Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Riccardo LUCCHETTI (Crediti: 3 Ore di lezioneTeaching hours: 22)
Claudia PIGINI (Crediti: 3 Ore di lezioneTeaching hours: 22)
Giulio PALOMBA (Crediti: 3 Ore di lezioneTeaching hours: 22)
Lingua di erogazione: INGLESELessons taught in: ENGLISH
Laurea - [ET27] DIGITAL ECONOMICS AND BUSINESS First Cycle Degree (3 years) - [ET27] DIGITAL ECONOMICS AND BUSINESS
Dipartimento: [040002] Dipartimento Scienze Economiche e SocialiDepartment: [040002] Dipartimento Scienze Economiche e Sociali
Anno di corsoDegree programme year : 1 - Primo Semestre
Anno offertaAcademic year: 2025-2026
Anno regolamentoAnno regolamento: 2025-2026
Obbligatorio
Crediti: 9
Ore di lezioneTeaching hours: 66
TipologiaType: C - Affine/Integrativa
Settore disciplinareAcademic discipline: SECS-S/04 - DEMOGRAFIA
Inglese
English
Nessuno
None
Il corso si articola in 33 lezioni tradizionali (da 2 ore ciascuna). Durante il corso verranno effettuate esercitazioni pratiche con l’utilizzo dei programmi Python, R studio e Gretl. Gli studenti/le studentesse sono pertanto invitati/invitate a procurarsi un computer portatile su cui installare i programmi e portarlo a lezione nelle ore di esercitazione.
The course consists of 33 traditional lectures (each lasting 2 hours). During the course, practical exercises will be carried out using the Python, R Studio, and Gretl software. Students are therefore encouraged to obtain a laptop on which to install these programs and bring it to class during the practical sessions.
Al termine del corso gli studenti/le studentesse saranno in grado di comprendere i fondamenti di programmazione funzionali alle applicazioni statistiche ed econometriche, relativamente all’analisi dei dati nei suoi aspetti descrittivi e interpretativi.
Capacità di applicare conoscenze e comprensione.
Al termine del corso gli studenti/le studentesse saranno in grado di gestire e analizzare file di dati in diversi software a scopo descrittivo e previsivo.
Competenze trasversali.
Il corso comprende una ricca parte applicativa nella quale gli studenti/le studentesse avranno modo di familiarizzare con semplici programmi software di media complessità utilizando un linguaggio specifico per la statistica e l’econometria.
Knowledge and Understanding.
By the end of the course, students will have acquired a solid understanding of programming fundamentals for statistical and econometric applications, with a particular focus on the descriptive and interpretative aspects of data analysis.
Capacity to apply Knowledge and Understanding.
By the end of the course, students will be able to manage and analyze data files using various software tools for both descriptive and predictive purposes.
Transversal Skills.
The course includes an extensive practical component, giving students the opportunity to become familiar with moderately complex software programs, using a language specifically designed for statistics and econometrics.
