Syllabus del corso
Obiettivi formativi
L’insegnamento si articola in due moduli che rientrano nell’ambito delle scienze statistiche, dell’informatica e delle scienze sociali, con l’obiettivo comune di fornire agli studenti conoscenze teoriche e competenze pratiche per l’analisi statistica avanzata, con particolare attenzione alla riproducibilità e replicabilità delle analisi e alla comunicazione efficace dei risultati.
Il primo modulo introduce gli studenti agli approcci inferenziali classici, tra cui il bootstrap, i modelli lineari generalizzati, i modelli a miscuglio e i modelli predittivi. Le attività didattiche prevedono l’uso del software R in ambiente RMarkdown per condurre analisi statistiche su dati reali e simulati, permettendo allo studente di sviluppare autonomia nel ragionamento statistico, capacità di problem solving e competenze nella comunicazione scritta dei risultati.
Il secondo modulo approfondisce l’approccio Bayesiano all’inferenza statistica, integrandolo con i metodi classici presentati nel primo modulo. Lo studente viene introdotto ai modelli Bayesiani, ai metodi computazionali (MCMC) e all’uso di strumenti software quali R e SAS per la stima e la valutazione dei modelli. Anche in questo modulo viene mantenuta un’attenzione particolare alla riproducibilità del lavoro e alla produzione di documenti integrati che illustrino in modo chiaro codice, analisi e interpretazione dei risultati.
Per la descrizione dettagliata del programma si rimanda al syllabus pubblicato nella pagina del rispettivo insegnamento.
L’insegnamento nel suo complesso consente allo studente di acquisire solide basi teoriche e capacità operative per affrontare problemi di analisi statistica in ambiti applicativi quali la biostatistica, l’epidemiologia, la genetica e la salute pubblica. Al termine del percorso, grazie al materiale fornito e all’approccio orientato alla pratica e alla comunicazione, lo studente sarà in grado di proseguire in modo autonomo nell’approfondimento della disciplina e di applicarne le conoscenze nei diversi contesti professionali.
Testi di riferimento
Il materiale didattico principale consiste nelle dispense preparate dal docente, che coprono, gli argomenti teorici, le applicazioni sviluppate con il software R, gli esercizi e le soluzioni. Queste dispense saranno rese disponibili sulla pagina della piattaforma e-learning dell'università dedicata all'insegnamento. Inoltre, il docente pubblica alla fine di ogni lezione le slides, i programmi di calcolo e i dataset utilizzati. Settimanalmente vengono assegnati esercizi, e le relative soluzioni. Sulla stessa pagina web sono disponibili degli esempi del testo d'esame.
I riferimenti bibliografici principali sono elencati nella bibliografia delle dispense alcuni dei quali sono i seguenti che risultano disponibili presso la biblioteca di Ateneo anche in formato ebook:
Albert, J. (2009). Bayesian computation with R. Springer Science & Business Media.
Albert, J., Hu, J. (2019). Probability and Bayesian modeling. Chapman and Hall/CRC.
Bartolucci, F., Farcomeni, A., Pennoni, F. (2013). Latent Markov Models for longitudinal data. Chapman and Hall/CRC, Boca Raton.
Bishop, Y. M., Fienberg, S. E., Holland, P. W. (2007). Discrete multivariate analysis: theory and practice. Springer Science & Business Media, New York.
Blitzstein, J. K., Hwang, J. (2014). Introduction to probability. Chapman & Hall/CRC.
Dipak, D. K., Ghosh, S. K., Mallick, B. K. (2000). Generalized linear models: A Bayesian perspective. CRC Press.
Gentle, J. E., Hardle, W., Mori, Y. (2004). Handbook of computational statistics. Springer, Berlin.
Lange, K. (2010). Numerical analysis for statisticians (2nd ed.). Springer, New York.
Migon, H. S., Gamerman, D., Louzada, F. (2014). Statistical inference: an integrated approach. Chapman & Hall.
Pennoni, F. (2025). Dispensa di Inferenza Bayesiana: Teoria e applicazioni con R e SAS. Dipartimento di Statistica e Metodi Quantitativi, Università degli Studi di Milano-Bicocca.
