Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
SCIENZE STATISTICHE
Insegnamento
THEORY AND METHODS OF INFERENCE
SCP4063246, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2018/19

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
SCIENZE STATISTICHE
SS1736, ordinamento 2014/15, A.A. 2019/20
N0
porta questa
pagina con te
Crediti formativi 9.0
Tipo di valutazione Voto
Denominazione inglese THEORY AND METHODS OF INFERENCE
Sito della struttura didattica http://www.stat.unipd.it/studiare/ammissione-laurea-magistrale
Dipartimento di riferimento Dipartimento di Scienze Statistiche
Sito E-Learning https://elearning.unipd.it/stat/course/view.php?idnumber=2019-SS1736-000ZZ-2018-SCP4063246-N0
Obbligo di frequenza No
Lingua di erogazione INGLESE
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 ALESSANDRA SALVAN SECS-S/01
Altri docenti NICOLA SARTORI SECS-S/01

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
AFFINE/INTEGRATIVA Attività formative affini o integrative 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
LEZIONE 9.0 64 161.0

Calendario
Inizio attività didattiche 02/03/2020
Fine attività didattiche 12/06/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2014

Commissioni d'esame
Nessuna commissione d'esame definita

Syllabus
Prerequisiti: Insegnamenti del primo anno della Laurea Magistrale in Scienze Statistiche, in particolare Calcolo delle Probabilità e Statistica Progredito.
Conoscenze e abilita' da acquisire: Il corso mira a fornire agli studenti una comprensione approfondita della teoria dell'inferenza statistica, secondo diversi approcci, in particolare bayesiano e frequentista, evidenziando aspetti unificanti e specificità. Il corso ha l'obiettivo di sviluppare abilità avanzate di `problem solving' attraverso esercizi assegnati settimanalmente a gruppi e discussi in classe. Si preparano inoltre gli studenti alla consultazione di diverse fonti bibliografiche, sia testi, sia articoli su riviste specializzate. Agli studenti è proposto anche un lavoro individuale di preparazione alla stesura di un articolo. Sono inoltre previsti piccoli seminari degli studenti per sviluppare abilità di presentazione orale.
Modalita' di esame: 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.
Criteri di valutazione: 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.
Contenuti: - 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.
Attivita' di apprendimento previste e metodologie di insegnamento: Lezioni, homework, presentazioni scritte e orali degli studenti
Eventuali indicazioni sui materiali di studio: Materiale didattico sarà reso disponibile sulla pagina Moodle del corso.
Testi di riferimento:
  • Davison, Anthony Christopher, Statistical Models. New York: Cambridge University Press, 2003. Cerca nel catalogo
  • Pace, Luigi; Salvan, Alessandra, Principles of Statistical Inference, from a Neo-Fisherian Perspective. Singapore: World Scientific, 1997. Cerca nel catalogo
  • Severini, Thomas A., Likelihood Methods in Statistics. Oxford: Oxford University Press, 2000. Cerca nel catalogo
  • Severini, Thomas A., Elements of Distribution Theory. Cambridge: Cambridge University press, 2005. Cerca nel catalogo
  • Young, G. A.; Smith, R. L., Essentials of Statistical Inference. Cambridge: Cambridge University Press, 2005. Cerca nel catalogo

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Problem based learning
  • Interactive lecturing
  • Working in group
  • Problem solving
  • Files e pagine caricati online (pagine web, Moodle, ...)
  • scrittura scientifica

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

Obiettivi Agenda 2030 per lo sviluppo sostenibile
Istruzione di qualita' Uguaglianza di genere