Menu
Docenti
delle principali procedure univariate e multivariate per sintetizzare i dati;
conoscenza e comprensione dei principali modelli statistici e delle
tecniche più importanti dell’apprendimento statistico, con particolare
attenzione ai modelli di regressione e alle tecniche di analisi multivariata;
conoscenza di almeno un software statistico.
Capacità di applicare conoscenza e comprensione: comprensione dei
metodi statistici come strumenti di ricerca utili in vari contesti applicati; capacità di usare la statistica descrittiva e inferenziale per sintetizzare
informazioni, per analizzare e interpretare relazioni tra variabili e per test
di ipotesi, acquisire abilità nell’utilizzazione di un software statistico.
Autonomia di giudizio: autonomia di giudizio nella scelta dei modelli e dei
metodi statistici più appropriati per analizzare uno specifico dataset e
nell’interpretazione dei risultati sperimentali.
Abilità comunicative: abilità comunicative nel presentare in modo
convincente e corretto un’analisi statistica, motivando i risultati ottenuti e
giustificando la metodologia adottata.
Capacità di apprendimento permanente: capacità di apprendimento
utilizzando strumenti utili per riuscire a capire autonomamente i
contenuti di un report statistico e per acquisire tecniche statistiche più
avanzate.
Maggiori informazioni sul corso di studio si possono ottenere da https://www.uniud.it/it/didattica/info-didattiche/regolamento-didattico-del-corso/LM-informatica/all-B2
Programma del corso
1) Introduzione alla statistica e all’analisi dei dati;
2) Analisi statistica esplorativa;
3) Rassegna sugli elementi di base dell’inferenza statistica;
4) Modello di regressione lineare semplice;
5) Regressione multipla e regressione logistica;
6) Previsione e classificazione;
7) Metodi non supervisionati (analisi delle componenti principali e analisi
dei gruppi);
8) Metodi basati su alberi per regressione e classificazione.
1) J. Maindonald, W.J. Braun: Data Analysis and Graphics Using R – An Example-Based Approach (Third Edition); Cambridge University Press,
2010.
2) J. Ledolter, R.V. Hogg: Applied Statistics for Engineers and Physical Scientist (Third Edition); Prentice Hall, 2009.
3) J.P. Marques de Sá: Applied Statistics Using SPSS, STATISTICA, MATLAB and R; Springer, 2007.