Parte 1: fondamenti di informatica: Introduzione al corso e nozioni di base di informatica, hardware e sistemi operativi, software, fondamenti di Python, nozioni di base di programmazione (cicli for e while, operazioni di base con i vettori), Pandas. Parte 2: origine e preparazione dei dati: Fonti e formati dei dati, estensioni di file, compressione, collegamento e modellazione dei dati (merge – append – reshape – sort), pulizia dei dati (valori mancanti – duplicati – sostituzioni di stringhe), sottocampionamento e copertura, esercitazioni aggiuntive. Parte 3: esplorazione dei dati: dati cross-section: Software alternativo 1: introduzione a R e RStudio, collegamento, modellazione e pulizia dei dati in R, manipolazione dei dati (introduzione all’algebra delle matrici)*, tipologie di dati e variabili (dati cross-section vs serie temporali / qualitativi vs quantitativi), visualizzazione dei dati (distribuzioni di frequenza, diagrammi a dispersione), definizione e calcolo delle misure di centralità e dispersione, dipendenza media, dipendenza lineare, correlazione, esercitazioni aggiuntive. Parte 4: esplorazione dei dati in serie storica. Software alternativo 2: introduzione a Gretl, raccolta dati (API) e manipolazione in Gretl, schemi e frequenza delle serie storiche, operazioni con le seriestoriche (differenziazione, indicizzazione, ecc.), scomposizione delle serie storiche, metodi di previsione di riferimento, esercitazioni aggiuntive
Part 1: computer science fundamentals: Course introduction and basic computer science concepts, hardware and operating systems, software, Python fundamentals, basic programming concepts (for and while loops, basic operations with vectors), Pandas. Part 2: data origins and preparation: Data sources and formats, file extensions, compression, data linking and shaping (merge – append – reshape – sort), data cleaning (missing values – duplicates – string substitutions), subsampling and coverage, additional practice. Part 3: data exploration: cross-section data: Alternative software 1: introduction to R and RStudio, data linking, shaping and cleaning in R, data manipulation (introduction to matrix algebra)*, data and variable types (cross-section vs time series / qualitative vs quantitative), data visualization (frequency distributions, scatterplots), definition and computation of centrality and spread measures, mean dependence, linear dependence, correlation, additional practice. Part 4: data exploration: time series data: Alternative software 2: introduction to Gretl, data collection (API) and manipulation in Gretl, time series patterns and frequency, operations with time series data (differencing, indexing, etc.), time series decompositions, benchmark forecasting methods, additional practice.
L'esame consiste in una prova orale in cui lo studente/la studentessa dovrà discutere i risultati dell'applicazione dei metodi appresi ad un caso di studio/economico aziendale proposto dallo studente/dalla studentessa.
Per gli studenti/le studentesse con disabilità/invalidità o disturbo specifico di apprendimento (DSA), che abbiano fatto debita richiesta di supporto per affrontare lo specifico esame di profitto all’Info Point Disabilità/DSA dell’Ateneo, le modalità di esame saranno adattate alla luce di quanto previsto dalle linee guida di Ateneo (https://www.univpm.it/Entra/Accoglienza_diversamente_abili).
Criteri di valutazione dell'apprendimento.
Gli studenti/le studentesse dovranno dimostrare di avere acquisito una solida conoscenza delle principali fondamenti di programmazione, principalmente legate all’aspetto pratico dell’analisi dei dati nel contesto economico/finanziario e del business.
Tramite lo svolgimento della prova, gli studenti/le studentesse dovranno dimostrare di conoscere come gli strumenti di analisi trovino applicazione per la risoluzione di problematiche applicate a casi specifici.
Criteri di misurazione dell'apprendimento.
Il voto finale verrà espresso in trentesimi. Lo studente/la studentessa supererà l'esame se otterrà almeno 18. È prevista l’assegnazione del massimo dei voti con lode (30 e lode).
Criteri di attribuzione del voto finale.
Il voto finale assegnato varia da 1 a 30. La lode viene assegnata nel caso di esposizione particolarmente brillante.
Learning Evaluation Methods.
The final test consists of a discussion over the results of an empirical application on a case study proposed by the student.
For students with disabilities or Specific Learning Disorders (SLD) who have contacted the University Disability/SLD Info Point to request support for the specific curricular exam, please note that the way the exam is taken can be adapted in accordance with the University Guidelines (https://www.univpm.it/Entra/Accoglienza_diversamente_abili).
Learning Evaluation Criteria.
Students will be expected to demonstrate a solid understanding of the main fundamentals of programming, primarily related to the practical aspects of data analysis in the economic, financial, and business context.
Through the examination, students will be required to show their knowledge of how analytical tools can be applied to solve problems in specific case scenarios.
Learning Measurement Criteria.
The final score is between 0 and 30. To pass the test, the minimum is 18/30. Possibly, a mention could be awarded to exceptionally good tests (30 e lode).
Final Mark Allocation Criteria.
The final score ranges from 1 to 30. “30 e lode” will be awarded in case of excellent presentation.
Materiale messo a disposizione del docente
Course material provided by the innstructors
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2025-2026
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427