Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Maria Cristina RECCHIONI (Crediti: 9 Ore di lezioneTeaching hours: 66)
Mariateresa CIOMMI (Crediti: 3 Ore di lezioneTeaching hours: 22)
Lingua di erogazione: INGLESELessons taught in: ENGLISH
Laurea Magistrale - [EM27] INTERNATIONAL ECONOMICS AND COMMERCE (Curriculum: GLOBAL ECONOMIC ANALYSIS) Master Degree (2 years) - [EM27] ECONOMIA E COMMERCIO INTERNAZIONALE (Curriculum: GLOBAL ECONOMIC ANALYSIS)
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: B - Caratterizzante
Settore disciplinareAcademic discipline: SECS-S/01 - STATISTICA
Inglese
English
Si presuppone la conoscenza della Statistica descrittiva e di concetti di base di statistica inferenziale.
Descriptive statistics, basic concepts of probability, testing hypotheses, basic concepts of statistical inference.
Il corso sarà svolto sia mediante lezioni frontali sia mediante applicazioni al computer. Verranno assegnati e discussi in aula diversi "case study".
The course is organized into lectures of two-four hours each, including in-person lectures and applications on the computer. Assignements and discussions of several case studies will be scheduled.
Il corso si propone di fare apprendere l'uso teorico ed empirico di strumenti di statistica per la valutazione di grandi moli di dati relativi a fenomeni socio-economico, finanziari e aziendali.
Capacità di applicare conoscenze e comprensione.
Al termine del corso i dicenti saranno in grado di scegliere in modo adeguato le tecniche di statistica e valutarne la loro applicabilità ai vari problemi. Saranno, inoltre, in grado di redigere programmi nel linguaggio R per effettuare le opportune applicazioni e comprendere codici in Python.
Competenze trasversali.
Lo sviluppo di progetti individualmente ed in gruppo con presentazione del case study e della sua soluzione consentiranno agli studenti e studentesse di migliorare la loro autonomia e la loro capacità critica e comunicativa.
The course aims to provide students with theoretical and empirical approaches to analyze big-data describing social, financial macro- and microeconomic phenomena.
Capacity to apply Knowledge and Understanding.
At the end of the course, students will be able to adequately select and apply statistical techniques to analyze socio-economic and financial datasets in order to solve problems in economics, marketing and finance, also with the use of R code or Python.
Transversal Skills.
The development of projects to solve case studies and their discussion in classroom will allow
students to improve their autonomy and critical abilities and communication skill.
Richiami di algebra delle matrici e di ottimizzazione vincolata
Introduzione all’uso del linguaggio R e Python.
Intervalli di confidenza
Verifica di ipotesi
Analisi multivariata dei dati
5.1. Analisi delle componenti principali.
5.2. Regressione multipla.
5.3 Cluster Analysis
5.4. Regressione logistica
5.6. Introduzione all’apprendimento automatico, problema di classificazione attraverso l’analisi discriminante
1. Basic concepts of linear algebra and constrained optimization.
2. Introduction to the R and Python programming language.
3. Confidence intervals
4. Hypothesis testing
5. Multivariate data analysis
5.1 Principal component analysis
5.2 Multiple regression
5.3 Cluster analysis
5.4 Logistic regression
5.5 Introduction to machine learning: classification via discriminant analysis
L’esame consiste in una prova scritta (tre domande) e una tesina relativa ad un progetto in cui gli studenti devono elaborare una dataset utilizzando codici implementati in R o Python. La tesina deve includere un esempio di applicazione di Machine learning. Nel compito sono previsti esercizi e domande brevi con l’obiettivo di verificare l'apprendimento degli argomenti trattati e l’effettiva capacità di applicare le conoscenze acquisite. Durante la prova scritta non è ammessa la consultazione di alcun materiale di supporto. Per gli di studenti 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/Servizi_agli_studenti/Disabilita_e_DSA_Servizio_di_accoglienza).
Criteri di valutazione dell'apprendimento.
Nella prova scritta gli studenti dovranno dimostrare di aver acquisito una solida conoscenza dei temi svolti nelle lezioni e di saper utilizzare la corrispondente strumentazione statistica.
Criteri di misurazione dell'apprendimento.
Il voto finale è attribuito in trentesimi. L’esame si intende superato se il
voto è pari o superiore a 18.
Criteri di attribuzione del voto finale.
Il voto finale viene attribuito sulla base del compito scritto, come somma
dei punteggi ottenuti sui singoli esercizi e il voto della tesina sull’analisi dei dati (da presentare in aula). Il punteggio di ogni esercizio
viene assegnato sulla base della difficoltà dello stesso.
Il voto finale è la media tra il voto della tesina e il voto dello scritto.
The final examination consists of a written test (three questions) and a short report about a project which analyzes a dataset using R or Python codes. The empirical analysis includes an application of machine learning. The written test consists of short exercises and questions designed to assess the learning of the topics covered and the student’s actual ability to apply the knowledge acquired. Supporting materials may not be consulted during the written exam. For students with disabilities or Specific Learning Disability (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/Servizi_agli_studenti/Disabilita_e_DSA_Servizio_di_accoglienza).
Learning Evaluation Criteria.
During the written exam, students must demonstrate solid knowledge of the topics and methods for functions of one variable. The ability to apply the acquired knowledge is evaluated by solving the assigned problems.
Learning Measurement Criteria.
The exam is worth thirty points. A passing grade is 18 or above.
Final Mark Allocation Criteria.
The final score is determined based on the written exam: the sum of the scores obtained on the individual exercises and the short report on the data analysis to be presented in the classroom. The score of each exercise is awarded based on its difficulty.
The final grade is the average value of the written test and the report on data analysis.
P.J. HEWSON, Multivariate Statistics with R, scaricabile dal web.
NEWBOLD P., CARLSON W. L., THORNE B., Statistics 9/Ed, Pearson Education Italia, 2021. [Capitolo 8, Capitolo 9, Capitolo 10, Capitolo 11]
ISBN: 8891910651
Altro materiale didattico (slide, esercizi, homework) è messo a disposizione sul sito del corso (https://learn.univpm.it/)
P.J. HEWSON, Multivariate Statistics with R, available online.
NEWBOLD P., CARLSON W. L., THORNE B., Statistics 9/Ed, Pearson Education Italia, 2021. [Ch 8, Ch 9, Ch 10, Ch 11]
ISBN: 8891910651
Additional teaching material (slides, exercises, homework) is made available on the course website (https://learn.univpm.it/)
Per il corso da 12 (3+9) CFU, 6 ore saranno erogate in modalità blended secondo il Regolamento delle Attività didattiche in e-learning (https://www.univpm.it/Entra/Amministrazione_trasparente_1/Disposizioni_generali/A tti_Generali/Regolamenti/Regolamento_Attivita_didattiche_in_modalita_e-learning)
For the 12 (3+9) credit course, 6 hours will be taught in blended mode according to the Regulations for E-learning Teaching Activities (https://www.univpm.it/Entra/Amministrazione_trasparente_1/Disposizioni_generali/A tti_Generali/Regolamenti/Regolamento_Attivita_didattiche_in_modalita_e-learning)
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