Presentazione

Organizzazione della Didattica

DM270
STATISTICA E TECNOLOGIE INFORMATICHE


8

Corsi comuni

 

Frontali Esercizi Laboratorio Studio Individuale
ORE: 36 0 20 69

Periodo

AnnoPeriodo
III 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
Dott. FINOS LIVIOM-PSI/03DIPARTIMENTO DI PSICOLOGIA DELLO SVILUPPO E DELLA SOCIALIZZAZIONE

Altri Docenti

Non previsti.

Attività di Supporto alla Didattica

Non previste.

Bollettino

Modelli statistici I

Il corso mira ad introdurre lo studente ai principali metodi statistici per dati (e problemi) multidimensionali. Vengono affrontati alcuni metodi inferenziali classici (T^2 Hotelling, regressione multipla multivariata e i principali metodi esplorativi di riduzione dei dati (Componenti Principali e MultiDimentional Scaling). Una particolare rilevanza è data anche alla definizione di tecniche di classificazione supervisionata (Analisi Discriminate Lineare, Quadratico, Logistica e Alberi di Segmentazione) e non supervisionata (clustering gerarchico, k-means e modelli a misture di variabili). L'acquisizione della capacità di applicazione dei metodi tramite software (R) è una finalità non secondaria del corso.

Lezioni frontali e laboratorio.

- Analisi esplorativa di osservazioni multidimensionali e definizioni. - Inferenza su distribuzioni multivariate (T^2 Hotelling e regressione multivarita). - Riduzione in componenti principali e tramite multidimentional scaling. - Introduzione ai problemi di clustering e di classificazione. - Tecniche di classificazione parametriche: analisi discriminante lineare e quadratica, modelli lineari generalizzati. - Tecniche non parametriche: alberi di classificazione e regressione. - Accuratezza delle classificazioni. Validazione incrociata. - Tecniche di analisi cluster.

Prova scritta + Prova in laboratorio (con R) + orale per valutazioni superiori al 26.

Capacità di risolvere gli esercizi e di rispondere alle domande.

Mardia, K.V., Kent, J.T., Bibby, J.M., Multivariate Analysis. New York: Academic Press, 1979 Azzalini, A., Scarpa, B., Analisi dei dati e data mining. Milano: Springer Verlag, 2004 Hastie, T., Tibshirani, R., Friedman, J., Elements of Statistical Learning: data mining, inference and prediction.. : Springer, 2001 Richard A. Johnson, Dean W. Wichern, Applied Multivariate Statistical Analysis. : Prentice Hall, 2013 Fabbris, L., Analisi esplorativa di dati multidimensionali. Padova: CLEUP, 1990

Appunti delle lezioni su moodle.