Vai al contenuto principale
Se prosegui nella navigazione del sito, ne accetti le politiche:
  • Condizioni di utilizzo e trattamento dei dati
Prosegui
x
Se prosegui nella navigazione del sito, ne accetti le politiche:
  • Condizioni di utilizzo e trattamento dei dati
Prosegui
x
e-Learning - UNIMIB
  • Home
  • Altro
Ascolta questa pagina con ReadSpeaker
Italiano ‎(it)‎
English ‎(en)‎ Italiano ‎(it)‎
 Login
e-Learning - UNIMIB
Home
Percorso della pagina
  1. Area Economico-Statistica
  2. Corso di Laurea Magistrale
  3. Scienze Statistiche ed Economiche [F8206B - F8204B]
  4. Insegnamenti
  5. A.A. 2022-2023
  6. 2° anno
  1. Statistica Bayesiana
  2. Introduzione
Unità didattica Titolo del corso
Statistica Bayesiana
Codice identificativo del corso
2223-2-F8204B019-F8204B035M
Descrizione del corso SYLLABUS

Blocchi

Torna a Modelli Statistici M

Syllabus del corso

  • Italiano ‎(it)‎
  • English ‎(en)‎
Esporta

Obiettivi formativi

Il corso si propone di fornire le nozioni di base dell’impostazione bayesiana all’inferenza statistica e di illustrare, in tale ottica, alcuni modelli di ampio utilizzo.
Alla fine del corso lo studente ha acquisito la logica dell’approccio bayesiano all’inferenza, la capacità di formalizzare in tale ottica un modello e di trarre conclusioni inferenziali sul medesimo, nonché di applicarlo a data set reali.

Contenuti sintetici

Introduzione al modello bayesiano, scelta della distribuzione a priori, aspetti computazionali, i fondamenti dell’approccio decisionale, l’inferenza bayesiana.

Programma esteso

  1. Introduzione al modello bayesiano: distribuzione a priori, funzione di verosimiglianza, distribuzione a posteriori, meccanismo di aggiornamento ovvero il teorema di Bayes.
  2. Scelta della distribuzione a priori: assegnazione diretta, distribuzioni non informative, classi coniugate, metodi basati sulla distribuzione predittiva.
  3. Aspetti computazionali: metodi Monte Carlo e Markov chain Monte Carlo per realizzare l’inferenza bayesiana.
  4. I fondamenti dell’approccio decisionale: funzioni di perdita, criteri di ottimalità, funzioni di rischio e perdita attesa finale.
  5. Inferenza bayesiana: stima puntuale, stima per regioni, verifica di ipotesi e fattore di Bayes.
  6. Cenni al modello lineare.

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. Le prime offrono una panoramica sui principali concetti teorici nonché una loro formalizzazione. Le seconde forniscono il supporto informatico (linguaggio R) per rendere lo studente operativo.

Modalità di verifica dell'apprendimento

L'esame finale consiste in una prova scritta svolta in laboratorio informatico. Nella prova sono previste domande teoriche, che hanno l’obiettivo di verificare l'acquisizione dei concetti e della formalizzazione necessari per impostare correttamente l’inferenza bayesiana, esercizi numerici e l’implementazione di una fase dell’inferenza tramite linguaggio R.

Testi di riferimento

  • Berger J.O., Statistical Decision Theory and Bayesian Analysis, Springer-Verlag, 1985.
  • Lee P.M., Bayesian Statistics: an Introduction, Arnold, 2004.
  • Piccinato L., Metodi per le Decisioni Statistiche, Springer-Verlag Italia, 1996.
  • Robert C.P., The Bayesian Choice, 2nd edition, Springer, 2001.
  • Ulteriore materiale ( lucidi delle lezioni, codici R, simulazioni di prove d’esame) è messo a disposizione degli studenti tramite la piattaforma e-learning del corso.

Periodo di erogazione dell'insegnamento

Primo periodo (sei settimane) del primo semestre.

Lingua di insegnamento

Italiano

Esporta

Learning objectives

The course aims at giving the fundamental concepts of the Bayesian approach to inference together with an overview of some widespread models.

Contents

  • Introduction to Bayesian modeling.
  • Prior selection.
  • Bayesian calculations.
  • Decision-theoretic foundations.
  • Bayesian inference.
  • Linear model

Detailed program

  1. Introduction to Bayesian modeling: prior distribution, likelihood function, posterior distribution. From prior to posterior: Bayes theorem.
  2. Prior selection: subjective determination, non informative priors, conjugate priors, predictive distribution based priors.
  3. Bayesians calculations: Monte Carlo and Markov chain Monte Carlo methods
  4. Decision-theoretic foundations: loss functions, optimality criteria, risk functions, posterior expected loss.
  5. Bayesian inference: estimation, credible regions, hypothesis testing and Bayes factor.
  6. The linear model

Prerequisites

Elements of inferential statistics, stochastic processes and R programming

Teaching methods

Class lessons and lab sessions.

Assessment methods

Written and lab examination

Textbooks and Reading Materials

  • Berger J.O., Statistical Decision Theory and Bayesian Analysis, Springer-Verlag, 1985.
  • Lee P.M., Bayesian Statistics: an Introduction, Arnold, 2004.
  • Piccinato L., Metodi per le Decisioni Statistiche, Springer-Verlag Italia, 1996.
  • Robert C.P., The Bayesian Choice, 2nd edition, Springer, 2001.
  • Additional material (R-codes and past exams) are made available through the e-learning web page of the course.

Semester

First part (six weeks) of the first semester.

Teaching language

Italian

Entra

Scheda del corso

Settore disciplinare
SECS-S/01
CFU
6
Periodo
Primo Semestre
Tipo di attività
Obbligatorio a scelta
Ore
42
Tipologia CdS
Laurea Magistrale
Lingua
Italiano

Metodi di iscrizione

Iscrizione manuale
Accesso ospiti

Non sei collegato. (Login)
Politiche
Ottieni l'app mobile
Powered by Moodle
© 2025 Università degli Studi di Milano-Bicocca
  • Privacy
  • Accessibilità
  • Statistiche