Ateneo - UPO

Introduzione alla statistica computazionale con particolare attenzione a modelli e algoritmi di generazione di variabili casuali, visualizzazione di dati multivariati, inferenza statistica, metodi Monte Carlo, metodi di ricampionamento. Le metodologie studiate a lezione verranno implementate usando il software statistico R.

- M. L. Rizzo (2019): Statistical Computing with R, Second Edition. Chapman & Hall, Boca Raton.

- Materiale a cura del docente.

Gli obiettivi formativi del corso sono (declinati secondo i descrittori di Dublino):
• Conoscenza e capacità di comprensione: conoscere e comprendere i metodi statistici introdotti,
• Capacità di applicare conoscenza e comprensione: saperli implementare e interpretare in scenari simulati e reali,
• Autonomia di giudizio: saper valutare autonomamente quando le metodologie sono applicabili
• Abilità comunicative: saper comunicare anche a non esperti i risultati, i vantaggi e i limiti delle metodologie implementate
• Capacità di apprendimento: saper estendere i concetti e le idee viste nel corso a nuovi contesti.

Fondamenti di matematica, probabilità e statistica.

Lezioni teoriche frontali ed esercitazioni in laboratorio. 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/

Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con
Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati
rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e

consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti-
disabili-e-dsa

Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studentidisabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.

L'esame è costituito da una prova orale consistente in domande teoriche e nella discussione di un eventuale elaborato.

0. Introduzione ad R.
1. Manipolazione dei dati in R. Visualizazione dei dati (elementi di statistica descrittiva).
2. Metodi di generazione dei dati.
3. Statistica Inferenziale (stima puntuale, test di Ipotesi, metodi (non-)parametrici)
4. Introduzione ai processi stocastici (Catene di Markov discrete e continue)
5. Introduzione alla statistica Bayesiana e tecniche MCMC (Monte Carlo Markov Chain)
6. Tecniche di ricampionamento (bootstrap e jackknife).

Gli argomenti del corso potranno subire modifiche a seconda delle esigenze didattiche che emergono durante lo svolgimento dello stesso.

Alla fine del corso lo studente dovrebbe avere acquisito le seguenti:
• Conoscenze: conoscere le motivazioni e le applicazioni principali che necessitano l’introduzione di metodi per generare numeri casuali, per simulazioni montecarlo e di ricampionamento.
• Competenze ed abilità: saper valutare gli ambiti di applicazione, implementare e interpretare, in scenari simulati e reali, le metodologie viste. Saper comunicare, anche a non esperti, i risultati, i vantaggi e i limiti delle metodologie implementate. Saper estendere i concetti e le idee viste nel corso a nuovi contesti.