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
STATISTICA COMPUTAZIONALE
SCP4063598, A.A. 2018/19

Informazioni valide per gli studenti immatricolati nell'A.A. 2017/18

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea in
STATISTICA PER LE TECNOLOGIE E LE SCIENZE
SC2094, ordinamento 2014/15, A.A. 2018/19
N0
porta questa
pagina con te
Crediti formativi 9.0
Tipo di valutazione Voto
Denominazione inglese COMPUTATIONAL STATISTICS
Sito della struttura didattica http://www.stat.unipd.it/studiare/ammissione-lauree-triennali
Dipartimento di riferimento Dipartimento di Scienze Statistiche
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 MATTEO GRIGOLETTO SECS-S/01

Mutuazioni
Codice Insegnamento Responsabile Corso di studio
SCP4063598 STATISTICA COMPUTAZIONALE MATTEO GRIGOLETTO SC2095

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Statistico, statistico applicato, demografico SECS-S/01 9.0

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
LABORATORIO 3.0 22 53.0
LEZIONE 6.0 42 108.0

Calendario
Inizio attività didattiche 25/02/2019
Fine attività didattiche 14/06/2019
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2014

Commissioni d'esame
Commissione Dal Al Membri
4 Commissione a.a.2018/19 01/10/2018 30/09/2019 GRIGOLETTO MATTEO (Presidente)
CANALE ANTONIO (Membro Effettivo)
SCARPA BRUNO (Membro Effettivo)

Syllabus
Prerequisiti: Il corso prevede le conoscenze di: Istituzioni di analisi matematica, Statistica I, Statistica II, Algebra lineare, Istituzioni di calcolo delle probabilità.
Conoscenze e abilita' da acquisire: 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.
Modalita' di esame: La verifica delle conoscenze acquisite avviene attraverso una prova scritta, in laboratorio informatico, con esercizi volti ad evidenziare le conoscenze, le metodologie, la capacità di analisi e di discussione critica acquisite durante il corso. Questa prova è basata sui temi trattati e discussi a lezione e nelle esercitazioni.
Criteri di valutazione: 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.
Contenuti: 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.
Attivita' di apprendimento previste e metodologie di insegnamento: Il corso è organizzato in lezioni frontali e in esercitazioni in aula informatica. Tutte le lezioni sono basate sul software R.
L'insegnamento è sempre interattivo, con domande e presentazione di casi di studio, per promuovere la discussione e la riflessione critica in aula.
Eventuali indicazioni sui materiali di studio: Le dispense del corso, rese disponibili nella piattaforma Moodle prima delle lezioni, costituiscono il materiale di riferimento. Altro materiale didattico e prove di esame degli anni precedenti sono resi disponibili nella piattaforma Moodle prima delle lezioni.
Testi di riferimento:

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Laboratory
  • Interactive lecturing
  • Problem solving

Didattica innovativa: Software o applicazioni utilizzati
  • Moodle (files, quiz, workshop, ...)
  • R