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.

1. Introduzione e manipolazione dei dati in R. 2. Metodi di generazione dei dati casuali. 3. Statistica Inferenziale (stima puntuale, test di Ipotesi, metodi (non-)parametrici) 4. Tecniche di ricampionamento (bootstrap e jackknife). 5. Introduzione ai processi stocastici (Catene di Markov discrete e continue) 6. Introduzione alla statistica Bayesiana e tecniche MCMC (Monte Carlo Markov Chain)Gli argomenti del corso potranno subire modifiche a seconda delle esigenze didattiche che emergono durante lo svolgimento dello stesso.

Alla fine del corso si dovrebbero 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.