|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
Gruppo opzionale:
Curriculum Demografico Sociale Gruppo OPZIONALE A2 un esame a scelta da 9 cfu - (visualizza)
 |
9
|
|
|
|
|
|
|
|
|
1038458 -
ANALISI DEI DATI DI SOPRAVVIVENZA E LONGITUDINALI
(obiettivi)
Obiettivi formativi.
Obiettivo formativo dell’insegnamento è l'apprendimento da parte degli studenti dei metodi per l'analisi di dati longitudinali e di sopravvivenza.
Conoscenza e capacità di comprensione.
Alla fine del corso gli studenti conoscono e comprendono i principali modelli per l'analisi di dati di sopravvivenza e longitudinali.
Capacità di applicare conoscenza e comprensione.
Grazie alle esercitazioni in aula informatica, gli studenti apprendono ad applicare i principali mdoelli di regressione a dati di sopravvivenza e longitudinali.
Autonomia di giudizio.
La discussione dei vari stimatori fornisce agli studenti una autonomia nell'analizzare criticamente situazioni osservazionali.
Abilità comunicativa.
Alla fine del corso, gli studenti acquisiscono una notazione ed un linguaggio di base da utilizzare nel contesto dei dati di sopravvivenza e longitudinali.
Capacità di apprendimento.
Gli studenti che superano l’esame sono in grado di applicare i modelli appresi nei vari contesti specifici di applicazione.
-
ALFO' MARCO
( programma)
Parte Prima: Analisi dei dati di sopravvivenza
Esempi di dati di sopravvivenza
Quantita' e modelli di base
Censura e troncamento
Stima non parametrica delle quantita' di base per dati RC e LT
Stima delle quantita' di base per altri disegni
Test per la verifica di ipotesi
Modello a rischi proporzionali con covariate fisse
Diagnostica ed inferenza sul modello PH
Parte Seconda: Analisi dei dati longitudinali
Esempi di dati longitudinali
Considerazioni sui disegni longitudinali
Strutture di covarianza per dati longitudinali
Modelli di regressione per dati longitudinali
Modelli ad effetti misti
Tecniche di stima di ML per distribuzioni parametriche
Tecniche di stima di ML per distribuzioni non parametriche
\end{itemize}
\section*{Riferimenti}
\begin{enumerate}
\item John P. Klein and Melvin L. Moeschberger (2003). Survival Analysis:
Techniques for Censored and Truncated Data, Springer, 2nd edition.
\item Peter J. Diggle, Patrick J. Heagerty, Kung-Yee Liang, Scott L. Zeger
(2002). Analysis of Longitudinal Data, Oxford University Press, 2nd
edition.
 John P. Klein and Melvin L. Moeschberger (2003). Survival Analysis: Techniques for Censored and Truncated Data, Springer, 2nd edition.
Peter J. Diggle, Patrick J. Heagerty, Kung-Yee Liang, Scott L. Zeger (2002). Analysis of Longitudinal Data, Oxford University Press, 2nd edition.
(Date degli appelli d'esame)
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
1022798 -
DATA MINING E CLASSIFICAZIONE
(obiettivi)
Obiettivi formativi
Grazie ai progressi tecnologici, l'acquisizione dei dati è diventata poco costosa e grandi insiemi di dati vengono accumulati, ad esempio, tramite internet, l'e-commerce o i servizi bancari elettronici.
Tali dati possono essere memorizzati nei data warehouse e data mart specificamente destinati al supporto delle decisioni aziendali.
Il data mining fornisce le tecniche di gestione e analisi per estrarre le informazioni rilevanti da questi archivi e costruire modelli previsivi, fondamentali in settori quali la valutazione del credito, il marketing, la customer relationship management.
Il corso prenderà in esame i metodi di preprocessing dei dati e la loro importanza.
Verranno introdotti alcuni modelli non-parametrici di classificazione e regressione: Alberi di decisione, neural networks, support vector machine.
Saranno illustrati i metodi di ensemble learning (Bagging, Boosting, Stacking, Blended).
