Course Syllabus
Obiettivi formativi
Fornire agli studenti le competenze per analizzare ed estrarre informazione da strutture dati temporalmente ordinate e spazialmente distribuite, sviluppando sia la comprensione teorica delle metodologie statistiche che la capacità pratica di elaborazione.su dataset reali.
Contenuti sintetici
Analisi delle serie storiche univariate.
Analisi delle serie storiche multivariate.
Elementi di analisi di dati spaziali.
Programma esteso
Struttura di una serie storica univariata: trend, stagionalità e componente casuale.
Obiettivi dello studio di una serie storica: decomposizione e previsione.
Modelli di previsione per serie storiche stazionarie: AR, MA, ARMA.
Modelli di previsione e decomposizione per serie storiche non stazionarie: ARIMA, UCM, ETS.
Stima, valutazione e selezione dei modelli per serie storiche univariate.
Modelli per serie storiche multivariate.
Clustering di serie storiche.
Rappresentazione di dati spaziali e geo-referenziati
Processi di Poisson.
Elementi di analisi di dati geo-statistici.
Applicazioni con R.
Prerequisiti
Metodi didattici
Lezioni frontali ed esercitazioni (si stabilirà se in presenza o in remoto, in base all'evoluzione della situazione sanitaria).
Modalità di verifica dell'apprendimento
Esame orale.
Testi di riferimento
Dispense fornite dal docente, disponibili online.
Lingua di insegnamento
Italiano
Learning objectives
To make students capable to analyze and get information out of temporal and spatial data structures, developing both a theoretical comprehenson of the statistical methodologies and a practical ability of treating real data.
Contents
Univariate time series analysis
Multivariate time series analysis
Basics of spatial data analysis
Detailed program
The structure of a univariate time series: trend, seasonality, random component.
Goals of univariate time series analysis: decomposition and forecasting.
Forecasting models for stationary univariate time series: AR, MA, ARMA.
Forecasting and decomposition models for non.stationary time series: ARIMA, UCM, ETS.
Estimation, validation and selection of models for univariate time series.
Models for multivariate time-series.
Representation of spatial and geo-referenced data.
Poisson processes..
Elements of geo-statistical data analysis.
Applications with R.
Prerequisites
There are no formal prerequisites, but basic knwoledge of the following topics is needed: Mathematical Analysis, Linear Algebra, Probability Calculus, Statistical Inference, R programming.
Teaching methods
Frontal lessons and practical sessions (in presence or onine, based on the ecvolution of the COVID epidemic).
Assessment methods
Oral exam.
Textbooks and Reading Materials
Notes provided by the teacher, available online
Semester
Second
Teaching language
Italian
Key information
Staff
-
Marco Fattore