| Corsi di Laurea | Corsi di Laurea Magistrale | Corsi di Laurea Magistrale a Ciclo Unico |
| Scuola di Scienze | ||
| STATISTICA PER LE TECNOLOGIE E LE SCIENZE | ||
Insegnamento
ANALISI DEI DATI MULTIDIMENSIONALI (Ult. numero di matricola pari)
SCP4063365, A.A. 2017/18
Informazioni valide per gli studenti immatricolati nell'A.A. 2016/17
ANALISI DEI DATI MULTIDIMENSIONALI (Ult. numero di matricola pari)
SCP4063365, A.A. 2017/18
Informazioni valide per gli studenti immatricolati nell'A.A. 2016/17
Principali informazioni sull'insegnamento
| Corso di studio |
Corso di laurea in STATISTICA PER LE TECNOLOGIE E LE SCIENZE SC2094, ordinamento 2014/15, A.A. 2017/18 |
 porta questa pagina con te |
|---|---|---|
| Crediti formativi | 6.0 | |
| Tipo di valutazione | Voto | |
| Denominazione inglese | MULTIVARIATE DATA ANALYSIS | |
| Sito della struttura didattica | http://scienzestatistiche.scienze.unipd.it/2017/laurea_statisticatecnologiescienze | |
| Dipartimento di riferimento | Dipartimento di Scienze Statistiche | |
| Sito E-Learning | https://elearning.unipd.it/stat/course/view.php?idnumber=2017-SC2094-000ZZ-2016-SCP4063365-PARI | |
| Obbligo di frequenza | No | |
| Lingua di erogazione | ITALIANO | |
| Sede | PADOVA | |
| Corso singolo | È possibile iscriversi all'insegnamento come corso singolo | |
| Corso a libera scelta | È possibile utilizzare l'insegnamento come corso a libera scelta |
Docenti
| Responsabile | MANUELA CATTELAN | SECS-S/01 |
|---|
Mutuante
| Codice | Insegnamento | Responsabile | Corso di studio |
|---|---|---|---|
| SCP4063365 | ANALISI DEI DATI MULTIDIMENSIONALI (Ult. numero di matricola pari) | MANUELA CATTELAN | SC2095 |
Dettaglio crediti formativi
| Tipologia | Ambito Disciplinare | Settore Scientifico-Disciplinare | Crediti |
|---|---|---|---|
| AFFINE/INTEGRATIVA | Attività formative affini o integrative | SECS-S/01 | 6.0 |
Organizzazione dell'insegnamento
| Periodo di erogazione | Secondo semestre |
|---|---|
| Anno di corso | II Anno |
| Modalità di erogazione | frontale |
| Tipo ore | Crediti | Ore di didattica assistita |
Ore Studio Individuale |
Turni |
|---|---|---|---|---|
| LABORATORIO | 2.0 | 14 | 36.0 | 2 |
| LEZIONE | 4.0 | 28 | 72.0 | Nessun turno |
| Inizio attività didattiche | 26/02/2018 |
|---|---|
| Fine attività didattiche | 01/06/2018 |
| Visualizza il calendario delle lezioni | Lezioni 2019/20 Ord.2014 |
Commissioni d'esame
| Commissione | Dal | Al | Membri |
|---|---|---|---|
| 4 Commissione a.a.2018/19 (matr.pari) | 01/10/2018 | 30/09/2019 |
CATTELAN
MANUELA
(Presidente)
FINOS LIVIO (Membro Effettivo) SCARPA BRUNO (Membro Effettivo) |
| 3 Commissione a.a.2018/19 (matr.dispari) | 01/10/2018 | 30/09/2019 |
FINOS
LIVIO
(Presidente)
CATTELAN MANUELA (Membro Effettivo) SCARPA BRUNO (Membro Effettivo) |
| 1 Commissione a.a. 2017/18 (matr. dispari) | 01/10/2017 | 30/09/2018 |
FINOS
LIVIO
(Presidente)
CATTELAN MANUELA (Membro Effettivo) CHIOGNA MONICA (Membro Effettivo) SCARPA BRUNO (Membro Effettivo) |
| Prerequisiti: | Algebra lineare
Statistica I |
| Conoscenze e abilita' da acquisire: | Il corso mira ad introdurre lo studente ai principali metodi statistici per dati (e problemi) multidimensionali.
Vengono affrontati alcuni metodi inferenziali classici 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 analisi dei gruppi (clustering gerarchico e non gerarchico). L'acquisizione della capacità di applicazione dei metodi tramite software (R) è una finalità non secondaria del corso. |
| Modalita' di esame: | Prova scritta e prova in laboratorio (con R). |
| Criteri di valutazione: | Capacità di risolvere gli esercizi e di rispondere alle domande. |
| Contenuti: | Metodi di riduzione dei dati
- Analisi delle componenti principali - Analisi fattoriale esplorativa. Identificazione dei fattori, rotazioni degli assi, interpretazione dei fattori. - Scaling multidimensionale. Metodi di clustering e classificazione. - Cluster analysis gerarchica. - Misure di distanza e metodologie appropriate per variabili non quantitative. - Cluster analysis non gerarchica. Inferenza Multivariata - Vettori casuali multivariati - Distribuzione Normale Multivariata |
| Attivita' di apprendimento previste e metodologie di insegnamento: | Lezioni frontali e laboratorio. |
| Eventuali indicazioni sui materiali di studio: | |
| Testi di riferimento: |
|
