Course Syllabus
Obiettivi formativi
Il corso si propone di introdurre i concetti e i metodi di statistica descrittiva, calcolo delle probabilità ed inferenza statistica (stima puntuale ed intervallare, test) sia dal punto di vista teorico che applicativo attraverso l’utilizzo di software (R).
Al termine del corso lo studente sarà in grado di:
- Comprendere i concetti fondamentali della statistica descrittiva e dell’inferenza statistica.
- Applicare metodi statistici di base all’analisi di dati reali.
- Valutare criticamente i risultati ottenuti e scegliere il metodo statistico più appropriato.
- Comunicare i risultati di un’analisi statistica in modo chiaro ed efficace, anche attraverso rappresentazioni grafiche e tabelle.
- Acquisire le basi per affrontare in autonomia studi statistici più avanzati.
Contenuti sintetici
Metodi di statistica descrittiva, calcolo delle probabilità ed inferenza statistica (stima puntuale e intervallare, test).
Programma esteso
- Introduzione al trattamento dati con R
- pacchetti R: base, dplyr, purrr, ggplot
- Analisi descrittiva: distribuzioni, rappresentazioni grafiche, indici di posizione e di variabilità, retta dei minimi quadrati
- Calcolo delle probabilità: concezioni probabilistiche, probabilità sugli eventi, teorema di Bayes, variabili aleatorie e distribuzioni di probabilità, distribuzioni notevoli, enunciazioni LLN e CLT
- Inferenza statistica: la logica del campionamento probabilistico. Stimatori e loro proprietà. Stima puntuale (Media varianza e proporzione). Cenni sugli stimatori di massima verosimiglianza.
- Stima intervallare: concetto di confidenza, intervalli di confidenza, casi particolari sulla media e la varianza
- Verifica di ipotesi: Il concetto di statistica test. La significatività e la potenza del test. Test sulla media, varianza, proporzione, sulla differenza tra medie, test di indipendenza.
Prerequisiti
Nessuno.
Metodi didattici
Lezioni frontali con e senza l'ausilio del computer (modalità erogativa in presenza).
Ore di didattica erogativa (DE): 42
Ore di didattica interattiva (DI): 0
Modalità di verifica dell'apprendimento
PROVA SCRITTA: consiste in una batteria di domande a risposta multipla ed esercizi numerici volti a verificare la conoscenza della TEORIA affrontata a lezione e la capacità di utilizzare il linguaggio R per condurre analisi statistiche (punteggio massimo 30).
Gli studenti che hanno ottenuto 30 nello scritto possono richiedere l'orale per ottenere la lode.
Non sono previste prove in itinere
Criteri di valutazione:
insufficiente: minore di 18; sufficiente: 18-23; buono: 24-27; ottimo: 28-30; eccellente: 30 e lode
Testi di riferimento
Materiale del docente a disposizione degli studenti sull'e-learning
Libro di testo:
Alan Agresti, Maria Kateri (2022), Foundations of Statistics for Data Scientists With R and Python, Chapman & Hall
Altri testi a scelta:
- A.M. Mood, F.A. Graybill, D.C. Boes, Introduzione alla statistica
- G. Cicchitelli, P. D'Urso M. Minozzo, Statistica: principi e metodi
- P.S. Mann, Introductory Statistics
- M. Lavine, Introduction to Statistical Thought
Periodo di erogazione dell'insegnamento
Primo semestre (Settembre - Novembre)
Lingua di insegnamento
Inglese
Sustainable Development Goals
Learning objectives
The course aims to introduce the concepts and methods of descriptive statistics, probability and statistical inference (point and interval estimation, tests) both from a theoretical and an application point of view through the use of software (R).
By the end of the course, students will be able to:
- Understand the fundamental concepts of descriptive and inferential statistics.
- Apply basic statistical methods to real data.
- Critically evaluate results and choose the most appropriate statistical method.
- Communicate the results of statistical analysis clearly and effectively, including through graphs and tables.
- Acquire the foundation to pursue more advanced statistical studies independently.
Contents
Descriptive statistics, probability and statistical inference (point and interval estimation, tests)
Detailed program
- Introduction to data analysis with R
- R packages: base, dplyr, purrr, ggplot
- Descriptive analysis: distributions, graphical representations, position and variability indices, minimum squares line
- Probability: probabilistic conceptions, probability on events, Bayes theorem, random variables and probability distributions, large distributions, LLN and CLT statements
- Statistical inference: the logic of probabilistic sampling. Estimators and their properties. Point estimate (Average, variance and proportion). Notes on maximum likelihood estimators.
- Interval estimation: concept of confidence, confidence intervals, particular cases on the mean and variance
- Hypothesis testing: The concept of test statistics. The significance and power of the test. Test on average, variance, proportion, on the difference between averages, independence test.
Prerequisites
None.
Teaching methods
Lectures with and without computer (in presence).
Traditional teaching hours: 42
Interactive teaching hours: 0
Assessment methods
WRITTEN EXAM: it consists of a set of multiple-choice questions and numerical exercises aimed at assessing knowledge of the THEORY covered in class and the ability to use the R language to conduct statistical analyses (maximum score: 30).
The students who scored 30 on the written exam can request the oral exam to obtain "30 cum laude".
There is no mid term evaluation
Grading policy:
insufficient: less than18; sufficient: 18-23; good: 24-27; very good: 28-30; excellent: 30 cum laude
Textbooks and Reading Materials
Teacher material available for the students on e-learning site
Textbook:
Alan Agresti, Maria Kateri (2022), Foundations of Statistics for Data Scientists With R and Python, Chapman & Hall
Other texts of your choice:
- A.M. Mood, F.A. Graybill, D.C. Boes, Introduzione alla statistica
- G. Cicchitelli, P. D'Urso M. Minozzo, Statistica: principi e metodi
- P.S. Mann, Introductory Statistics
- M. Lavine, Introduction to Statistical Thought
Semester
I semester (September-November)
Teaching language
English
Sustainable Development Goals
Staff
-
Pier Giovanni Bissiri
