Acquisire una buona conoscenza delle metodologie statistico matematiche di base per problemi di inferenza e modellistica statistica. Sviluppare una conoscenza anche operativa di alcuni specifici pacchetti statistici per l'applicazione pratica degli strumenti teorici acquisiti.
Curriculum
scheda docente materiale didattico
Stima puntuale di parametri: metodo dei momenti, stimatore di massima verosimiglianza, stimatore di Bayes, algoritmo EM.
Valutazione di un stimatore: distorzione, consistenza e rischio quadratico. Stimatore UMVU e stimatori efficienti.
Intervallo di confidenza: metodo della quantita' pivotale, metodi asintotici e metodo delta.
Verifica di ipotese: definizione di verifica di ipotese, rapporto di verosimiglianza, dualita' con intervallo di confidenza e test uniformemente piu potente.
Metodi non parametrici: Test goodness-of-fit per variabile discrete e continue, tabella di contingenza e metodo di Kolmogorov Smirnov.
Altri argomenti: Analise di varianza (ANOVA), regressione lineare, regressione lineare generalizzata e regressione logistica.
Casella e Berger
Duxbury
Seconda edizione.
Fruizione: 20410555 ST410-STATISTICA in Scienze Computazionali LM-40 DE OLIVEIRA STAUFFER ALEXANDRE
Programma
Introduzione alla statistica: campionamento casuale da una popolazione finita e infinita. Definizione di modello statistico e di statistica. Esempi di statistiche. Proprieta' delle statistiche: statistica sufficiente, minimale e completa.Stima puntuale di parametri: metodo dei momenti, stimatore di massima verosimiglianza, stimatore di Bayes, algoritmo EM.
Valutazione di un stimatore: distorzione, consistenza e rischio quadratico. Stimatore UMVU e stimatori efficienti.
Intervallo di confidenza: metodo della quantita' pivotale, metodi asintotici e metodo delta.
Verifica di ipotese: definizione di verifica di ipotese, rapporto di verosimiglianza, dualita' con intervallo di confidenza e test uniformemente piu potente.
Metodi non parametrici: Test goodness-of-fit per variabile discrete e continue, tabella di contingenza e metodo di Kolmogorov Smirnov.
Altri argomenti: Analise di varianza (ANOVA), regressione lineare, regressione lineare generalizzata e regressione logistica.
Testi Adottati
Statistical InferenceCasella e Berger
Duxbury
Seconda edizione.
Modalità Erogazione
Lezioni frontali con esercizi durante le lezioni, e un progetto di analise di dati veri. Nel caso di un prolungamento dell’emergenza sanitaria da COVID-19, ci saranno lezioni frontali nella piattaforma Teams, con appunti disponibili nella piattaforma Moodle. Ci saranno anche esercizi da consegnare regolarmente.Modalità Frequenza
La frequenza è consigliataModalità Valutazione
Prova scritta con domande sia teoriche che numeriche. Fogli di esercizi per risolvere a casa. Progetto per l'analise di dati veri (in gruppi da 2 o 3 studenti), per applicare i metodi studiati durante le lezione. Nel caso di un prolungamento dell’emergenza sanitaria da COVID-19, la prova scritta puo' essere sostituita per una prova orale. scheda docente materiale didattico
Stima puntuale di parametri: metodo dei momenti, stimatore di massima verosimiglianza, stimatore di Bayes, algoritmo EM.
Valutazione di un stimatore: distorzione, consistenza e rischio quadratico. Stimatore UMVU e stimatori efficienti.
Intervallo di confidenza: metodo della quantita' pivotale, metodi asintotici e metodo delta.
Verifica di ipotese: definizione di verifica di ipotese, rapporto di verosimiglianza, dualita' con intervallo di confidenza e test uniformemente piu potente.
Metodi non parametrici: Test goodness-of-fit per variabile discrete e continue, tabella di contingenza e metodo di Kolmogorov Smirnov.
Altri argomenti: Analise di varianza (ANOVA), regressione lineare, regressione lineare generalizzata e regressione logistica.
Casella e Berger
Duxbury
Seconda edizione.
Fruizione: 20410555 ST410-STATISTICA in Scienze Computazionali LM-40 DE OLIVEIRA STAUFFER ALEXANDRE
Programma
Introduzione alla statistica: campionamento casuale da una popolazione finita e infinita. Definizione di modello statistico e di statistica. Esempi di statistiche. Proprieta' delle statistiche: statistica sufficiente, minimale e completa.Stima puntuale di parametri: metodo dei momenti, stimatore di massima verosimiglianza, stimatore di Bayes, algoritmo EM.
Valutazione di un stimatore: distorzione, consistenza e rischio quadratico. Stimatore UMVU e stimatori efficienti.
Intervallo di confidenza: metodo della quantita' pivotale, metodi asintotici e metodo delta.
Verifica di ipotese: definizione di verifica di ipotese, rapporto di verosimiglianza, dualita' con intervallo di confidenza e test uniformemente piu potente.
Metodi non parametrici: Test goodness-of-fit per variabile discrete e continue, tabella di contingenza e metodo di Kolmogorov Smirnov.
Altri argomenti: Analise di varianza (ANOVA), regressione lineare, regressione lineare generalizzata e regressione logistica.
Testi Adottati
Statistical InferenceCasella e Berger
Duxbury
Seconda edizione.
Modalità Erogazione
Lezioni frontali con esercizi durante le lezioni, e un progetto di analise di dati veri. Nel caso di un prolungamento dell’emergenza sanitaria da COVID-19, ci saranno lezioni frontali nella piattaforma Teams, con appunti disponibili nella piattaforma Moodle. Ci saranno anche esercizi da consegnare regolarmente.Modalità Frequenza
La frequenza è consigliataModalità Valutazione
Prova scritta con domande sia teoriche che numeriche. Fogli di esercizi per risolvere a casa. Progetto per l'analise di dati veri (in gruppi da 2 o 3 studenti), per applicare i metodi studiati durante le lezione. Nel caso di un prolungamento dell’emergenza sanitaria da COVID-19, la prova scritta puo' essere sostituita per una prova orale.