Presentazione

Organizzazione della Didattica

DM270
STATISTICA E TECNOLOGIE INFORMATICHE


8

Corsi comuni

 

Frontali Esercizi Laboratorio Studio Individuale
ORE: 38 0 18 69

Periodo

AnnoPeriodo
II anno2 semestre

Frequenza

Facoltativa

Erogazione

Convenzionale

Lingua

Italiano

Calendario Attività Didattiche

InizioFine
02/03/201512/06/2015

Tipologia

TipologiaAmbitoSSDCFU
caratterizzanteStatistico, statistico applicato, demograficoSECS-S/018


Responsabile Insegnamento

ResponsabileSSDStruttura
Prof. GRIGOLETTO MATTEOSECS-S/01Dipartimento di Scienze Statistiche

Altri Docenti

Non previsti.

Attività di Supporto alla Didattica

Non previste.

Bollettino

Statistica 1 e 2, modelli statistici 1.

Comprensione dell'utilità, specialmente con obiettivi inferenziali, di strumenti computazionali ``intensivi'' dal punto di vista del calcolo. Capacità di applicare i metodi studiati usando funzioni disponibili in R, e capacità di programmazione tali da permettere di sviluppare nuove funzioni.

Lezioni di teoria e lezioni in laboratorio informatico.

Tecniche di simulazione e applicazioni in statistica. Introduzione alla simulazione: cenno alla generazione di variabili casuali uniformi, algoritmo di inversione, algoritmo accetto-rifiuto, campionamento per importanza, Rao-Blackwell, l'idea delle variabili antitetiche. Applicazioni: calcolo di integrali multidimensionali, valutazione dell'efficienza e robustezza di un metodo statistico, calcolo dei valori critici di una statistica test in situazioni "complicate". Inferenza via bootstrap. L'idea del bootstrap, bootstrap parametrico e non parametrico, esempi di applicazioni (quantili, modello lineare). Stima non parametrica. Funzione di densità: il metodo del nucleo, l'importanza della scelta del grado di lisciamento, criteri automatici (validazione incrociata, Sheather-Jones). Funzione di regressione: regressione polinomiale locale, splines, idea dei gradi di libertà equivalenti, scelta degli stessi usando AICc e GCV, valutazione della precisione via bootstrap. Applicazioni a dati reali. Esplorazione numerica della funzione di verosimiglianza. Introduzione agli algoritmi di ottimizzazione e differenziazione numerica in R, loro uso per calcolare le stime di massima verosimiglianza, costruzione di intervalli o regioni di confidenza basati sulla verosimiglianza profilo o su una valutazione numerica della matrice di informazione osservata.

Prova pratica in laboratorio informatico.

La valutazione si baserà sul livello di comprensione di strumenti teorici e pratici forniti e sulla capacità di creare un legame tra le applicazioni ed i modelli necessari a metterle in atto.

CONTENUTO NON PRESENTE

Le dispense del corso, rese disponibili in rete, costituiscono il materiale di riferimento.