Skip to main content
If you continue browsing this website, you agree to our policies:
  • Condizioni di utilizzo e trattamento dei dati
Continue
x
If you continue browsing this website, you agree to our policies:
  • Condizioni di utilizzo e trattamento dei dati
Continue
x
e-Learning - UNIMIB
  • Home
  • More
Listen to this page using ReadSpeaker
English ‎(en)‎
English ‎(en)‎ Italiano ‎(it)‎
 Log in
e-Learning - UNIMIB
Home
Percorso della pagina
  1. Economics
  2. Master Degree
  3. Scienze Statistiche ed Economiche [F8206B - F8204B]
  4. Courses
  5. A.A. 2021-2022
  6. 1st year
  1. Multivariate Statistics
  2. Summary
Unità didattica Course full name
Multivariate Statistics
Course ID number
2122-1-F8204B002-F8204B003M
Course summary SYLLABUS

Blocks

Back to Advanced Statistics M

Course Syllabus

  • Italiano ‎(it)‎
  • English ‎(en)‎
Export

Obiettivi formativi

Il corso si pone come obiettivo quello di introdurre tecniche di analisi statistica multivatiata con finalità esplorativa, previsiva e inferenziale.

Alla fine del corso lo studente sarà in grado di applicare le suddette tecniche a insiemi di dati raccolti in molteplici contesti, quali quello economico, sociale e delle scienze naturali, e che possono essere caratterizzati da elevata dimensionalità e dipendenza temporale. Inoltre, lo studente avrà esperito situazioni tipiche del mondo del lavoro: dal risolvere un problema in tempo limitato alla presentazione, scritta ed orale, del proprio operato.


Contenuti sintetici

Il corso è composto da un'unica parte, ma al suo interno è possibile individuare tre parti in base alle finalità degli strumenti statistici trattati.

La prima parte del corso è dedicata allo screening iniziale dei dati, compresi alcuni richiami di visualizzazione dei dati. Nella seconda parte si introducono tecniche statistiche supervisionate e si contestualizza il loro impiego a fini previsivi fornendo, inoltre, i concetti e le procedure necessarie per valutare l'errore di generalizzazione di tali strumenti.


Programma esteso

Cenni di visualizzazione di dati multivariati

Metodi operativi per la valutazione dell'errore di generalizzazione: insieme di stima e verifica, K-fold cross validation

Classificatore di Bayes, analisi discriminante lineare e quadratica

Alberi di classificazione e regressione 

Metodi di ensemble


Prerequisiti

Analisi esplorativa, modelli statistici, calcolo delle probabilità, inferenza statistica, programmazione.

Metodi didattici

L'intera attività formativa verrà svolta attraverso lezioni frontali e di laboratorio. 

Modalità di verifica dell'apprendimento

L'esame si compone di una prova scritta

La prova scritta si compone di esercizi numerici, di domande aperte e a risposta chiusa.  Gli esercizi numerici hanno lo scopo di verificare la capacità dello studente di applicare le tecniche statistiche introdotte durante il corso. Le domande aperte e a risposta chiusa hanno invece l'obiettivo di misurare il livello di conoscenza della teoria alla base delle suddette tecniche.


Testi di riferimento

James, G, Witten, D., Hastie, T., Tibshirani, R., An Introduction to Statistical Learning with applications in R, Springer, 2013

Everitt, B., Hothorn, T. An Introduction to Applied Multivariate Analysis with R, Springer, 2011

Hastie, T., Tibshirani, R., Friedman, J. ,The Elements of Statistical Learning, Springer, 2001

Izenman, A.J., Modern Multivariate Statistical Techniques, Springer, 2008

Azzalini, A. Scarpa, B. Analisi dei dati e data mining, Springer, 2009

Dobson, A., Barnett, A., An Introduction to Generalized Linear Models, CRC Press, 2008


Periodo di erogazione dell’insegnamento

Secondo semestre. Primo ciclo.


Lingua di insegnamento

Italiano

Export

Learning objectives

Contents

Detailed program

Prerequisites

Teaching methods

Assessment methods

Textbooks and Reading Materials

Semester

Teaching language

Enter

Key information

Field of research
SECS-S/01
ECTS
6
Term
Annual
Activity type
Mandatory
Course Length (Hours)
42
Language
Italian

Staff

    Teacher

  • NL
    Nicola Lunardon

Enrolment methods

Manual enrolments
Self enrolment (Student)

You are not logged in. (Log in)
Policies
Get the mobile app
Powered by Moodle
© 2025 Università degli Studi di Milano-Bicocca
  • Privacy policy
  • Accessibility
  • Statistics