Sarà anche affrontata l'elaborazione di dati testuali e di immagini.
Conoscenza e capacità di comprensione.
Acquisire le basi delle tecniche affrontate nelle applicazioni di data mining.
Comprendere come e perchè scegliere fra metodi statistici alternativi o eventualmente come combinare i diversi metodi.
Capacità di trattare grosse masse di dati con l'ausilio dell'opportuno software, commerciale e open source.
Capacità di applicare conoscenza e comprensione.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di un'ampia gamma di modelli statistici e di machine learning.
Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando logiche di apprendimento diverse tra loro.
Imparano ad interpretare criticamente i risultati ottenuti applicando le procedure a insiemi di dati reali.
Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di un'ampia gamma di machine learning e modelli statistici.
Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando logiche di apprendimento diverse tra loro.
Imparano ad interpretare criticamente i risultati ottenuti applicando le procedure a insiemi di dati reali.
Abilità comunicativa.
Gli studenti, attraverso lo studio e l'esecuzione di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina, che deve essere opportunamente utilizzato sia nelle prove scritte intermedie e finali che nelle prove orali.
Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo.
Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso un metodo di analisi che consente loro di affrontare, negli insegnamenti successivi di area statistica, lo studio delle proprietà formali delle procedure di data mining in contesti modellistici più complessi.
-
DI CIACCIO AGOSTINO
( programma)
INTRODUZIONE A DATA WAREHOUSE E OLAP.
Dati e metadati. Modello di database relazionale. Transazioni, relazioni, indici. Data Base Management System. Normalizzazione: prima e seconda forma normale. Denormalizzazione e Data Warehouse. Dai sistemi OLTP al Data Warehouse. Confronto tra sistemi OLTP e Data Warehouse: punti di forza e debolezza. Definizione di Data Warehouse Data Mart e OLAP. Utilizzo e finalità di OLAP. Architettura OLAP: Fatti, dimensioni, gerarchie. Data Cube e cuboids. Schema a stella, a fiocco di neve, costellazione di fatti. Operazioni: drill down, roll up, rotating, slice e dice. Preprocessing dei dati. Data cleaning, integration and transformation, data reduction, discretization, hierarchy generation.
INTRODUZIONE AGLI ALBERI DI CLASSIFICAZIONE E AI METODI ENSEMBLE.
Misure di impurità: Entropia e indice di eterogeneità: potenzialità e limiti. Probabilità a priori delle classi, costi di errata classificazione. Criteri di split basati su impurità. Guadagno di uno split, Gain ratio CART style split, Criterio del Chi-quadrato (CHAID). Overfitting, generalizzabilità e tecniche di Pruning. Ensemble learning: Bagging, Boosting, random Forest, Stacking, Nearest Neighbours.
LA SCELTA DEL MODELLO
Underfitting, overfitting e stima del Prediction Error. Apparent error. In-sample error, extra-sample error, scomposizione della varianza. Valutazione della complessità di un modello. Selezione delle variabili. Modelli lineari: AIC, Cp, BIC, LASSO. Metodi basati sulla stima dell’extra-sample error: Leave-one-out Cross-validation, K-fold Cross-validation. Parametric Bootstrap. Confronto tra criteri di scelta del modello: previsione vs interpretazione. Proprietà asintotiche. Valutazione di modelli non-lineari. Curva lift. Curva cumulative gain. Curva ROC.
REGOLE ASSOCIATIVE.
Generazione delle regole associative. L'algoritmo Apriori. Market Basket Analysis.
NEURAL NETWORKS E SUPPORT VECTOR MACHINES.
Projection Pursuit Regression. Neuroni biologici e neuroni artificiali. Struttura di un neurone artificiale. Funzione somma e funzione trasferimento. Input layer, hidden layer, output layer Feedback. Procedura di stima (supervised training). Autoencoders, Convolutional N.N.. Applicazioni dei Neural Networks. Support Vector Machine, Classificatori lineari e margine. Massimizzazione del margine. Gruppi non-linearmente separabili. VC-dimension. Naive Bayes Classifiers.
