Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Maria Cristina RECCHIONI
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea Magistrale - [EM11] DATA SCIENCE PER L'ECONOMIA E LE IMPRESE Master Degree (2 years) - [EM11] DATA SCIENCE FOR 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: 2021-2022
Anno regolamentoAnno regolamento: 2021-2022
Obbligatorio
Crediti: 12
Ore di lezioneTeaching hours: 88
TipologiaType: B - Caratterizzante
Settore disciplinareAcademic discipline: SECS-S/03 - STATISTICA ECONOMICA
ITALIANO
Italian
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 discussi in aula diversi "case study".
The course is organized into lectures of two -fourhours each, including in-person lectures and applications on the computer. 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 gli studenti 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 di migliorare la loro autonomia e la loro capacità critica.
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.
1. Richiami di algebra delle matrici.
2. Introduzione all’uso del linguaggio R e Pyton.
3. Intervalli di confidenza
4. Verifica di ipotesi
5. Analisi multivariata dei dati
5.1. Analisi delle componenti principali.
5.2. Regressione multipla.
5.3 Cluster Analysis
5.4. Regressione logistica e regressione di Cox
5.5. Analisi discriminante
5.6. Introduzione alla machine learning
1. Basic concepts of linear algebra.
2. Introduction to the R 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 and Cox regression.
5.5 Discriminant analysis.
5.6 Introduction to machine learning
L’esame consiste in una prova scritta e una tesina 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.
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. Il punteggio di ogni esercizio
viene assegnato sulla base della difficoltà dello stesso.
The final examination consists of a written test and a short report 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.
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. The score of each exercise is awarded based on its difficulty.
P.J. HEWSON, Multivariate Statistics with R, scaricabile dal web.
B. BRACALENTE M.COSSIGNANI A. MULAS, Statistica aziendale , McGraw-Hill, 2009.
A. DE LILLO G. ARGENTIN M. LUCCHINI S. SARTI M.TERRANEO, Analisi multivariata per le Scienze sociali.Ed. Pearson Paravia Bruno Mondatori, 2007.
G. ESPA R.MICCIOLO, Analisi esplorativa dei dati con R, Ed. APOGEO, Milano, 2012
NEWBOLD P., CARLSON W. L., THORNE B., Statistica 2/Ed, Pearson Education Italia, 2010. [Capitolo 8, Capitolo 9, Capitolo 10, Capitolo 11]
P.J. HEWSON, Multivariate Statistics with R, scaricabile dal web.
B. BRACALENTE M.COSSIGNANI A. MULAS, Statistica aziendale , McGraw-Hill, 2009.
A. DE LILLO G. ARGENTIN M. LUCCHINI S. SARTI M.TERRANEO, Analisi multivariata per le Scienze sociali.Ed. Pearson Paravia Bruno Mondatori, 2007.
G. ESPA R.MICCIOLO, Analisi esplorativa dei dati con R, Ed. APOGEO, Milano, 2012
NEWBOLD P., CARLSON W. L., THORNE B., Statistica 2/Ed, Pearson Education Italia, 2010. [Capitolo 8, Capitolo 9, Capitolo 10, Capitolo 11]
https://learn.univpm.it/
https://learn.univpm.it/
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2021-2022
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427