Course Syllabus
Obiettivi formativi
Il corso intende fornire un’introduzione ai metodi statistici per l’analisi di fenomeni che presentano varibilità nello spazio. Alla fine del corso lo studente ha acquisito: 1) la capacità di definire un modello stocastico idoneo alla descrizione e previsione di dati spaziali; 2) le principali tecniche di stima e previsione nel contesto di alcune tipologie di dati spaziali; 3) la capacità di gestire, rappresentare e analizzare dati geocodificati in un opportuno sistema di riferimento tramite l'uso di un software per l'analisi statistica dei dati.
Contenuti sintetici
Introduzione all’analisi esplorativa dei dati spaziali; modelli e metodi per dati da processo di punto spaziale; modelli e metodi per dati geostatistici; cenni ai metodi per l’analisi dei dati di area.
Programma esteso
Variabilità di piccola e larga scala. Tipologie di dati spaziali.
Processi di punto spaziali. Processi di Poisson omogenei e non omogenei. Test per l’ipotesi CSR. Introduzione ai test Monte Carlo. Stima dell’intensità di un processo di Poisson.
Geostatistica. Richiami sui processi stocastici spaziali. Stazionarietà. Covariogramma, correlogramma e variogramma. Isotropia e modelli parametrici isotropici. Analisi esplorativa dei dati geostatistici. Analisi della componente di piccola scala. Stima del variogramma: metodo dei momenti, stime di massima verosimiglianza e dei minimi quadrati (ols, wls, gls). Analisi della componente di larga scala: metodi parametrici, cenni sulla regressione non parametrica. La previsione spaziale. Il metodo kriging: semplice, ordinario, universale.
Laboratorio in ambiente R.
Prerequisiti
Il corso non ha propedeuticità. E' consigliato avere nozioni preliminari di processi stocastici, inferenza statistica e programmazione in R.
Metodi didattici
Lezioni frontali e sessioni in laboratorio informatico.
Modalità di verifica dell'apprendimento
L'esame finale consiste di due parti: una prova in laboratorio informatico e una prova orale.
La prova di laboratorio informatico e svolta in ambiente R. Allo studente sarà richiesto di eseguire un'elaborazione di dati spaziali utilizzando codici e funzioni presentati e discussi durante le sessioni di laboratorio informatico del corso. La prova mira a verificare la capacità acquisita dallo studente nel rispondere a concrete esigenze che, nell'ambito della tematica dei dati spaziali, possono emergere in contesto lavorativo o di ricerca. Saranno quindi valutate le capacità di analisi dei dati, di sintesi e interpretazione dei risultati, nonché la competenza acquisita nell'uso del software R.
Durante la prova non è ammesso l'uso di testi o altro materiale con l'esclusione dei codici che verranno messi a disposizione dal docente all'inizio della prova.
Durante la prova non è ammesso l'uso del cellulare.
La prova orale è mirata ad accertare la conoscenza teorica dello studente sugli argomenti del corso. Saranno quindi valutate la capacità di formalizzare in termini statistico-probabilistici le tematiche proposte in sede di esame e il rigore metodologico del loro sviluppo.
Il punteggio finale è costituito da una media dei voti ottenuti nelle due parti.
Testi di riferimento
O. Schabenberger, C.A. Gotway, 2005, Statistical methods for spatial data analysis Chapman & Hall/CRC.
Ulteriore materiale: lucidi presentati nelle lezioni, dispense, codici R, dataset ed esercitazioni addizionali sono messe a disposizione degli studenti tramite la piattaforma eLearning del corso.
Periodo di erogazione dell'insegnamento
Primo periodo del primo semestre.
Lingua di insegnamento
Italiano.
Learning objectives
The course aims at providing students with a set of methodologies to deal with the estimation and prediction of spatial data.
Contents
Exploratory spatial data analysis; analysis of Spatial point pattern; geostatistics; introduction of spatial lattice data.
Detailed program
Spatial point processes: homegeneous and non homogeneous Poisson process. CSR tests. Parametric estimation of the intensity function of an inhomogeneous Poisson process.
Geostatistics: exploratory spatial data analysis; variogram, covariogam and correlogram; isotropy and some isotropic variogram models; variogram estimation: empirical variogram, parametric modeling of the variogram function: OLS, WLS, GLS and maximum likelihood estimation; simple, ordinary and universal kriging;
Laboratory sessions in R.
Prerequisites
Inferential statistics, stochastic processes and R programming. The course is not suitable for undergraduate students enrolled inthe Erasmus Program. Erasmus postgraduate students are invited to contact the teacher at the beginning of the course.
Teaching methods
Class lessons and lab sessions.
Assessment methods
****Lab assesment and oral examination .
The overall mark is obtained by averaging the marks obtained in each part.
Textbooks and Reading Materials
O. Schabenberger, C.A. Gotway, 2005, Statistical methods for spatial data analysis Chapman & Hall/CRC.
Additional readings, R-codes, datasets and case studies will be made available through the eLearning web page of the course.
Semester
First term of the first semester.
Teaching language
Italian.
Key information
Staff
-
Riccardo Borgoni