Presentazione

Organizzazione della Didattica

DM270
SCIENZE STATISTICHE ORD. 2014


9

Corsi comuni

 

Frontali Esercizi Laboratorio Studio Individuale
ORE: 64 0 0 69

Periodo

AnnoPeriodo
II anno2 semestre

Frequenza

Facoltativa

Erogazione

Convenzionale

Lingua

Inglese

Calendario Attività Didattiche

InizioFine
26/02/201801/06/2018

Tipologia

TipologiaAmbitoSSDCFU
affine/integrativo Nessun ambitoSECS-S/019


Responsabile Insegnamento

ResponsabileSSDStruttura
Prof.ssa SALVAN ALESSANDRASECS-S/01Dipartimento di Scienze Statistiche

Altri Docenti

DocenteCoperturaSSDStruttura
Prof. SARTORI NICOLAIstituzionaleSECS-S/01Dipartimento di Scienze Statistiche

Attività di Supporto alla Didattica

Non previste.

Bollettino

Insegnamenti del primo anno della Laurea Magistrale, in particolare Calcolo delle Probabilità e Statistica Progredito.

Il corso mira a fornire agli studenti una comprensione approfondita della teoria dell'inferenza frequentista basata sulla verosimiglianza. Agli studenti è proposto anche un lavoro personale su argomenti di ricerca recenti in tale ambito. Il corso fornisce inoltre un'introduzione all'inferenza bayesiana.

Lezioni, homework, presentazioni scritte e orali degli studenti

- Modelli statistici e valutazione dell'incertezza nell'inferenza: inferenza bayesiana e frequentista, specificazione del modello in ambito bayesiano e frequentista, valutazione frequentista dell'incertezza e problemi di distribuzione. - Funzioni generatrici, approssimazioni di momenti, trasformazioni. - Verosimiglianza: quantità osservate e attese. Proprietà esatte e riparametrizzazioni. - Inferenza basata sulla verosimiglianza: teoria asintotica del primo ordine. - Inferenza bayesiana: approssimazioni asintotiche, distribuzioni a priori non informative, metodi bayesiani empirici, stima e verifica d'ipotesi bayesiane, inferenza bayesiana per il modello lineare. - Equazioni di stima e pseudo-verosimiglianze: effetti una non corretta specificazione del modello, quasi verosimiglianza, verosimiglianza composita, verosimiglianza empirica. - Aspetti computazionali in R dell'inferenza di verosimiglianza e bayesiana. Algoritmo EM. - Riduzione dei dati e del modello: statistiche costanti in distribuzione, ancillari e condizionamento, completezza, pseudo-verosimiglianze per l'inferenza con parametri di disturbo. - Inferenza secondo il paradigma decisionale. - Famiglie esponenziali: modelli e inferenza. - Famiglie di dispersione esponenziale e modelli lineari generalizzati. - Famiglie di gruppo: modelli e inferenza.

1/3 homework, 1/3 esame scritto finale, 1/3 presentazione scritta e orale di di un lavoro individuale di rassegna basato su un paio di articoli scientifici recenti.

La valutazione terrà conto di come gli argomenti presentati siano padroneggiati in applicazioni e problemi, della capacità di valutazione critica delle metodoligie presentate, della abilità dimostrata nell'interazione con argomenti di ricerca recenti. Gli studenti di dottorato possono sostenere l'esame solo nell'appello fissato alla fine del corso.

Davison, Anthony Christopher, Statistical Models. New York: Cambridge University Press, 2003 Pace, Luigi; Salvan, Alessandra, Principles of Statistical Inference, from a Neo-Fisherian Perspective. Singapore: World Scientific, 1997 Severini, Thomas A., Likelihood Methods in Statistics. Oxford: Oxford University Press, 2000 Severini, Thomas A., Elements of Distribution Theory. Cambridge: Cambridge University press, 2005 Young, G. A.; Smith, R. L., Essentials of Statistical Inference. Cambridge: Cambridge University Press, 2005

Materiale didattico sarà reso disponibile sulla pagina web del corso.