TEXT MINING
Modalità di individuazione delle Keywords, Tokenizzazione delle pagine HTML. Stopwords Stemming, porter stemmer. Operazioni complesse sui testi (morfosintattica, semantica ...). Indicizzazione dei documenti. Costruzione del vocabolario. Mappe semantiche. SVD. Cluster e classificazione di documenti.
TRATTAMENTO DEI DATI MANCANTI
Tipi di pattern di dati mancanti. MAR, MCAR, MNAR. Case deletion Imputazione: metodi deterministici o stocastici, variabili ausiliarie Distorsione dovuta alle M.R. Svantaggi dell'imputazione singola. Obiettivi di un metodo di imputazione. Unconditional mean e unconditional distribution Hot deck. Conditional mean e conditional distribution, Nearest Neighbour imputation. Multiple imputation.
Vengono utilizzati nel corso appunti forniti dal docente e argomenti tratti dai seguenti testi: Data Mining: Concepts and Techniques (J. Han, M. Kamber), An Introduction to Statistical Learning with application in R (James, Witten, Hastie, Tibshirani), The Elements of Statistical Learning, Data Mining, Inference and Prediction (T. Hastie, R. Tibshirani, J. Friedman, Springer-Verlag).
Altri materiali didattici saranno via via inseriti nel sito WEB dei corsi on-line: slides del corso, links ad altri siti, test su parti del corso, esempi di applicazione, appunti da scaricare.
(Date degli appelli d'esame)
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
|
1018630 -
TEORIA DEI CAMPIONI
(obiettivi)
Obiettivi formativi
L'obiettivo formativo primario è l'apprendimento dei metodi del campionamento da popolazioni finite.
Formalizzare e pianificare il processo di raccolta e analisi di dati in studi osservazionali.
Pianificazione di indagini campionarie, scelta del disegno di campionamento, pianificazione della raccolta dei dati, analisi dei dati e stima delle quantità di interesse.
Conoscenza e comprensione
Conoscenza e comprensione delle principali metodologie di pianificazione delle indagini campionarie, trattamento degli errori non-campionari, delle mancate risposte, dei dati mancanti, degli errori di misurazione. Analisi di dati reali e stima di quantità di interesse, quali medie e proporzioni.
Applicare conoscenza e comprensione
Al termine del corso gli studenti sono in grado di formalizzare e pianificare il processo di raccolta e analisi di dati in studi osservazionali e di gestire i principali disegni campionari, stimatori puntuali e intervallari e le principali metodologie per il trattamento di errori non-campionari, delle mancate risposte, dei dati mancanti, degli errori di misurazione. Sono inoltre in grado di applicare i metodi a dati reali e di interpretare i risultati.
Capacità di giudizio
Gli studenti sviluppano senso critico attraverso le applicazioni dei metodi di campionamento e stima in un ampio spettro di contesti e attraverso il confronto di diverse possibili soluzioni e analisi di risultati.
Communication skills
Gli studenti, attraverso lo studio, acquisiscono il linguaggio tecnico scientifico della disciplina, da usare nella loro attività.
Capacità di apprendimento
Gli studenti che superano l'esame apprendono un metodo di analisi da utilizzare nel processo di raccolta e analisi di dati da popolazioni finite.
-
Marella Daniela
( programma)
Disegni campionari a probabilità variabile.
Stimatore di Horvitz-Thompson.
Disegni campionari con prefissate probabilità di inclusione.
Stimatori per calibrazione.
Errori non campionari: aspetti generali.
Imprecisioni di lista.
Errori di misura.
Mancate risposte.
Modelli di superpopolazione.
Conti, P.L., D. Marella (2012). "Campionamento da popolazioni finite". Ed. Springer Verlag, Milano.
Note del docente
(Date degli appelli d'esame)
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
Gruppo opzionale:
Curriculum Demografico Sociale Gruppo OPZIONALE C2 tre esami da 18 cfu - (visualizza)
|
18
|
|
|
|
|
|
|
|
|
10589631 -
MODELLI DEMOGRAFICI
(obiettivi)
Obiettivi formativi
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali problemi, metodi e modelli della demografia matematica.
Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso gli studenti conoscono e comprendono le metodologie più comunemente utilizzate per analizzare i processi demografici.
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di applicare i metodi e i modelli specifici della disciplina a casi concreti, anche in contesti multidisciplinari (socio-demografico, bio-demografico, attuariale, economico). Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di metodi e modelli a dati reali di diversa complessità.
Sviluppano inoltre il senso critico attraverso il confronto di soluzioni alternative allo stesso problema.
Abilità comunicativa.
Gli studenti, attraverso lo studio e lo svolgimento di applicazioni a casi concreti, acquisiscono il linguaggio tecnico-scientifico della disciplina, che deve essere opportunamente utilizzato nella prova orale finale.
Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo.
Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso un metodo di analisi che consente loro di studiare le principali questioni demografiche in modo autonomo.
-
BARBI ELISABETTA
( programma)
Il corso introduce gli studenti alla demografia matematica e si propone di fornire una conoscenza approfondita di alcune metodologie specifiche per l’analisi dei processi demografici.
Parte 1 (8 ore):
Analisi demografica nel continuo. Hazard function, survival function, density function.
Parte 2 (28 ore):
Modelli parametrici per la stima della mortalità, della fecondità e delle migrazioni. Eterogeneità non osservata ed effetti di selezione nei fenomeni demografici. Mappe di Lexis. Modelli parametrici a due dimensioni: Lee-Carter e sue estensioni, Modelli relazionali.
Metodo Parte 3 (12 ore):
Popolazioni malthusiane. Modelli di popolazione stazionaria e stabile; popolazioni semi-stabili e quasi-stabili.
- Preston, Heuveline, Guillot “Demography”, Blackwell 2001
- Appunti Docente
(Date degli appelli d'esame)
|
6
|
SECS-S/04
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10589562 -
SURVEY METHODOLOGY
(obiettivi)
Obiettivi generali
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali problemi e metodi legati alle indagini statistiche. Gli studenti devono apprendere i principali elementi teorici che conducono alla organizzazione delle indagini e ai problemi legati all’errore di non osservazione (campionamento) e all’errore di osservazione (strumento di rilevazione). Una particolare attenzione verrà dedicata ai temi legati al dato soggettivo e alla consolidata teoria che conduce ad una corretta rilevazione e interpretazione degli stessi.
Obiettivi specifici
a) Conoscenze
Al termine del corso, gli studenti conoscono e comprendono i principi delle indagini statistiche (soprattutto nell’ambito della Statistica Ufficiale) e delle fasi operative che lo compongono.
b) Competenze
Al termine del corso gli studenti sono in grado di definire un progetto di rilevazione definendo le diverse fasi che lo compongono.
c) Autonomia di giudizio
Le conoscenze e le competenze sviluppate consentono agli studenti di osservare in maniera critica progetti di indagini esistenti e di valutare la possibilità di modifiche costruttive e finalizzate al loro miglioramento.
d) Abilità comunicativa
Gli studenti, attraverso lo studio e lo svolgimento di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina, con particolare riferimento alla rilevazione di dati individuali e soggettivi. Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo.
e) Capacità di apprendimento
Gli studenti che superano l’esame hanno appreso la metodologia delle rilevazioni statistiche. Ciò consente loro di di affrontare lo studio dei successivi insegnamenti con una consapevolezza legata soprattutto alle rilevazioni nell’ambito della Statistica Ufficiale.
|
6
|
SECS-S/05
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
10589571 -
DATA MINING
(obiettivi)
Obiettivi formativi
Grazie ai progressi tecnologici, l'acquisizione dei dati è diventata poco costosa e grandi insiemi di dati vengono accumulati, ad esempio, tramite internet, l'e-commerce o i servizi bancari elettronici.
Tali dati possono essere memorizzati nei data warehouse e data mart specificamente destinati al supporto delle decisioni aziendali.