Pennoni, F. (2025). Dispensa di Modelli Statistici II, parte di teoria e applicazioni con R. Dipartimento di Statistica e Metodi Quantitativi, Università degli Studi di Milano-Bicocca.
R Core Team (2023). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/.
Robert, C., Casella, G. (2004). Monte Carlo Statistical Methods (2nd ed.). Springer–Verlag, New York.
SAS Institute (2012). SAS/STAT PROC MCMC, User’s Guide.
Sustainable Development Goals
Learning objectives
The course is structured into two modules that fall within the fields of statistical sciences, computer science, and social sciences, with the shared goal of providing students with both theoretical knowledge and practical skills for advanced statistical analysis, with particular attention to the reproducibility and replicability of analyses and the effective communication of results.
The first module introduces students to classical inferential approaches, including bootstrap methods, generalized linear models, mixture models, and predictive models. The teaching activities involve the use of R software within the RMarkdown environment to carry out statistical analyses on real and simulated data, enabling students to develop autonomy in statistical reasoning, problem-solving skills, and written communication competencies.
The second module focuses on the Bayesian approach to statistical inference, integrating it with the classical methods presented in the first module. Students are introduced to Bayesian models, computational methods (MCMC), and the use of software tools such as R and SAS for model estimation and evaluation. This module also emphasizes reproducibility and the creation of integrated documents that clearly present code, analyses, and interpretation of results.
For a detailed description of the program, please refer to the syllabus published on the course webpage.
Overall, the course enables students to acquire a solid theoretical foundation and practical abilities to address statistical analysis problems in applied fields such as biostatistics, epidemiology, genetics, and public health. By the end of the course, thanks to the provided materials and the practice- and communication-oriented approach, students will be able to independently deepen their understanding of the subject and apply their knowledge in various professional contexts.
Textbooks and Reading Materials
The teaching material consists mainly of handouts prepared by the teacher. These cover theory, applications, exercise and solutions developed with R software. All the files are available on the course page of the university's e-learning platform. In addition, the teacher publishes the following material at the end of each lesson: slides, R and SAS code, exercises, datasets, and solutions to some of the exercises. Previous exam texts are also published on the same page.
The main references are listed in the bibliography of the handouts, some of which are as follows and are available in the university library, also in ebook format:
Albert, J. (2009). Bayesian computation with R. Springer Science & Business Media.
Albert, J., Hu, J. (2019). Probability and Bayesian modeling. Chapman and Hall/CRC.
Bartolucci, F., Farcomeni, A., Pennoni, F. (2013). Latent Markov Models for longitudinal data. Chapman and Hall/CRC, Boca Raton.
Bishop, Y. M., Fienberg, S. E., Holland, P. W. (2007). Discrete multivariate analysis: theory and practice. Springer Science & Business Media, New York.
Blitzstein, J. K., Hwang, J. (2014). Introduction to probability. Chapman & Hall/CRC.
Dipak, D. K., Ghosh, S. K., Mallick, B. K. (2000). Generalized linear models: A Bayesian perspective. CRC Press.
Gentle, J. E., Hardle, W., Mori, Y. (2004). Handbook of computational statistics. Springer, Berlin.
Lange, K. (2010). Numerical analysis for statisticians (2nd ed.). Springer, New York.
Migon, H. S., Gamerman, D., Louzada, F. (2014). Statistical inference: an integrated approach. Chapman & Hall.
Pennoni, F. (2025). Dispensa di Inferenza Bayesiana: Teoria e applicazioni con R e SAS. Dipartimento di Statistica e Metodi Quantitativi, Università degli Studi di Milano-Bicocca.
Pennoni, F. (2025). Dispensa di Modelli Statistici II, parte di teoria e applicazioni con R. Dipartimento di Statistica e Metodi Quantitativi, Università degli Studi di Milano-Bicocca.
R Core Team (2023). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/.
Robert, C., Casella, G. (2004). Monte Carlo Statistical Methods (2nd ed.). Springer–Verlag, New York.
SAS Institute (2012). SAS/STAT PROC MCMC, User’s Guide.
Semester
From September 2025 - January 2026
Sustainable Development Goals
Staff
-
Luca Brusa
-
Fulvia Pennoni
