Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
SCIENZE STATISTICHE
Insegnamento
STATISTICA COMPUTAZIONALE PROGREDITO
SCP4063389, 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 COMPUTATIONAL STATISTICS (ADVANCED)
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-SCP4063389-N0
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 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 Primo 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 30/09/2019
Fine attività didattiche 18/01/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2014

Commissioni d'esame
Nessuna commissione d'esame definita

Syllabus
Prerequisiti: Calcolo delle Probabilità e Statistica progredito.
Utile, anche se non prerequisito, Statistica Computazionale.
Conoscenze e abilita' da acquisire: - Lo sviluppo di nuove tecniche computazionali per l'inferenza in modelli statistici.
- Utilizzo di R per l'implementazione di tali tecniche.
Modalita' di esame: L'esame consiste in una prova pratica in aula ASID. La prova comprende sia parti teoriche che analisi empiriche.
Criteri di valutazione: La valutazione si basa sulla correttezza e completezza della prova pratica.
Contenuti: - Simulazione: algoritmi di accettazione e rifiuto; integrazione Monte Carlo; importance sampling e altri metodi di riduzione della varianza.
- Metodi numerici e grafici per l'analisi di verosimiglianza e per l'inferenza Bayesiana.
- L'algoritmo EM.
- Metodi di ricampionamento: bootstrap e jacknife.
- Catene di Markov e algoritmi Markov Chain Monte Carlo (MCMC): la teoria delle catene Markoviane; algoritmi MCMC; applicazioni all'inferenza Bayesiana.
Attivita' di apprendimento previste e metodologie di insegnamento: Lezioni frontali e laboratori informatici
Eventuali indicazioni sui materiali di studio: Materiale didattico disponibile sulla pagina web del corso (su Moodle)
Testi di riferimento:
  • Robert, Christian P.; Casella, George, Introducing Monte Carlo methods with R. New York: Springer, 2010. Cerca nel catalogo
  • Davison, Anthony Christopher; Hinkley, David V., Bootstrap methods and their application. Cambridge [etc.]: Cambridge university press, 1997. Cerca nel catalogo
  • Albert, Jim, Bayesian computation with R. Dordrecht: Springer Verlag, 2009. Cerca nel catalogo
  • Gelman, Andrew; Meng, Xiao-Li; Brooks, Steve; Jones, Galin L., Handbook of Markov Chain Monte Carlo. Boca Raton: CRC Press (Taylor & Francis Group), 2011. Cerca nel catalogo
  • Efron, Bradley; Tibshirani, Robert, <<An >>introduction to the bootstrapBradley Efron and Robert J. Tibshirani. New York: London, Chapman & Hall, --. Cerca nel catalogo