Gli obiettivi formativi che saranno valutati ai fini del superamento dell’esame finale sono riassunti nello schema seguente:
Conoscenza e comprensione: Conoscenza dei principali strumenti per la sintesi e la presentazione dei dati, attraverso l’acquisizione dei principali strumenti di statistica descrittiva; acquisizione degli strumenti tipici dell’inferenza statistica da utilizzare in problemi di stima, di verifica di ipotesi e di analisi di regressione.
Capacità di applicare conoscenza e comprensione: Capacità di utilizzare le tecniche opportune in base al tipo di dati da analizzare; essere in grado di effettuare semplici calcoli in situazioni di incertezza; saper applicare le principali tecniche di inferenza statistica e classificazione; saper leggere analisi statistiche effettuate con le metodologie presentate nell’insegnamento.
Autonomia di giudizio: Essere in grado di interpretare i risultati ottenuti dalle analisi statistiche in termini operativi sulla base del contesto applicativo da cui provengono i dati analizzati, essendo quindi in grado di utilizzare i risultati nell’ottica di processi decisionali.
Abilità comunicative: Acquisire i primi rudimenti del linguaggio tecnico tipico della disciplina per comunicare in modo chiaro e senza ambiguità con interlocutori specialisti e non specialisti.
Capacità di apprendimento: Essere in grado di leggere correttamente i risultati di indagini statistiche anche in contesti di maggiore complessità rispetto a quelli presentati nell’insegnamento.
L'esame consiste in un assignment.
Il regolamento d'esame completo è pubblicato sulla pagina Aulaweb dell’insegnamento prima dell’inizio delle lezioni.
Gli studenti in possesso di certificazione di disabilità, DSA o bisogni educativi speciali devono contattare, all'inizio delle lezioni, sia il docente, sia il referente per la disabilità del Dipartimento, Prof.ssa Elena Lagomarsino elena.lagomarsino@unige.it , per concordare modalità didattiche e d'esame che, nel rispetto degli obiettivi dell'insegnamento, tengano conto delle modalità di apprendimento individuali e consentano l'uso di eventuali strumenti compensativi
Regressione Logistica
Regression Trees
Classification Trees
Hierarchical Clustering
K-means Clustering
Trevor Hastie, Robert Tibshirani, Jerome Friedman. "The Elements of Statistical Learning. Data Mining, Inference, and Prediction." Springer
Ricevimento: È possibile fissare il ricevimento con la docente contattandola via mail all'indirizzo marta.nairuscone@unige.it
ANDREA CIACCI
STEFANO BRACCO (Presidente Supplente)
STEFANO MASSUCCO (Presidente Supplente)
MARTA NAI RUSCONE (Presidente Supplente)
Le lezioni iniziano nella prima settimana del secondo semestre come da calendario di Dipartimento http://economia.unige.it/orario-lezioni
Le domande e gli esercizi contenuti nella prova scritta sono scelti in modo da coprire, per quanto possibile, tutti gli argomenti del programma d'esame. Costituiscono
parametri di valutazione, oltre al grado di comprensione e alla capacità di applicare le conoscenze, anche l’utilizzo corretto del lessico della disciplina e la capacità di
lettura e corretta interpretazione delle analisi statistiche.
I dettagli sulle modalità di preparazione per l’esame e sul grado di approfondimento di ogni argomento verranno illustrati e discussi nel corso delle lezioni.