Il data mining fornisce le tecniche di gestione e analisi per estrarre le informazioni rilevanti da questi archivi e costruire modelli previsivi, fondamentali in settori quali la valutazione del credito, il marketing, la customer relationship management.
Il corso prenderà in esame i metodi di preprocessing dei dati e la loro importanza.
Verranno introdotti alcuni modelli non-parametrici di classificazione e regressione: Alberi di decisione, neural networks, support vector machine.
Saranno illustrati i metodi di ensemble learning (Bagging, Boosting, Stacking, Blended).
Sarà anche affrontata l'elaborazione di dati testuali e di immagini.
Conoscenza e capacità di comprensione.
Acquisire le basi delle tecniche affrontate nelle applicazioni di data mining.
Comprendere come e perchè scegliere fra metodi statistici alternativi o eventualmente come combinare i diversi metodi.
Capacità di trattare grosse masse di dati con l'ausilio dell'opportuno software, commerciale e open source.
Capacità di applicare conoscenza e comprensione.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di un'ampia gamma di modelli statistici e di machine learning.
Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando logiche di apprendimento diverse tra loro.
Imparano ad interpretare criticamente i risultati ottenuti applicando le procedure a insiemi di dati reali.
Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di un'ampia gamma di machine learning e modelli statistici.
Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando logiche di apprendimento diverse tra loro.
Imparano ad interpretare criticamente i risultati ottenuti applicando le procedure a insiemi di dati reali.
Abilità comunicativa.
Gli studenti, attraverso lo studio e l'esecuzione di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina, che deve essere opportunamente utilizzato sia nelle prove scritte intermedie e finali che nelle prove orali.
Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo.
Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso un metodo di analisi che consente loro di affrontare, negli insegnamenti successivi di area statistica, lo studio delle proprietà formali delle procedure di data mining in contesti modellistici più complessi.
-
DI CIACCIO AGOSTINO
( programma)
INTRODUZIONE AGLI ALBERI DI CLASSIFICAZIONE E AI METODI ENSEMBLE.
Misure di impurità: Entropia e indice di eterogeneità: potenzialità e limiti. Probabilità a priori delle classi, costi di errata classificazione. Criteri di split basati su impurità. Guadagno di uno split, Gain ratio CART style split, Criterio del Chi-quadrato (CHAID). Overfitting, generalizzabilità e tecniche di Pruning. Ensemble learning: Bagging, Boosting, random Forest, Stacking, Nearest Neighbours.
LA SCELTA DEL MODELLO
Underfitting, overfitting e stima del Prediction Error. Apparent error. In-sample error, extra-sample error, scomposizione della varianza. Valutazione della complessità di un modello. Selezione delle variabili. Modelli lineari: AIC, Cp, BIC, LASSO. Metodi basati sulla stima dell’extra-sample error: Leave-one-out Cross-validation, K-fold Cross-validation. Parametric Bootstrap. Confronto tra criteri di scelta del modello: previsione vs interpretazione. Proprietà asintotiche. Valutazione di modelli non-lineari. Curva lift. Curva cumulative gain. Curva ROC.
REGOLE ASSOCIATIVE.
Generazione delle regole associative. L'algoritmo Apriori. Market Basket Analysis.
NEURAL NETWORKS E SUPPORT VECTOR MACHINES.
Projection Pursuit Regression. Neuroni biologici e neuroni artificiali. Struttura di un neurone artificiale. Funzione somma e funzione trasferimento. Input layer, hidden layer, output layer Feedback. Procedura di stima (supervised training). Autoencoders, Convolutional N.N.. Applicazioni dei Neural Networks. Support Vector Machine, Classificatori lineari e margine. Massimizzazione del margine. Gruppi non-linearmente separabili. VC-dimension. Naive Bayes Classifiers.
Vengono utilizzati nel corso appunti forniti dal docente e argomenti tratti dai seguenti testi: Data Mining: Concepts and Techniques (J. Han, M. Kamber), An Introduction to Statistical Learning with application in R (James, Witten, Hastie, Tibshirani), The Elements of Statistical Learning, Data Mining, Inference and Prediction (T. Hastie, R. Tibshirani, J. Friedman, Springer-Verlag).
