elementi di inferenza statistica | Italiano | Cassino |
| 2008 - 2018 | Modelli per dati Economico-Finanziari | Italiano | Cassino |
| 2014 - 2015 | Statistica e Ricerca Operativa | Italiano | Cassino |
| 2002 - 2005 | Programmazione per la Statistica | Italiano | Federico II di Napoli |
| 1999 - 2001 | Informatica di Base | Italiano | Campania “Luigi Vanvitelli” |