Ateneo - UPO

Introduzione alla statistica multivariata con particolare attenzione ai modelli e algoritmi di classificazione e regressione. Avvio all’uso del software statistico R.

Il materiale didattico verrà fornito dal docente. Testi di utile consultazione sono:
- R. Johnson, D. Wichern. Applied Multivariate Statistical Analysis. VI Edition, Pearson
- G. James, D. Witten, T. Hastie, R. Tibshirani. An Introduction to Statistical Learning (with Application in R). Springer

- S. M. Iacus, G. Masarotto. Laboratorio di statistica con R, MacGraw Hill
- P. Giudici. Data Mining. Metodi informatici, statistici e applicazioni. II Edizione, McGraw Hill

L’obiettivo del corso è l’apprendimento di alcuni metodi statistici e della loro implementazione mediante l'applicativo statistico R, al fine della loro successiva applicazione in ambito economico-aziendale. Le metodologie introdotte saranno illustrate attraverso casi reali.

Si daranno per acquisite le nozioni impartite nel corso di Statistica e di Metodi Matematici I e II.Il corso da 2 cfu “Metodi quantitativi per le decisioni” è fortemente consigliato.

Lezioni ed esercitazioni in aula informatica. Esercitazioni per casa. La frequenza alla lezioni è fortemente raccomandata.

Per ulteriori informazioni (come i collegamenti alle pagine web dei software utilizzati), si prega di consultare la pagina del corso su D.I.R. all’indirizzo: https://dir.uniupo.it/

L'esame è costituito da una tesina personale ed una prova orale. La tesina personale riguarderà una analisi dati condotta in autonomia dallo studente utilizzando gli strumenti statistici introdotti a lezione. La prova orale consisterà nella discussione della tesina e di domande di teoria.

1. Introduzione al software statistico R. Primi elementi di programmazione. Generazione e reperimento di dati. Avvio alle analisi dei dati: richiami di statistica uni- e bi-variata. Approfondimenti e applicazioni.
2. Introduzione alla statistica multivariata. Matrice dei dati, centroidi e matrice di varianza covarianza. Distribuzioni congiunte e misture.
3. Analisi delle componenti principali. Applicazioni.
4. Problemi di classificazione: algoritmi di clustering gerarchico e non-gerarchico (k-means). Applicazioni in ambito del marketing.
5. Problemi di discriminazione. Modello discriminante lineare. Applicazioni nell'analisi del rischio di credito: Indici di bilancio e previsione delle insolvenze, il Modello Z-score di Altman, metodi di selezione delle variabili. Curva ROC.
6. Modelli di regressione multivariata: stima dei parametri del modello, bontà di adattamento, variabili dummy, previsioni. Applicazioni: modelli di mercato per dati finanziari, stima della funzione di produzione, stima della funzione di domanda.
7. Modelli di Regressione logistica. Applicazioni.
8. Regressione non parametrica: kernel, splines e smoothing splines.

Il programma potrà subire modifiche a seconda delle esigenze riscontrate in aula.

Gli studenti dovranno conoscere e saper usare strumenti di statistica multivariata di base: statistiche descrittive, segmentazione, analisi discriminante, regressione (lineare, logistica, etc.), analisi delle componenti principali, etc. Gli studenti dovranno saper applicare tali strumenti a banche dati tramite il sofware statistico R.