(Date degli appelli d'esame)
|
6
|
SECS-S/01
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10589570 -
METODI MATEMATICI DI OTTIMIZZAZIONE
(obiettivi)
Obiettivi formativi
Il corso intende fornire una visione unificata dei principali problemi di ottimizzazione e dei relativi algoritmi di soluzione.
Alla fine del corso lo studente è in grado di classificare i problemi di ottimizzazione in opportune categorie, formulare modelli di ottimizzazione per semplici problemi reali e risolverli con gli algoritmi e il software adeguati.
Conoscenza e capacità di comprensione
Dopo aver frequentato il corso lo studente conosce e comprende le diverse classi di problemi di ottimizzazione (Programmazione LIneare, Programmazione Lineare con Variabili Intere, Programmazione Non Lineare Convessa) e i principali metodi di soluzione (Metodo del Simplesso, Metodi Branch and Bound e Cutting Plane, Metodi di discesa basati sul gradiente e Metodi ai punti interni).
Capacità di applicare conoscenza e comprensione
Gli studenti che superano l'esame sono in grado riconoscere problemi reali che possono essere modellizzati come problemi di ottimizzazione, di formulare tali modelli per alcune classi di problemi e risolverli con gli algoritmi e il software adeguati.
Autonomia di giudizio
Gli studenti acquisiscono la capacità di classificare i problemi di ottimizzazione in opportune categorie e di valutarne la complessità computazionale.
Imparano inoltre a vagliare i diversi aspetti legati ai problemi applicativi, a valutare diverse opzioni modellistiche e a analizzare i risultati ottenuti.
Abilità comunicativa
La frequenza delle lezioni e lo studio del materiale del corso permettono agli studenti di acquisire il linguaggio base della disciplina.
Le attività di laboratorio permettono agli studenti di acquisire la capacità di preparare brevi documenti che descrivono le scelte modellistiche e i risultati ottenuti su semplici casi applicativi.
Capacità di apprendimento
Gli studenti che superano l’esame sono in grado di seguire corsi che trattano in modo più approfondito le varie classi di problemi di ottimizzazione."
|
6
|
MAT/09
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
|
Gruppo opzionale:
Curriculum Demografico Sociale Gruppo OPZIONALE D Altre attività per 9 cfu - (visualizza)
|
9
|
|
|
|
|
|
|
|
|
AAF1889 -
Laboratorio di analisi di indicatori socio-economici
(obiettivi)
Obiettivi generali
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali problemi e metodi di trattamento di indicatori socio-economici dal punto di vista multidimensionale. Gli studenti devono saper applicare metodi diversi (fattoriali e indici sintetici) e saper interpretare i risultati che discendono dalle applicazioni a dati reali.
Obiettivi specifici
a) Conoscenza e capacità di comprensione
Dopo aver frequentato il corso gli studenti conoscono e comprendono i principali metodi di trattamento di indicatori (analisi multivariata e indici sintetici).
b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti sono in grado di formalizzare problemi reali e applicare i metodi
specifici della disciplina per risolverli. Sono inoltre in grado di trattare i più importanti modelli per la misurazione di fenomeni multidimensionali. Sono infine in grado di applicare i metodi ai dati e di interpretarei risultati.
c) Autonomia di giudizio
Gli studenti sviluppano capacità critiche attraverso l’applicazione di corrette metodologie statistiche per una più efficace lettura dei fenomeni complessi.Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema. Imparano ad interpretare criticamente i risultati ottenuti applicando le procedure a insiemi di dati reali.
d) Abilità comunicativa
Gli studenti, attraverso lo studio e lo svolgimento di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina, chedeve essere opportunamente utilizzato nelle prove di esame. Le abilità comunicative vengonosviluppate soprattutto attraverso attività di gruppo.
e) Capacità di apprendimento
Gli studenti che superano l’esame hanno appreso un metodo di analisi degli indicatori che consente loro di affrontare, i problemi reali di trattamento e comprensione di fenomeni multidimensionali anche molto complessi.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
